Dự đoán isoform cytochrome P450 chịu trách nhiệm chuyển hóa một phân tử thuốc

BMC Pharmacology - 2010
Nitish K. Mishra1, Swapnil Agarwal1, Gajendra P. S. Raghava1
1Bioinformatics Centre, Institute of Microbial Technology, Chandigarh, India

Tóm tắt

Tóm tắt Giới thiệu Các isoform khác nhau của Cytochrome P450 (CYP) chuyển hóa các loại cơ chất (hoặc phân tử thuốc) khác nhau và làm cho chúng tan trong quá trình chuyển hóa sinh học. Do đó, số phận của bất kỳ phân tử thuốc nào phụ thuộc vào cách chúng được xử lý hoặc chuyển hóa bởi isoform CYP. Cần phải phát triển các mô hình để dự đoán đặc trưng cơ chất của các isoform chính của P450, nhằm hiểu liệu một loại thuốc cụ thể sẽ được chuyển hóa hay không. Bài báo này mô tả một phương pháp in-silico để dự đoán khả năng chuyển hóa của các isoform chính (ví dụ: CYP 3A4, 2D6, 1A2, 2C9 và 2C19). Kết quả Tất cả các mô hình được đào tạo và kiểm tra trên 226 phân tử thuốc đã được phê duyệt. Đầu tiên, 2392 đặc trưng phân tử cho mỗi phân tử thuốc đã được tính toán bằng cách sử dụng các phần mềm khác nhau. Thứ hai, 41 đặc trưng tốt nhất đã được chọn bằng cách sử dụng thuật toán tổng quát và thuật toán di truyền. Thứ ba, các mô hình QSAR dựa trên Support Vector Machine (SVM) đã được phát triển sử dụng 41 đặc trưng tốt nhất và đạt được độ chính xác trung bình là 86.02%, được đánh giá thông qua phương pháp kiểm tra chéo năm lần. Chúng tôi cũng đã đánh giá hiệu suất của mô hình trên một tập dữ liệu độc lập gồm 146 phân tử thuốc và đạt được độ chính xác trung bình là 70.55%. Bên cạnh đó, các mô hình dựa trên SVM đã được phát triển sử dụng 26 đặc trưng phân tử của Chemistry Development Kit (CDK) và đạt được độ chính xác trung bình là 86.60%. Kết luận Nghiên cứu này đã chứng minh rằng mô hình QSAR dựa trên SVM có thể dự đoán đặc trưng cơ chất của các isoform CYP chính với độ chính xác cao. Các mô hình này có thể được sử dụng để dự đoán isoform chịu trách nhiệm chuyển hóa một phân tử thuốc. Do đó, các mô hình này có thể được sử dụng để hiểu liệu một phân tử sẽ được chuyển hóa hay không. Điều này có thể phát triển các mô hình có độ chính xác cao để dự đoán đặc trưng cơ chất của các isoform chính bằng cách sử dụng các đặc trưng CDK. Một máy chủ web MetaPred đã được phát triển để dự đoán isoform chuyển hóa của một phân tử thuốc http://crdd.osdd.net/raghava/metapred/.

Từ khóa


Tài liệu tham khảo

Susnow RG, Dixon SL: Use of robust classification techniques for the prediction of human Cytochrome P450 2D6 inhibition. J Chem Inf Comput Sci. 2003, 43: 1308-1315.

van de Waterbeemd H, Gifford E: ADMET in silico modeling: towards prediction paradise?. Nat Rev Drug Discovery. 2003, 2: 192-204. 10.1038/nrd1032.

Wolf CR, Smith G, Smith RL: Science, medicine and the future pharmacogenetics. Br Med J. 2000, 320: 987-990. 10.1136/bmj.320.7240.987.

Arimoto R: Computational models for predicting interaction with cytochrome P450 enzyme. Curr Top Med Chem. 2006, 6: 1909-1918. 10.2174/156802606778108951.

Haji-Memonian S, Rieger JM, Macdonald TL, Brown ML: Comparative molecular field analysis and QSAR on substrate binding to Cytochrome P450 2D6. Bioorg Med Chem. 2003, 11: 5545-5554. 10.1016/S0968-0896(03)00525-X.

Balakin KV, Ekins S, Bugrim A, Ivanenkov YA, Korolev D, Nikolsky YV, Skorenko AV, Ivashchenko AA, Savchuk NP, Nikolskaya T: Kohonen maps for prediction of binding to human Cytochrome P450 3A5. Drug Metab Dispos. 2004, 32: 1183-1189. 10.1124/dmd.104.000356.

Crivori P, Poggesi I: Computational approaches for predicting CYP-related metabolism properties in the screening of new drugs. Eur J Med Chem. 2006, 41 (7): 795-808. 10.1016/j.ejmech.2006.03.003.

Manga N, Duffy JC, Rowe PH, Cronin MT: Structure-based methods for the prediction of the dominant P450 enzymes in human drug biotransformation: considiration of CYP3A4, CYP2C9, CYP2D6. SAR QSAR Environ Res. 2005, 16: 43-61. 10.1080/10629360412331319871.

Yap CW, Chen YZ: Prediction of Cytochrome P450 3A4, 2D6 and 2C9 inhibitors and substrates by using support vector machines. J Chem Info Model. 2005, 45: 982-992. 10.1021/ci0500536.

Terfloth L, Beinfait B, Gasteiger J: Ligand-based models for the isoforms specificity of Cytochrome P450, 2D6, and 2C9 substrates. J Chem Inf Model. 2007, 47: 1688-1701. 10.1021/ci700010t.

Wishart DS, Knox C, Guo AC, Cheng D, Shrivastava S, Tzur D, Gautam B, Hassanali M: DrugBank: a knowledgebase for drugs, drug actions and drug targets. Nucleic Acids Res. 2008, 36: D901-D906. 10.1093/nar/gkm958.

DrugBank. [http://www.drugbank.ca]

CORINA. [http://www.molecular-networks.com/products/corina]

TSAR-3.3. [http://accelrys.com/products/accord/desktop/tsar.html]

ADEWorksModelBuilder. [http://www.fqs.pl/Chemistry_Materials_Life_Science/products/admeworks_modelbuilder]

Gao H, Lajiness MS, Van Drie J: Enhancement of binary QSAR analysis by a GA-based variable selection method. J Mol Graphics Model. 2002, 20: 259-268. 10.1016/S1093-3263(01)00122-X.

Lucasius CB, Kateman G: Understanding and using genetic algorithm part 1. Concepts, properties and context. Chemon Intell Lab Syst. 1993, 19: 1-33. 10.1016/0169-7439(93)80079-W.

Mishra NK, Kumar M, Raghava GPS: Support vector machine based prediction of glutathione S-transferase proteins. Protein Pept Lett. 2007, 14: 575-80. 10.2174/092986607780990046.

Sneh Lata, Sharma BK, Raghava GP: Analysis and prediction of antibacterial peptides. BMC Bioinfo. 2007, 8: 263-10.1186/1471-2105-8-263.

Vapinik VN: The nature of statistical learning theory. 1995, Springer: New York

Burges CJC: A tutorial on support vector machines for pattern recognition. Data Min. Knowledge Discovery. 1998, 2: 127-167.

WEKA (Waikato Environment for Knowledge Analysis). [http://www.cs.waikato.ac.nz/ml/weka/]

Leo B: Random Forests. Mach Learn. 2001, 45 (1): 5-32. 10.1023/A:1010933404324.

Keerthi SS, Shevade SK, Bhattacharyya C, Murthy KRK: Improvements to Platt's SMO Algorithm for SVM Classifier Design. Neural Comput. 2001, 13 (3): 637-649. 10.1162/089976601300014493.

John CP: Fast training of support vector machines using sequential minimal optimization. Advances in kernel methods: support vector learning. 1999, MIT Press, 185-208.

Juan JR, Ludmila IK, Carlos JA: Rotation Forest: A New Classifier Ensemble Method. IEEE Trans Pattern Anal Mach Intell. 2006, 28 (10): 1619-1630. 10.1109/TPAMI.2006.211.

Niels L, Mark H, Eibe F: Logistic Model Trees. Mach Learn. 2005, 59 (1-2): 161-205. 10.1007/s10994-005-0466-3.

G Cooper EH: A Bayesian method for the induction of probabilistic networks from data. Machine Learning. 1992, 9: 309-347.

D Heckerman DG, Chickering DM: Learning Bayesian networks:the combination of knowledge and statistical data. Machine Learning. 1995, 20 (3): 197-243.

Chakravarthy SGJ: Scale-based clustering using the radial basis function network. Proceedings of the IEEE International Conference on Neural Networks. 1994, 897-902.

Cybenko G: Approximation by superpositions of a sigmoidal function. Mathematics of Control Signals, and Systems (MCSS). 1989, 2 (4): 303-314.

Hart PE, Cover TM: Nearest Neighbor Pattern Classification. IEEE Transactions on Information Theory. 1967, 13 (1):

Aha DW, Kibler D, Albert MK: Instance-based learning algorithms. Machine Learning. 1991, 6 (1):

K Cios WP, Swiniarski R, Kurgan L: Data Mining: A Knowledge Discovery Approach. Springer, New York. 2007, 620-

John GH, Langley P: Estimating Continuous Distributions in Bayesian Classifiers. Proceedings of the Eleventh Conference on Uncertainty in Artificial Intelligence Morgan Kaufmann, San Mateo. 1995, 338-345.

John G, Cleary LT: K*: An Instance-based Learner Using an Entropic Distance Measure. Proceedings of the 12th International Conference on Machine learning. 1995, 108-114.

Le Cessie S, Van Houwelingen JC: Ridge Estimators in Logistic Regression. Applied Statistics. 1992, 41 (1): 191-201. 10.2307/2347628.

[http://www.imtech.res.in/raghava/]

Steinbeck CHY, Kuhn S, Horlacher O, Luttmann E, Willighagen EL: The Chemistry Development Kit (CDK): An Open-Source Java Library for Chemo- and Bioinformatics. J Chem Inf Comput Sci. 2003, 43 (2): 493-500.

Steinbeck CHC, Kuhn S, Floris M, Guha R, Willighagen EL: Recent Developments of the Chemistry Development Kit (CDK) - An Open-Source Java Library for Chemo- and Bioinformatics. Curr Pharm Des. 2006, 17 (12):

Vlife. [http://www.vlifesciences.com/]

Fuhr U: Induction of drug metabolizing enzymes: Pharmacokinetic and toxicological consequences in human. Cli Pharmacokinet. 2000, 38: 493-504. 10.2165/00003088-200038060-00003.

Singla D, Sharma A, Kaur J, Panwar B, Raghava GP: BIAdb: a curated database of benzylisoquinoline alkaloids. BMC Pharmacol. 10: 4-10.1186/1471-2210-10-4.

Garg A, Tewari R, Raghava GP: KiDoQ: using docking based energy scores to develop ligand based model for predicting antibacterials. BMC Bioinformatics. 11: 125-10.1186/1471-2105-11-125.

Thông tin
Thông tin xuất bản

BMC Pharmacology

Thông tin tác giả