PKIS2 kemogenomik veri setine uygulanan farmakofor odaklı kinaz profillemesi

Gelecek ilaçlar için neden önemli

Çok sayıda modern ilaç, hücrelerimizde birer açma-kapama düğmesi gibi çalışan kinaz adı verilen enzimleri bloke ederek etki gösterir. Ancak çoğu ilaç molekülü tek bir düğmeyi hedeflemez; aynı anda birkaçını değiştirir ki bu hem yararlı hem de riskli olabilir. Bu çalışma, çok büyük bir kamusal kinaz inhibitörü veri kümesini kullanarak moleküllerin belirli kinazlara yapışmasını sağlayan gizli “şekil kodunu” okumaya yönelik yeni bir yaklaşım sunuyor. Yöntem, moleküldeki hangi üç boyutlu desenlerin hangi kinazları etkinleştirmeye eğilimli olduğunu anlayarak araştırmacıların daha dar seçici veya amaçlı çok hedefli ilaçlar tasarlamasına yardımcı olabilir.

Molekül denizinde ortak şekilleri bulmak

Yazarlar, 406 insan kinazında test edilen 645 küçük molekülden oluşan bir kemogenomik koleksiyon olan PKIS2 ile işe başlıyor. Her kinaz için elden seçilmiş birkaç örnek bileşik yerine verilerin kendisinin konuşmasına izin veriyorlar. Her molekül için birden çok olası 3B şekil üretiyor ve bunların her birini bağlanmayı sıklıkla yönlendiren hidrojen bağı noktaları, yüklü gruplar, hidrofobik bölgeler ve aromatik halkalar gibi ana özelliklerin basit bir haritasına çeviriyorlar. Bu haritalar, farmakoforlar olarak adlandırılır ve ayrıntılı kimyaya dayanmadan bu özelliklerin mekândaki göreli konumlarını yakalar. Tüm bileşikler çapında binlerce böyle haritayı madencilik yaparak ekip, birçok farklı molekülde ortaya çıkan yineleyen 3B desenleri —“farmakofor hipotezleri”— otomatik olarak çıkarıyor.

Hangi şekillerin hangi kinazlar için önemli olduğunu puanlamak

Temel zorluk, hangi farmakofor desenlerinin gerçekten biyolojik aktiviteyle ilişkili olduğunu ve hangilerinin yalnızca istatistiksel gürültü olduğunu belirlemektir. Araştırmacılar, belirli bir farmakofora uyan bileşiklerin bir kinazda ne sıklıkta aktif olduğunu, veri kümesindeki herhangi bir bileşiğin aynı kinazda ne sıklıkta aktif olduğuyla karşılaştıran Normalleştirilmiş Zenginleştirme Ölçüsü (NEM) adlı yeni bir puan tanıtıyor. Eski ölçütlerin aksine NEM, bazı kinazların çok sayıda bileşik tarafından, bazılarının ise çok az sayıda bileşik tarafından hedeflenmesi gerçeğini düzeltir, böylece desenler panel genelinde adil şekilde değerlendirilebilir. Yazarlar, genellikle dört veya beş özelliği içeren orta karmaşıklıktaki farmakoforlara odaklanıyor; bunlar hâlâ neredeyse tüm molekülleri kapsar ama nadir, aşırı özgül desenlerden kaçınır.

Paylaşılan ve seçici kinaz profillerini ortaya çıkarmak

NEM’i her farmakofor–kinaz çifti için uygulayarak çalışma, 3B özellik desenlerinin kinaz aktivitesiyle nasıl ilişkili olduğuna dair zengin bir harita oluşturuyor. Her farmakofor için hangi kinazları etkinleştirme eğiliminde olduğunu görebiliyorlar ve her kinaz için hangi farmakoforların aktif ligandlarını en iyi tanımladığını saptayabiliyorlar. Otomatik bir seçim prosedürü kullanarak binlerce adayı temsil edici, daha kompakt farmakofor setlerine indiriyorlar. Ortaya çıkan kanser hedeflerinden biri olan kinaz DDR1 için on bir böyle 3B desen, aktif bileşiklerin çoğunluğunu açıklıyor ve bilinen biyolojiyle uyumlu olarak tirozin kinazlarının daha geniş ailesine güçlü bir eğilim gösteriyor. Kan damarı büyümesinde anahtar bir reseptör olan VEGFR2 için benzer analizler, tirozin kinazlarında zenginleşmiş başka bir farmakofor kümesini ortaya koyuyor ve dasatinib ile sorafenib gibi ilaçların bilinen çok-kinaz profillerini yeniden üretiyor.

Gerçek dünyadaki ilaç verileriyle çapraz kontrol

Bu soyut desenlerin tek bir veri kümesinin ötesinde anlamlı olup olmadığını test etmek için yazarlar onları ChEMBL, DrugBank, KLIFS, KINOMEscan, Kinobeads ve LINCS programı gibi birkaç büyük kamusal kaynağa projekte ediyor. PKIS2’den çıkarılan birçok farmakofor, ChEMBL’deki binlerce kinaz ligandı ile de eşleşiyor ve Protein Data Bank’ta inhibitörlerin kinazlara bağlandığı 3B yapılarda yer alıyor. İyi çalışılmış ilaçlar için farmakofor tabanlı tahminler, deneysel olarak ölçülmüş çok-kinaz profilleriyle uyum gösteriyor. Ekip ayrıca NEM puanlarını basit mantıksal kurallarla —örneğin DDR1 için güçlü ancak VEGFR2 için zayıf olan farmakoforları seçmek— birleştirerek bir kinaz profiline karşılık gelen desenleri diğerinden ayırmanın pratik bir yolunu işaret edebilecek desenleri ortaya çıkarabildiklerini gösteriyor.

Desen haritalarından daha akıllı kinaz tasarımına

Basitçe söylemek gerekirse, bu çalışma kinaz ilaç keşfi için bir tür “harita anahtarı” oluşturuyor: küçük moleküllerdeki hangi basit 3B özellik düzenlemelerinin hangi kinazları aktif etme eğiliminde olduğunu, birçok veri seti genelinde bize söylüyor. Yöntem gözetimsiz, ölçeklenebilir ve açık kaynak yazılım olarak yayıldığı için her yeni tarama paneline uygulanabilir. Kimyagerler bunu sanal kütüphaneleri taramak, yeni bir molekülün hangi kinazları hedefleme olasılığını tahmin etmek ve bir iskeletin hangi parçalarının geniş aktiviteyi veya keskin seçiciliği yönlendirdiğini belirlemek için kullanabilir. Zaman içinde bu farmakofor haritalarını modern makine öğrenimi modelleriyle birleştirmek, polifarmakolojinin karmaşık manzarasını daha anlaşılır ve tahmin edilebilir kılarak daha güvenli, daha etkili kinaz ilaçlarının tasarımını yönlendirmeye yardımcı olabilir.

Atıf: 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

Anahtar kelimeler: kinaz inhibitörleri, farmakofor modelleme, polifarmakoloji, kemogenomik, ilaç tasarımı