Renaissance Modélisation informatique de la sélectivité des inhibiteurs de la kinase

Modélisation informatique de la sélectivité des inhibiteurs de la kinase

L’identification et la compréhension de la sélectivité des inhibiteurs de la kinase à petites molécules est un défi majeur pour faire progresser les composés kinases puissants vers la drogue1,2. profil des composés cliniques / développement très puissants ou précoces à travers les 500 cibles3 pour acquérir des connaissances initiales sur la spécificité de la kinase avec le fait que toutes les kinases ne pourraient pas être criblées in vitro. Les connaissances sur la sélectivité des inhibiteurs de kinases à petite molécule sont généralement obtenues en poursuivant des vérifications expérimentales sur un sous-ensemble représentatif ou complet des cibles non ciblées4. Bien que les mérites et les limites du paradigme de sélection de la sélectivité puissent être discutées, elles sont souvent supposées pour fournir des connaissances et des directives raisonnables permettant la hiérarchisation des composés dans l’arbre de décision. Au cours des dernières années, plusieurs approches de calcul ont été rapportées dans la littérature pour compléter les résultats expérimentaux ou pour prédire les profils d’activité hors cible de la kinase9 − Ces approches surmontent principalement les inconvénients de la comparaison basée sur une séquence unidimensionnelle ou de la phylogénie des kinases dont les capacités prédictives ont été démontrées.21 − 23 Très récemment, Sheridan et al.24 ont rapporté une structure quantitative bidimensionnelle &#x02212 ; approche de modélisation basée sur la relation d’activité (QSAR) pour prédire le prof de liaison d’inhibiteur de kinase iles sur ∼ 160 kinases uniques de Karaman et al. ensemble de données expérimentales25 avec d’autres ensembles de données expérimentales. Leur approche est basée sur plusieurs propriétés physicochimiques des 29 résidus entourant le site de liaison de l’ATP et suppose que tous les inhibiteurs occupent le site de liaison de l’ATP entier. Par exemple, de petites molécules comme l’imatinib occupent principalement la base de “ ” sous-site et pas le “ le sucre ” ou “ phosphate ” le sous-site doit être différencié des ligands comme la staurosporine qui occupent presque toutes ou la plupart des autres sous-poches du site de liaison de l’ATP, et leurs contributions doivent être traitées différemment. Il y a plusieurs années, Sheinerman et al. développé la signature de site de liaison “ (BSS) ” Approche computationnelle26 qui utilise l’information structurale radiographique tridimensionnelle (3D) d’un complexe inhibiteur de la kinase pour prédire l’activité de la kinase hors cible de la petite molécule ou le profil de la sélectivité potentielle. Dans cette lettre, l’application de cette approche pour prédire la propension à la sélectivité d’un inhibiteur donné contre chacun des 480 membres du kinome humain est présentée. Contrairement à plusieurs autres méthodes mentionnées précédemment, la présente approche 3D prend en compte la plupart des résidus qui font des contacts quantifiables énergétiquement (résidus # “ point chaud ”) avec le ligand. Ceci élimine grandement le biais inhérent impliqué en considérant des résidus qui font partie du site de liaison d’ATP indépendamment de l’occupation du ligand dans ce souspocket particulier. Pour fournir une validation raisonnable pour l’approche, la littérature a été étudiée pour rassembler des ensembles de données expérimentaux pour des inhibiteurs qui ont été cocristallisés avec la cible kinase et également évalués systématiquement contre un grand panel de kinases. Ceci a abouti à l’identification d’un ensemble de données rapporté par Karaman et al. composé de 38 inhibiteurs de kinase criblés sur plus de 280 kinases humaines uniques fournissant un 280 &#x000d7 complet; 38 matrice de l’activité kinase-composé ou de l’espace de sélectivité.Parmi les 38 inhibiteurs de kinase, la structure 3D du complexe lié à l’inhibiteur a été rapportée pour 15 dans le PDB, et donc, ce sous-ensemble a été utilisé dans l’évaluation de la prédiction de l’activité multikinase (Tableau S1 dans les Informations de Support). Une description détaillée de l’approche de calcul BSS et les étapes impliquées dans la prédiction de l’activité de la kinase hors-cible ont été rapportées plus tôt26 et brièvement développées dans les Informations de Support. Le tableau 1 fournit un résumé des complexes inhibiteurs de kinase − Karaman et al.25 pour les inhibiteurs cocristallisés contre les cibles kinases. De plus, la meilleure activité pour l’inhibiteur et sa cible associée est donnée pour fournir des conseils lors de la comparaison et de l’évaluation des résultats de calcul. Cette information est importante puisque les prévisions basées sur des complexes de ligands liés à un ligand de haute affinité devraient être plus fiables26. Enfin, l’état conformationnel de la kinase tel que rapporté dans la source ou dans d’autres documents27 ou interprété par inspection visuelle est également tabulé. Les résultats peuvent être comparés uniformément lorsque cela est possible. Tableau 1 Résumé des résultats expérimentaux clés et des résultats de prédiction pour les inhibiteurs de la kinase en cours d’investigation Pour comparer les prédictions avec les résultats expérimentaux, les inhibiteurs expérimentaux Kd ≤ 100 nM sont classés comme “ actifs ” et le reste étiqueté comme “ inactifs ” (Voir les informations de support, Figure S1, pour les résultats obtenus en utilisant différentes valeurs de coupure Kd). Les prédicats hors-cible “ actifs ” sont définis comme les cibles de kinase qui possèdent le même nombre de points chauds “ points chauds ” avec des résidus similaires26 conservés au même endroit dans l’alignement du kinome que ceux identifiés pour le complexe inhibiteur de la kinase sous investigation. Il convient de souligner que la conservation des résidus est définie en fonction du type d’interaction [(non) -polaire, électrostatique, etc.] avec l’inhibiteur plutôt que la propriété de résidu réelle qui est utilisée classiquement. La figure 11 montre la courbe d’histogramme pour le nombre de cibles de kinases observées actives expérimentalement (barres vertes) et prédites comme étant actives sur le plan informatique (barres jaunes) pour 20 complexes inhibiteurs de kinase étudiés ici (voir également le tableau S2 dans les informations de support). Les résultats pour les conformations actives (DFG-in, Figure ​ Figure1a) 1a) et inactives (DFG-out; Figure ​ Figure1b) 1b) kinase sont discutés séparément.Figure 1Nombre de cibles de kinases prédites actives (jaune), classés comme expérimentalement actifs (Kd ≤ 100 nM; vert) et les vrais positifs (bleus) sont montrés pour les inhibiteurs de kinase liés aux conformations DFG-in (a) ou DFG-out (b) kinase. La précision de prédiction globale de ∼ 90% (reconnaissant expérimentalement “ active ” “ inactive ” correctement) et la spécificité (reconnaissant expérimentalement “ inactive ” les 10 inhibiteurs liés au DFG-in suggèrent que les résultats de prédiction sont comparables aux expériences (Figure ​ (Figure 1a) .1a). Bien qu’un nombre élevé de faux positifs soit prévu pour le LY-333531 et le géfitinib, la plupart des actifs expérimentaux sont en effet capturés. En dehors de ces deux cas, l’approche BSS ne surestime pas le nombre d’actifs kinases plausibles hors-cible pour les inhibiteurs considérés dans cette étude. Même pour l’inhibiteur de la promiscuité comme la staurosporine, les prédictions sont assez conservatrices par rapport au nombre de cibles de kinases actives rapportées expérimentalement. De manière similaire, la prédiction capte de manière appropriée des inhibiteurs hautement sélectifs tels que l’erlotinib, le VX-745, le VX-680 et le SB-203580 sans perte importante de mauvaises prédictions (Tableau 1). Parmi tous les inhibiteurs considérés dans cette classe, la roscovitine, de loin, présentait la meilleure affinité la plus faible (Kd ∼ 260 nM; Tableau 1) rapportée pour CSNK1D et avait seulement 11 données de réponse à la dose rapportée. La prédiction BSS capte extrêmement bien cette caractéristique et suggère que le composé soit actif contre une autre cible en dehors du cocrystal, ce qui est encore un faux positif. Ce taux de succès global de prédiction fournit clairement un avantage dans l’identification des inhibiteurs sélectifs de kinase (si nécessaire) et peut distinguer de manière fiable les inhibiteurs qui démontrent une activité de kinase à large spectre.Figure ​ Figure1b1b montre le résultat pour les six inhibiteurs liés à la forme kinase inactive . Comme dans les cas précédents, l’étendue de la sélectivité pour un inhibiteur relativement proche comme le sunitinib et un inhibiteur hautement sélectif comme le lapatinib est bien capturée par les prédictions (Tableau 1) péristaltisme. En outre, le BIRB-796 et le sorafenib, tous deux avec de bons profils de sélectivité, selon leurs activités contre 9 sur 283 et 15 sur 342 cibles kinases testées, sont raisonnablement bien prédits (Figure S1 et Tableau S2 dans les Informations complémentaires).La cohérence des résultats de prédiction lors de l’utilisation de différents cocomplexes inhibiteurs de la kinase est étudiée en utilisant l’imatinib. Figure ​ Figure1b1b montre les résultats pour l’imatinib en utilisant ABL1, ABL2, cKIT, P38A et LCK. L’inhibiteur est lié à la conformation DFG-out dans l’ensemble des cinq kinases ci-dessus avec des modes de liaison presque identiques. Cependant, le nombre de résidus de points chauds identifiés dans chaque cas varie de 15 à 18, avec seulement neuf résidus de points chauds communs à l’ensemble des cinq structures de rayons X (Tableau S3 dans les Informations complémentaires). En dépit de ces différences, trois des structures de départ des rayons X capturent complètement les mêmes neuf cibles kinases expérimentalement actives (figure S1 dans l’information de support), tandis que les deux structures de rayons X restantes récupèrent cinq des neuf cibles kinases expérimentalement actives. avec succès. Un total de ∼ 50 cibles uniques sont prédites par l’utilisation des cinq structures de rayons X différentes (figure S3 dans les informations de support). Ceci est réduit à ∼ 20 cibles (minimisant les faux positifs) si une approche consensuelle est utilisée, et la même chose est recommandée lorsque plusieurs structures de rayons X sont disponibles pour le même inhibiteur de kinase. Les prédictions actuelles suggèrent également que l’imatinib préférerait être lié à la conformation DFG-out dans les kinases LYN, FYN, SNF1LK, SNF1LK2, STK36 et YES1 car les prédictions sont cohérentes entre les cinq cibles radiographiques DFG-out utilisées dans cette étude (figure S3 dans les informations de support). Ceci met clairement en évidence l’avantage de l’utilisation de l’approche actuelle par rapport à ceux rapportés dans la littérature pour identifier les inhibiteurs qui sont liés à l’une des deux conformations de kinases possibles. Dans le cas de l’imatinib, l’inhibiteur est lié exactement de la même manière. même position (presque superposable) dans tous les cinq différents cocomplexes de rayons X; par conséquent, les résultats sont cohérents. Cependant, il faut faire preuve de prudence lors de l’extrapolation universelle de ces observations contre d’autres inhibiteurs de kinases connus liés à plusieurs kinases et où l’inhibiteur peut être lié légèrement différemment dans les différents cocomplexes (d’après les résultats non publiés du sorafenib). L’approche actuelle suppose que l’inhibiteur est lié exactement de la même manière et dans la même orientation dans toutes les cibles kinases. Cependant, la plasticité des résidus du site de liaison et la flexibilité de la chaîne latérale qui permet des interactions meilleures / pires avec l’inhibiteur ne sont pas capturées en utilisant un seul cocomplexe de rayons X comme référence pour le kinome entier. x0223c; 90% mettent en évidence l’application réussie de l’approche BSS dans la prédiction de la carte de sélectivité de l’inhibiteur de kinase contre une majorité des cibles de kinome humain (Tableau S2 dans les Informations de Support). Les résultats de prédiction sont également relativement insensibles aux autres types de seuils de coupure utilisés pour classer l’activité expérimentale (figure S1 dans les informations de support). À notre connaissance, c’est la première fois dans la littérature où une comparaison systématique d’expériences et de prédictions est rapportée pour la majorité des cibles de kinomes humains. Contrairement à une approche QSAR typique, le paradigme actuel n’utilise aucune information expérimentale pour la construction de modèles ou la génération d’hypothèses qui pourraient ensuite être utilisées pour des prédictions. Nous croyons que le succès de l’approche actuelle réside principalement dans notre capacité à traiter convenablement le microenvironnement du ligand. Les points chauds sont identifiés par l’évaluation quantitative de la contribution des résidus à l’énergie de liaison et sa décomposition en leurs composantes électrostatiques et (non) -polaires correspondantes ainsi qu’en utilisant le type d’interaction ci-dessus pour obtenir des profils de conservation des résidus sur les autres résidus La poursuite de l’analyse des résidus de points chauds, en particulier pour le sunitinib et le géfitinib, montre que la procédure actuelle a identifié des résidus de sites de liaison qui sont également touchés par la plupart des inhibiteurs considérés ici (Tableau S4 dans le Information). Ceci explique en partie la sur-prédiction de “ active ” Les cibles kinases, car aucun résidu ligand spécifique / sélectif n’a été identifié comme un point chaud de liaison.En l’identifiant comme un point chaud pour la plupart des inhibiteurs étudiés ici, le présent résultat met l’accent sur la pertinence du résidu porte-gardien clé rapporté dans la littérature2 , 28 (Tableau S4 dans les Informations complémentaires). Les résidus de point chaud identifiés révèlent également qu’il y a très peu de résidus qui sont constamment frappés par tous les inhibiteurs, et la majorité des ligands voient les résidus environnants différemment, bien qu’occupant le site de liaison de l’ATP.En outre, la présente étude démontre clairement qu’il existe plusieurs résidus de sites de liaison importants sur le plan énergétique, à l’exception des six résidus (porte-barrière, deux de la charnière et trois de la boucle riche en glycine) que Sheridan et al.24 identifient comme importants pour l’ensemble de données Karaman et al.25 utilisé dans leur enquête. Par exemple, 10 points chauds de liaison sont identifiés pour les inhibiteurs liés à la conformation kinase inactive (excepté le sunitinib) avec plusieurs d’entre eux non identifiés dans Sheridan et al. study24 (Tableau S4 dans l’Information de Support). Alors que tous les inhibiteurs considérés dans cette étude ont été comparés aux 283 kinases pour lesquelles des données expérimentales consistantes étaient disponibles, 25 une étude récente par le même groupe a augmenté le nombre de kinases à 359 les résultats pour sunitinib et sorafenib.29 Parmi cet ensemble, 59 cibles supplémentaires pourraient être mappées de façon fiable à l’alignement de kinome. Les prédictions ont été capables de capturer avec succès les cibles 6/12 kinases (CHEK2, IRAK, MAP3K2, ULK1, ULK3 et YSK4) pour le sunitinib. Sorafenib, d’autre part, était inactif contre 58 des 59 cibles supplémentaires, et les prédictions capturé correctement tous les inactifs. Ce succès nous permet de proposer le criblage des autres inhibiteurs considérés dans cette étude contre seulement un sous-panneau des 59 kinases supplémentaires pour lesquelles les prédictions sont positives (Tableau S5 dans l’Information de Support). Par exemple, l’erlotinib, le flavopiridol, le VX-680, le VX-745 et le lapatinib devraient être inactifs contre l’ensemble des 59 cibles supplémentaires, alors qu’une Ser / Thr-kinase comme QSK (ou SIK3) serait fortement inhibée par LY- 333531, le dasatinib, l’imatinib, le SB-203580 et le géfitinib. En effet, une publication très récente d’un groupe différent indique que le dasatinib interagit avec QSK, 30 fournissant un élan supplémentaire pour vérifier les autres prédictions. Les corrélations qui démontrent des corrélations décentes à des résultats expérimentaux déjà connus permettent une nouvelle identification des cibles pour les inhibiteurs existants ou dans la réorientation d’inhibiteur (s) connu (s) sur la base du potentiel thérapeutique validé pour la (les) nouvelle (s) cible (s) kinase (s). De manière prospective, nous fournissons les prédictions pour les 15 inhibiteurs de kinases sur des cibles de ∼ 150 pour lesquelles les valeurs Kd expérimentales ne sont toujours pas disponibles (Tableau S6 dans les Informations de Support). Plusieurs de ces kinases ne contiennent pas d’inhibiteurs de petites molécules décrits dans la littérature, et les inhibiteurs poursuivis dans cette étude pourraient servir d’outils pour étudier ces kinases.31En résumé, l’approche BSS a été validée avec succès grâce à un ensemble de données expérimentales cohérentes. cette procédure de modélisation semi-automatique doit être couramment utilisée dans un contexte de découverte pour la prédiction de la sélectivité potentielle de l’inhibiteur de kinase en utilisant les inhibiteurs cocristallisés de la kinase. L’automatisation réalisée dans ce flux de production in silico permet une évaluation rapide de l’activité de la kinase hors cible par rapport à un grand nombre d’inhibiteurs de kinases cocristallisés. La procédure est également capable de prédire de façon fiable le profil de sélectivité des inhibiteurs de la promiscuité kinase comme la staurosporine et des inhibiteurs hautement sélectifs comme le lapatinib (Figure 1) et de distinguer les profils de sélectivité pour les inhibiteurs liés soit au DFG-in ou la conformation de la kinase DFG-out avec des précisions similaires. La précision et la spécificité globales de prédiction de 90% reflètent le résultat statistique décent obtenu grâce à la procédure de modélisation actuelle. Le développement réussi des inhibiteurs de petites kinases repose sur l’identification de ligands appropriés présentant une activité contre une combinaison sélectionnée de kinases2,32 le mécanisme / réseau de la maladie. En validant avec succès l’approche actuelle avec des données expérimentales étendues et une comparaison individuelle sur la majorité des cibles kinomatiques humaines, des outils de calcul bien validés sont maintenant disponibles pour faciliter l’identification des inhibiteurs, démontrant un profil d’inhibition multikinase ciblé.33 Indirectement, l’approche actuelle vise également à éliminer potentiellement les cibles de kinases indésirables qui pourraient se manifester par la suite dans l’attrition clinique.34