Pharmakophor-geführtes virtuelles Screening verbessert Drug Repurposing für COVID-19

Drug Repurposing – die Neuzuweisung zugelassener oder untersuchter Medikamente zu neuen therapeutischen Anwendungen – ist seit langem ein Eckpfeiler schneller therapeutischer Entdeckung.¹ Sein berühmtester Erfolg, die Transformation eines Bluthochdruck- und Angina-Medikaments in Pfizers „kleine blaue Pille“, Viagra, zeigt sein potenzielles Impact. Im Zuge von COVID-19 hat diese Strategie erneut globale Aufmerksamkeit erregt.

Dreidimensionale Proteinmodellierung bietet mehrere In-silico-Tools für Drug Repurposing. Eine frühere Studie dieser Reihe zeigte, wie molekulares Docking potenzielle Inhibitoren der SARS-CoV-2-Hauptprotease (M^pro) identifizieren kann. Hier fragen wir, ob Pharmakophor-Modellierung – eine Abstraktion der essenziellen Ligand-Protein-Interaktionsmerkmale – vergleichbare Einblicke liefern und zusätzliches Vertrauen in die Kandidatenselektion schaffen kann.

Pharmakophor-Modellierung als alternativer Ansatz

Pharmakophor-Modelle destillieren die Schlüssel-Nicht-Bindungs-Interaktionen, die es einem Liganden ermöglichen, ein Proteinziel zu binden, und bieten eine komplementäre Perspektive zu traditionellen Simulationsmethoden. Wir begannen mit einem Satz von SARS-CoV-2 M^pro Kristallstrukturen vom Diamond Light Source.² Nach Ausrichtung der Strukturen nutzten wir BIOVIA Discovery Studios „Interaction Pharmacophore Generation“-Protokoll, um Pharmakophor-Merkmale aus jedem Protein-Ligand-Komplex zu extrahieren. Die Merkmalsanzahlen reichten von zwei (für 5R80 und 5R7Y) bis neun (für 6LU7). Durch Zusammenführen und Vereinfachen überlappender Merkmale gelangten wir zu einem 14-Merkmal-Konsens-Pharmakophor, das die kritischen intermolekularen Kontakte der Protease mit potenziellen Bindern kapselt.

Zur Verfeinerung dieses Modells führten wir In-silico-Alanin-Scanning-Mutagenese an den Aktivzentrumsresten über alle Komplexe durch. Acht Reste – HIS41, MET49, ASN142, HIS163, MET165, PRO168, GLN189 und GLN192 – erwiesen sich als Hotspots in mindestens einem Komplex, wobei drei Reste (HIS41, MET49, MET165) in vier oder mehr Komplexen als Hotspots identifiziert wurden. Sechs der 14 Pharmakophor-Merkmale mappten direkt auf Interaktionen mit diesen Hotspot-Resten. Ein zweiter Datensatz nicht-kovalenter M^pro Ligand-Komplexe offenbarte alternative Bindemodi, was uns veranlasste, die sechs Schlüsselfeatures in zwei Gruppen für das nachfolgende virtuelle Screening zu trennen.

Mit diesem verfeinerten Pharmakophor screeneten wir eine Bibliothek von 2.650 FDA-zugelassenen Medikamenten, jedes vorab mit multiplen Ligand-Konformationen generiert, um die Suche zu beschleunigen. Treffer wurden definiert durch Matching von mindestens einem Merkmal aus jeder der zwei essenziellen Gruppen und mindestens zwei zusätzlichen Merkmalen aus den verbleibenden acht. Dieses strenge Kriterium sicherte diverse Exploration von Bindemodi bei Erhalt der Interaktionen mit kritischen Resten, die via Alanin-Scanning identifiziert wurden. Der Screening-Algorithmus erkundete über 12.000 Pharmakophor-Kombinationen. Für jeden Treffer führten wir Energieminimierung im Proteinkontext durch und berechneten Bindungsenergien mit CHARMm und einem Generalized Born/Volume (GBMV) impliziten Lösungsmittelmodell – effektiv eine Docking-Berechnung, die durch das Pharmakophor constraint ist.

Wir fokussierten auf Posen, die vier Schlüsselreste ansprachen – HIS41, MET49, CYS145 und MET165 – da diese das katalytische Dyad (HIS41/CYS145) bilden und gemeinsame Hotspot-Reste sind. Sortierung nach berechneter Bindungsfreier Energie ergab die Top-10-Kandidaten. Ritonavir, bereits in unserer früheren Docking-Studie hervorgehoben, rangierte in beiden Analysen siebt und befindet sich derzeit in mehreren COVID-19-Klinischen Studien.³

Video 1: Bestbewertete Pose von Ritonavir, interagierend mit HIS41, MET49, SER144, CYS145, MET165, GLU166 und GLN189.

Der führende Ligand aus diesem pharmakophor-getriebenen Ansatz war Montelukast, ein Cysteinyl-Leukotrien-Rezeptor-Antagonist. Aktuelle Literatur deutet auf sein Potenzial hin, COVID-19-Progression zu mildern.⁴

Weitere top-bewertete Verbindungen umfassten Telmisartan, Moexipril und Hydroxychloroquin – jeweils kürzlich auf Repurposing-Potenzial geprüft, wobei Hydroxychloroquin die meiste Kontroverse erzeugte.⁵ Bemerkenswert zeigte die pharmakophor-abgeleitete Trefferliste ein breiteres Spektrum an Zielklassen im Vergleich zur reinen Docking-Liste, die von HCV- oder HIV-Protease-Inhibitoren dominiert wurde.

Unsere Ergebnisse demonstrieren, dass die Integration von In-silico-Alanin-Scanning-Mutagenese in Pharmakophor-Modellierung virtuelles Screening verfeinern kann, was eine priorisierte Menge diverser Arzneimittelkandidaten liefert. Während die Überlappung mit docking-abgeleiteten Leads bescheiden war, unterstreicht die gemeinsame Identifikation von Ritonavir den Wert von Konsensansätzen. Die Kombination der stärksten Kandidaten aus beiden Methoden kann fokussiertere experimentelle Validierung leiten.

Zusammenfassend dient pharmakophor-geführtes virtuelles Screening als mächtige, komplementäre Strategie zum Docking, die Vertrauen in die Kandidatenselektion erhöht und den erkundeten chemischen Raum für COVID-19-Therapeutika erweitert.