Фармакофорно-управляемый профиль киназ, применённый к хемогеномному набору данных PKIS2

Почему это важно для будущих лекарств

Многие современные препараты действуют путём блокирования ферментов, называемых киназами, которые выступают в роли выключателей в клетках. Однако большинство лекарственных молекул не воздействуют только на один такой выключатель — они меняют состояние сразу нескольких, что может быть как полезно, так и опасно. В этом исследовании предложен новый способ считывания скрытого «кодов формы», благодаря которому молекулы связываются с конкретными киназами, с использованием очень большого публичного набора данных ингибиторов киназ. Подход может помочь исследователям точнее проектировать лекарства — либо узко избирательные, либо целенаправленно мульти-таргетные — за счёт понимания того, какие 3D-шаблоны в молекуле склонны активировать те или иные киназы.

Поиск общих форм в море молекул

Авторы начинают с PKIS2, хемогеномной коллекции из 645 малых молекул, протестированных на 406 человеческих киназах. Вместо того чтобы вручную отбирать несколько примеров для каждой киназы, они дают слову данным. Для каждой молекулы генерируются несколько возможных 3D-конфигураций, каждая из которых переводится в простую карту ключевых признаков, часто определяющих связывание — например, места для водородных связей, заряженные группы, гидрофобные области и ароматические кольца. Эти карты, называемые фармакофорами, фиксируют относительные позиции признаков в пространстве, не полагаясь на подробную химию. Путём анализа тысяч таких карт по всем соединениям команда автоматически выделяет повторяющиеся 3D-шаблоны — «гипотезы фармакофора», которые встречаются во множестве разных молекул.

Оценка того, какие формы важны для каких киназ

Ключевая задача — решить, какие фармакофорные шаблоны действительно связаны с биологической активностью, а какие — статистический шум. Исследователи вводят новую метрику, Нормализованную меру обогащения (NEM), которая сравнивает, как часто соединения, соответствующие данному фармакофору, активны в отношении конкретной киназы, и как часто вообще любое соединение из набора активно в отношении той же киназы. В отличие от старых показателей, NEM корректирует тот факт, что некоторые киназы поражаются многими соединениями, а другие — очень немногими, поэтому шаблоны можно оценивать справедливо по всей панели. Они концентрируются на фармакофорах умеренной сложности, обычно включающих четыре-пять признаков, которые по-прежнему охватывают почти все молекулы, но избегают редких, чрезмерно специфичных шаблонов.

Выявление общих и селективных профилей киназ

Применяя NEM ко всем парам «фарма кофор—киназа», исследование строит подробную карту того, как 3D-расположения признаков соотносятся с активностью киназ. Для каждого фармакофора можно увидеть, какие киназы он склонен активировать, а для каждой киназы — какие фармакофоры лучше всего описывают её активные лиганды. С помощью автоматической процедуры отбора тысячи кандидатов сводятся к компактным наборам репрезентативных фармакофоров. Для киназы DDR1, перспективной мишени в онкологии, одиннадцать таких 3D-шаблонов объясняют большинство её активных соединений и демонстрируют сильную склонность к широкой семье тирозинкіназ, что согласуется с известной биологией. Похожие анализы для VEGFR2, ключевого рецептора роста кровеносных сосудов, выявляют другой кластер фармакофоров, обогащённых для тирозинкіназ, и воспроизводят известные мульти-киназные профили препаратов, таких как дазатиниб и сорафениб.

Перекрёстная проверка на реальных данных о лекарствах

Чтобы проверить, значимы ли эти абстрактные шаблоны за пределами одного набора данных, авторы проецируют их на несколько крупных публичных ресурсов: ChEMBL, DrugBank, KLIFS, KINOMEscan, Kinobeads и программу LINCS. Многие фармакофоры, извлечённые из PKIS2, также соответствуют тысячам лигандов киназ в ChEMBL и встречаются в 3D-структурах, где ингибиторы связаны с киназами в Банке белковых структур. Для хорошо изученных препаратов предсказания на основе фармакофоров совпадают с экспериментально измеренными мульти-киназными профилями. Команда показывает, что, комбинируя оценки NEM с простыми логическими правилами — например, выбирая фармакофоры, которые сильны для DDR1, но слабы для VEGFR2 — можно выделять шаблоны, отдающие предпочтение одному профилю киназ перед другим, что намекает на практический путь контроля селективности.

От карт шаблонов к более разумному дизайну киназных препаратов

Проще говоря, эта работа создаёт своего рода «легенду карты» для открытия лекарств, направленных на киназы: она показывает, какие простые 3D-расположения признаков в малых молекулах, как правило, активируют какие киназы, на основании множества наборов данных. Поскольку метод ненадзорный, масштабируемый и доступен как open-source-программное обеспечение, его можно применять к любому новому скрининговому панелу. Химики могут использовать его для фильтрации виртуальных библиотек, прогнозирования, какие киназы новая молекула, вероятно, затронет, и определения, какие части скелета обеспечивают широкую активность или строгую селективность. Со временем сочетание этих карт фармакофоров с современными моделями машинного обучения может помочь направлять проектирование более безопасных и эффективных препаратов для киназ, делая сложный ландшафт полифармакологии более понятным и предсказуемым.

Цитирование: 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

Ключевые слова: ингибиторы киназ, моделирование фармакофора, полифармакология, хемогеномика, проектация лекарств