Profilowanie kinaz oparte na farmakoforach zastosowane do zestawu danych chemogenomicznych PKIS2

Dlaczego to ma znaczenie dla przyszłych leków

Wiele współczesnych leków działa przez blokowanie enzymów zwanych kinazami, które pełnią w komórkach rolę przełączników włącz/wyłącz. Jednak większość cząsteczek leczniczych nie trafia w jeden przełącznik — oddziałuje na kilka naraz, co może być zarówno korzystne, jak i niebezpieczne. W tym badaniu przedstawiono nowy sposób odczytywania ukrytego „kodu kształtu”, który sprawia, że cząsteczki przyczepiają się do konkretnych kinaz, wykorzystując bardzo duży publiczny zestaw danych inhibitorów kinaz. Podejście to może pomóc badaczom w projektowaniu leków lepiej ukierunkowanych — zarówno wąsko selektywnych, jak i celowo wielozadaniowych — poprzez zrozumienie, które wzory 3D w cząsteczce mają tendencję do aktywacji określonych kinaz.

Znajdowanie wspólnych kształtów w morzu cząsteczek

Autorzy zaczynają od PKIS2, kolekcji chemogenomicznej obejmującej 645 małych cząsteczek przetestowanych na 406 ludzkich kinazach. Zamiast ręcznie wybierać kilka przykładowych związków dla każdej kinazy, pozwalają danym przemówić same za siebie. Dla każdej cząsteczki generują wiele możliwych kształtów 3D i tłumaczą każdy z nich na prostą mapę kluczowych cech często warunkujących wiązanie, takich jak miejsca wiązań wodorowych, grupy naładowane, regiony hydrofobowe i pierścienie aromatyczne. Te mapy, zwane farmakoforami, odzwierciedlają względne położenie tych cech w przestrzeni bez odwoływania się do szczegółowej chemii. Poprzez przeszukiwanie tysięcy takich map wśród wszystkich związków zespół automatycznie wydobywa powtarzające się wzory 3D — „hipotezy farmakoforowe” — które pojawiają się w wielu różnych cząsteczkach.

Ocenianie, które kształty mają znaczenie dla których kinaz

Centralnym wyzwaniem jest ustalenie, które wzory farmakoforowe są rzeczywiście powiązane z aktywnością biologiczną, a które są jedynie szumem statystycznym. Badacze wprowadzają nową miarę, Znormalizowaną Miarkę Wzbogacenia (Normalized Enrichment Measure, NEM), która porównuje, jak często związki dopasowujące się do danego farmakoforu są aktywne wobec kinazy, w odniesieniu do tego, jak często dowolny związek w zestawie jest aktywny wobec tej samej kinazy. W przeciwieństwie do starszych miar, NEM koryguje fakt, że niektóre kinazy są trafiane przez wiele związków, a inne przez bardzo niewiele, dzięki czemu wzory można oceniać uczciwie w całej paneli. Skupiają się na farmakoforach o umiarkowanej złożoności, zwykle obejmujących cztery lub pięć cech, które nadal pokrywają prawie wszystkie cząsteczki, ale unikają rzadkich, nadmiernie specyficznych wzorców.

Odkrywanie wspólnych i selektywnych profili kinaz

Stosując NEM do każdej pary farmakofor–kinaza, badanie buduje bogatą mapę zależności między wzorami cech 3D a aktywnością kinaz. Dla każdego farmakoforu można zobaczyć, które kinazy ma tendencję aktywować, a dla każdej kinazy — które farmakofory najlepiej opisują jej aktywne ligandy. Za pomocą automatycznej procedury selekcji autorzy redukują tysiące kandydatów do zwartego zestawu reprezentatywnych farmakoforów. Dla kinazy DDR1, pojawiającego się celu przeciwnowotworowego, jedenaście takich wzorów 3D wyjaśnia większość jej aktywnych związków i wykazuje silne uprzedzenie wobec większej rodziny kinaz tyrozynowych, co zgadza się ze znaną biologią. Podobne analizy dla VEGFR2, kluczowego receptora wzrostu naczyń krwionośnych, ujawniają inny klaster farmakoforów wzbogacony w kinazy tyrozynowe i odtwarzają znane profile wielokierunkowych kinaz leków takich jak dasatynib i sorafenib.

Weryfikacja na danych o rzeczywistych lekach

Aby sprawdzić, czy te abstrakcyjne wzory mają znaczenie poza jednym zbiorem danych, autorzy projektują je na kilka dużych publicznych zasobów: ChEMBL, DrugBank, KLIFS, KINOMEscan, Kinobeads i program LINCS. Wiele farmakoforów wydobytych z PKIS2 pasuje również do tysięcy ligandów kinaz w ChEMBL i pojawia się w strukturach 3D, gdzie inhibitory są związane z kinazami w Protein Data Bank. Dla dobrze zbadanych leków przewidywania oparte na farmakoforach zgadzają się z eksperymentalnie zmierzonymi profilami wielokierunkowych kinaz. Zespół pokazuje nawet, że poprzez łączenie wyników NEM z prostymi regułami logicznymi — na przykład wybierając farmakofory silne dla DDR1, ale słabe dla VEGFR2 — można wydzielić wzory preferujące jeden profil kinaz nad drugim, co sugeruje praktyczną drogę do kontrolowania selektywności.

Od map wzorów do mądrzejszego projektowania kinaz

Mówiąc wprost, ta praca buduje rodzaj „legendy mapy” dla odkrywania leków przeciw kinazom: wskazuje, które proste ułożenia cech 3D w małych cząsteczkach mają tendencję do aktywowania konkretnych kinaz w wielu zestawach danych. Ponieważ metoda jest nienadzorowana, skalowalna i udostępniona jako oprogramowanie open‑source, można ją zastosować do dowolnego nowego panelu przesiewowego. Chemicy mogą używać jej do przeszukiwania bibliotek wirtualnych, przewidywania, które kinazy nowa cząsteczka prawdopodobnie uderzy, oraz identyfikowania, które części szkieletu napędzają szeroką aktywność lub ostrą selektywność. Z czasem łączenie tych map farmakoforów z nowoczesnymi modelami uczenia maszynowego może pomóc kierować projektowaniem bezpieczniejszych i skuteczniejszych leków na kinazy, czyniąc złożony pejzaż polifarmakologii bardziej zrozumiałym i przewidywalnym.

Cytowanie: Bureau, R., Lamotte, JL., Cuissart, B. et al. Pharmacophore-driven kinase profiling applied to the PKIS2 chemogenomic dataset. Sci Rep 16, 12083 (2026). https://doi.org/10.1038/s41598-026-42945-7

Słowa kluczowe: inhibitory kinaz, modelowanie farmakoforów, polifarmakologia, chemogenomika, projektowanie leków