Proteiinien rakenteen selvittämisen avulla uusia lääkemolekyylejä

BioCity Turun bioinformatiikan yksikkö on keskittynyt geeni- ja proteiinidatan analysoimiseen. Data-analyyseista on hyötyä erilaisten tautimekanismien ymmärtämisessä. Yksikössä on tutkittu erityisesti syöpäsairauksia ja aikuisiän 1-tyypin diabetesta. Yksikön tavoitteena on parantaa monimutkaisten tautien diagnostiikkaa, hoitoa ja ennustettavuutta yhdistämällä laskennallista, kokeellista ja kliinistä tutkimusta.

Bioinformatiikan menetelmien avulla analysoidaan proteiinien kolmiulotteisia rakenteita. Näin voidaan selvittää, millaiset lääkeaihiot, tyypillisesti pienet molekyylit, todennäköisesti vaikuttavat proteiiniin. Hyödyntämällä näitä tietoja tutkijat voivat ymmärtää solun normaalia toimintaa ja miten proteiinien toimintaan kannattaa vaikuttaa. Lopputuloksena voi olla uusi lääkeainemolekyyli, joka vaikuttaa kohdeproteiiniin halutulla tavalla.

”Kahden molekyylin kohdatessa tapahtuu aina vuorovaikutusta. Yhteensopiva muoto ja kemia lisäävät tätä vuorovaikutusta merkittävästi. Jos kohtaaminen on voimakas, se voi muuttaa molekyylin mahdollisuutta vaikuttaa kolmanteen molekyyliin. Siten signaali välittyy ketjussa, jossa on eri molekyylien kohtaamisia”, kertoo bioalan tietotekniikkaan erikoistunut Åbo Akademin tutkija Jukka Lehtonen.

Lehtonen korostaa, että viestiä välittävät molekyyliparit eivät kuitenkaan ole täydellisen täsmällisiä, jolloin kyseessä ei ole suoraviivainen viestinvälitysketju. Pikemminkin voidaan puhua molekyylien vuorovaikutusten verkosta.

”Solujen ns. normaali toiminta on herkkä tasapainotila. Lääkkeillä yritetään ylläpitää tätä normaalia tilaa. Esimerkiksi diabeteksessä solujen oma insuliinitoiminta on häiriintynyt, joten lääkityksellä ja ruokavaliolla korvataan vähentyneitä vuorovaikutuksia.”

”Myös haitallisesti toimivia signaaliketjuja yritetään hillitä lääkityksellä.”

Lääkeainemolekyylien suunnittelussa on tärkeää, että ketju tapahtumia toimii halutulla tavalla kaikissa molekyyleissä. Jos esimerkiksi signaaliketjussa oleva kolmas molekyyli aktivoituu liikaa, lääkkeellä ei välttämättä ole haluttuja vaikutuksia.

”Lääke on tehokas ja sivuvaikutuksia on vähän, jos lääkemolekyylin ja proteiinin sitoutumiskohdan rakenteet ovat riittävän ainutlaatuisia ja yhteensopivia.” Lehtonen toteaa.

”Samantyyppisiä proteiineja on kuitenkin ihmiskehossa paljon ja epätäsmällisemmätkin vuorovaikutukset voivat muuttaa annosteltuja lääkemolekyylejä kemiallisesti.”

Lääkesuunnittelussa on siten kaksi osaa: optimaalisten molekyylien suunnittelu kohdeproteiinille ja sellaisten yhdisteiden etsiminen, jotka elimistössä matkatessaan muuttuvat lääkemolekyyleiksi ilman sivuvaikutuksia.

Proteiinin rakennemalli

Proteiinin kolmiulotteinen rakenne voidaan määrittää röntgenkristallografian avulla. Elektronit säännöllisessä proteiinikiteessä taivuttavat röntgensäteitä ja taipumisesta eli diffraktiosta voidaan laskea elektronitiheyskartta. Rakennemalli syntyy sovittamalla proteiinin atomit elektronien tiheyteen laskennallisten algoritmien ja tietokonegrafiikan avulla.

“Proteiinin kiteytys on vaikea vaihe. Oikeiden kiteytymisolosuhteiden löytäminen on haastavaa. Jotkut proteiinit eivät kiteydy kokonaisina”, kertoo Lehtonen.

Proteiinirakenteiden määrä on kuitenkin lisääntynyt valtavasti. Vuonna 1994 rakenteita oli määritetty noin tuhat, nyt niitä on jo sata tuhatta. Jo ratkaistut proteiinirakenteet löytyvät PDB- tietokannasta (http://www.rcsb.org/).

”Proteiineja on olemassa huomattavasti enemmän ja muiden tutkimushavaintojen perusteella on useita mahdollisia lääkekohteita, joiden rakennetta ei vielä ole määritetty.”

Jos kohdeproteiinin sukulaisten rakenteita tunnetaan, voidaan yrittää laatia homologiamalli.

“Sukulaiset muistuttavat yleensä toisiaan. Teoreettinen malli kohteen rakenteesta voidaan laatia tunnetun sukulaisen perusteella. Malli muistuttaa väistämättä esikuvaansa”, Lehtonen kertoo, mutta muistuttaa, että malli ei ole tulos vaan työkalu.

Rakennemallin avulla selitetään proteiinin toiminnasta kerättyä kokeellista dataa ja ennustetaan, mitä poikkeavassa tilanteessa saattaa tapahtua. Mallin avulla voidaan esimerkiksi ennustaa, millaisiin vuorovaikutuksiin erilaiset pienmolekyylit proteiinin kanssa kykenevät.

”Mallia täytyy kuitenkin arvioida kriittisesti. Se ei ole kaikilta osiltaan yhtä luotettava. Rakennemalli saattaa kuvata lääkemolekyylin sitoutumiskohdan uskottavasti vaikka olisikin muilta osin epävarma.”

Lehtonen korostaa, että mallintaminen edellyttää yhteistyötä kokeita tekevien tutkimusryhmien kanssa.
”Mallin perusteella ehdotetaan koejärjestelyjä, jotka kertovat tutkimuskohteesta enemmän ja samalla paljastavat onko malli luotettava. Mallintajan täytyy datan perusteella päättää, voiko mallia käyttää. Mallia korjataan ja tarkennetaan saadun kokeellisen datan avulla. Sykli jatkuu kunnes kohde tunnetaan hyvin,” Lehtonen korostaa.

Lääkeaineen sitoutumispaikka

Rakenteeseen perustuvassa lääkeainesuunnittelussa hyödynnetään tietoa proteiinin sitoutumiskohdan rakenteesta ja tunnetuista proteiiniin sitoutuvista molekyyleistä, joita kutsutaan ligandeiksi. Lääkemolekyylit suunnitellaan usein ligandin kaltaiseksi. Parhaimmillaan tutkijoilla on käytettävissä määritetty proteiinirakenne, joka sisältää ligandin. Proteiinia voidaan myös mutatoida valikoivasti, jolloin sitoutumisen voimakkuuden muutosten perusteella päätellään, mitkä proteiinin aminohappotähteet osallistuvat sitoutumiseen. Sitoutumiskohta on yleensä onkalo proteiinirakenteessa. Rakennemallin onkalot voi hahmottaa myös laskennallisesti, mutta aidon sitoutumiskohdan tunnistaminen ei ole automaattista.

”Ligandin vaikutustapa, eli proteiinin normaali toiminta, on itsessään arvokas tutkimustulos. Jos tiedetään sukulaisrakenteita, joukko niihin sitoutuvia ligandeja ja erot sitoutumisen voimakkuudessa, voidaan rakenneanalyysillä tunnistaa sitoutumiselle merkittävimmät atomitason erot. Näin selviää, mikä ligandin rakenteessa on tärkeää.”

Mahdollisella lääkemolekyylillä tulisi siis olla samankaltaiset osaset. Jos lääkeaineen sitoutumispaikasta kohdeproteiinissa on saatavilla riittävästi kokeellista tietoa, voidaan tietokannoilla ja tehokkailla tietokoneilla tehdyllä virtuaaliseulonnalla rajata nopeasti ja luotettavasti suuresta määrästä molekyylejä mahdolliset lääkeainekandidaatit. Näin voidaan minimoida myös lääkkeen mahdolliset sivureaktiot.

”Virtuaalisia molekyylikirjastoja voidaan seuloa luoduilla hakukriteereillä, eli suorittaa tietokonehaku joka rajaa pois täysin sopimattomat molekyylit. Jäljelle jääneillä yhdisteillä tehdään tarkempaa mallinnusta, jotta kokeellisesti testattavien yhdisteiden joukko supistuu kohtuulliseksi.”

Hakualgoritmi laskee proteiinin ja toisen molekyylin asettelut

Mallinnuksen avulla etsitään todennäköisesti proteiinin kanssa oikein reagoivia molekyylejä ja laboratoriotuloksilla testataan paikkansapitävyys. Näin saadaan vastaus siihen, mitkä ovat mahdollisia lääkeainekandidaatteja, miksi tämä toimii ja toinen ei.

”Jos asetetaan kaksi molekyylirakennetta vierekkäin virtuaalisesti, voidaan kysyä miten vahva vuorovaikutus niillä on. Voimien vahvuuteen vaikuttavat atomien väliset etäisyydet ja muiden molekyylien eli veden läsnäolo. Fysiikka ja kemia ovat tuottaneet havaintodatan ja teoriat voimien
arvioimiseksi. Molekyylien siirtyessä tai muuttaessa muotoaan myös lasketut voimat muuttuvat. Molekyylit voidaan siis asetella lukemattomilla tavoilla.”

Telakointi (docking) on hakualgoritmi, joka laskee voiman proteiinin ja toisen molekyylin välillä.

”Kukin telakointialgoritmi käyttää erilaista strategiaa joukon valinnalle. Tavoitteena on löytää optimaalinen asettelu, joka toivottavasti kuvaa miten rakenteet todellisuudessa vuorovaikuttavat. Haku rajataan melko tarkasti oletettuun sitoutumiskohtaan ja molekyylien sallitut muodonmuutokset ovat pieniä. Muuten hakuavaruus on liian suuri, eli laskennan määrä kasvaa suhteettomaksi.”

Bioinformatiikassa telakoinnilla selvitetään se, mikä ligandi sitoutuu vahvimmin. Kun jokaisen ligandin sitoutumiskohdalle, sitoutumistavalle ja sitoutumisen voimakkuudelle on malli, voidaan laatia ehdotus, miltä uusien lääkemolekyylien pitää näyttää, jotta ne sitoutuvat toivottuun kohdeproteiiniin. Telakointiin on käytössä useita eri laskentateknologioita. Esimerkiksi, molekyylidynamiikkasimulaatiossa sallitaan molekyyliparien vapaa liikkuminen, eikä työ saa kestää viikkoja. Siksi tarvitaan tehokkaita laskentaresursseja. Molekyylidynamiikka on siis laskennallisesti raskas menetelmä telakointiin, mutta palkintona on tarkempi ymmärrys molekyylien välisestä dynaamisesta vuorovaikutuksesta. Molekyylidynamiikan simulaatioita käytetäänkin vuorovaikutusten yksityiskohtaisempaan mallintamiseen ja proteiinin ja lääkeaihion välisen vuorovaikutuksen ja pysyvyyden arvioimiseen.

“Suurin virhe mallinnuksessa on uskoa sokeasti ohjelmien antamia vastauksia. Olennaista on kyky arvioida tuloksia kriittisesti ja mallinnuksen hyödyntäminen ongelmissa, joihin se soveltuu,” Lehtonen korostaa.

Pilvipalvelu luo läpinäkyvän, mutta tietoturvallisen resurssin

Turun bioinformatiikan yksikkö hyödyntää tutkimuksessaan Suomen ELIXIR-keskuksen pilvilaskentaresurssia ePoutaa. Se luo läpinäkyvän paikallisen resurssin, jonka tietoturvataso on erittäin korkea. Käyttäjä ei näe, että laskenta tapahtuu pilvessä eikä dataa tarvitse siirtää levyasemalta toiselle, varsinkaan julkisen verkon kautta. Esimerkiksi sellaisille tutkimusaineistoille, joihin liittyy yrityssalaisuuksia, ePoudan korkeampi tietoturvataso on
välttämätön.

“Saamme ePoudan ansiosta lisää laskentakapasiteettia paikalliseen verkkoon, mikä on sopinut meille erittäin hyvin. Käytännössä meidän laskentakapasiteettimme on tuplaantunut. CSC:n pilvi on kansallisella tasolla edullisin tapa luoda paikallisia laskentaresursseja.”

Lehtosen mukaan ePouta luo läpinäkyvän paikallisen resurssin. Käyttäjä ei näe, että laskenta tapahtuu pilvessä eikä dataa tarvitse siirtää levyasemalta toiselle, varsinkaan julkisen verkon kautta. Joillekin tutkimusaineistoille ePoudan korkeampi tietoturvataso on välttämätön.

“Koska CSC vastaa laskentaresursseista ja pilvipalvelusta, asiakaspäähän voidaan rakentaa sellainen ympäristö, joissa tutkija viihtyy. Tällä tavoin on myös helpompi ylläpitää sellaisia ohjelmistokokonaisuuksia, joita CSC:llä ei ole.”

Ari Turunen

15.1.2016

Lue artikkeli PDF-muodossa

Sitaatti

Ari Turunen, Tommi Nyrönen, & Jukka Lehtonen. (2016). New drug molecules through determining the structure of proteins. https://doi.org/10.5281/zenodo.8068984