Molecular modelling, MM, MD, site_finder. In silico ADME MOO. 106 compounds. Library generation, QM, 350 Molecular Descriptors, Docking.

Dimensione: px

Iniziare la visualizzazioe della pagina:

Download "Molecular modelling, MM, MD, site_finder. In silico ADME MOO. 106 compounds. Library generation, QM, 350 Molecular Descriptors, Docking."

Valentino Simone
7 anni fa
Visualizzazioni

1 Il supercalcolo parallelo al servizio della farmaceutica: DELOS, una piattaforma bioinformatica per il drugdiscovery

3 Mission Aziendale Lo sviluppo su una piattaforma hardware parallela di un software scientifico per il virtual high troughput screening e per il rational drug design Consulenze sulla progettazione di farmaci, l ottimizzazione strutturale delle proteine e la progettazione di nuove librerie di composti

4 Molecular modelling, MM, MD, site_finder 106 compounds In silico ADME MOO Library generation, QM, 350 Molecular Descriptors, Docking 102 compounds potentilally LEADS

5 Innovatività Facilità di installazione: La compilazione e il linking dell intero sistema è automatica per un ampio spettro di modelli di CPU e compilatori Portabilità: client/server multipiattaforma Facilità di estensione: E facile aggiungere nuovi moduli/sezioni senza alterare la struttura generale della piattaforma Parallelismo: i tempi di calcolo scalano linearmente con il numero di processori Modalità user friendly per un utente medio e modalità avanzata a riga di comando per utenti più esperti

6 Delos fa parte del gruppo Eurotech e può contare su un valido appoggio hardware e tecnologico. Le macchine (blade clusters) montano CPU Xeon o Opteron e vengono dedicate alla piattaforma DELOS ottimizzandone l'architettura del file system, la comunicazione di rete e la gestione di spazio disco. In futuro si migrerà verso un architetture diskless con processori dual core a 64 bit. L'ambiente operativo è nativamente Linux; Delos è testato su distribuzioni Red Hat e su tutte le distribuzioni Debian o Debian derived.

7 La gestione del calcolo distribuito è affidata ad un process manager integrato nell'ambiente operativo ed in grado di comunicare con un'interfaccia grafica lato client portabile su ogni sistema (Microsoft, Linux, Unix, Mac). All'utente non si richiede alcuna conoscenza specialistica di calcolo e macchine parallele, tutto è gestito lato server in modo automatico e facilmente configurabile da un amministratore con una formazione minimale. DELOS è una potente piattaforma per calcolo distribuito che può essere utilizzata efficacemente anche da personale non appartenente al settore IT.

8 DELOS Spin off universitaria La piattaforma DELOS nasce nell ottobre del 2004 da un progetto scientifico finanziato dal D.L 297/99 "Riordino della disciplina e snellimento delle procedure per il sostegno della ricerca scientifica e tecnologica, per la diffusione delle tecnologie, per la mobilità dei ricercatori" ; e dal D. M 593/00 Modalità procedurali per la concessione delle agevolazioni previste dal decreto legislativo 27 luglio 1999, n. 297". Brevetto EP con estensione US US11/147,027 La società Delos Srl nasce invece nel mese di marzo 2005

10 Librerie di piccole dimensioni 103 molecole 1. Determinazione e/o ottimizzazione della struttura 3D della proteina target molecolare 2. Identificazione e caratterizzazione dei siti recettoriali della proteina 3. Generazione di librerie virtuali di molecole su scaffolds di riferimento. 4. Determinazione della struttura 3D delle molecole e dei loro descrittori molecolari, inclusi i parametri ADMET 5. Calcolo dell energia di docking dei composti e ranking della libreria Al crescere delle dimensioni della libreria, i tempi di calcolo aumentano velocemente. OCCORRE AMPLIARE QUESTO SCENARIO

11 Schema di DELOS per librerie di grandi dimensioni Selezione di un sottoinsieme rappresentativo TS sulla base della similarità molecolare La dimensione di TS è pari circa al 10% dell intera libreria Calcolo esplicito dell energia di docking dei composti del TS Sviluppo su TS di un modello da MACHINE LEARNING e applicazione del modello a tutti i composti esterni a TS. Valutazione delle energie di docking e selezione di dei best compounds Creazione con metodi di machine learning di un modello basato sul TS. Focalizzazione della sottolibreria con ottimizzazione multiobiettivo includendo le proprietà ADMET Selezione finale di poche molecole ( 102)

12 Generazione delle librerie virtuali a partire da scaffolds Procedimento ispirato alla chimica combinatoriale per la sintesi in silico : permutazione di tutti i sostituenti selezionati sui punti di sostituzione di uno scheletro molecolare di riferimento (scaffold). Partendo da diversi scaffolds, si definiscono per ognuno di questi i punti di attacco per i sostituenti (database di frammenti molecolari) il numero di possibili composti è dato da: ns N mol = n R i=1 Ai

13 Descrittori Molecolari Nella versione attuale di DELOS vengono calcolati ca 350 descrittori molecolari suddivisi nelle seguenti aree Group of Descriptors Descriptors type 52 Descriptors SASA (Solvent Accessible Surface Area) properties 53 Descriptors Van der Waals Volume properties 53 Descriptors Van der Waals Surface properties 27 Descriptors Charge descriptors 18 Descriptors Topological properties (Kier Randic) 46 Descriptors WHIM (Weighted holistic invariant Molecular Descriptors) Constitutional descriptors 97 Descriptors

14 Docking Molecolare DELOS assume che l energia di interazione ligando recettore sia una stima accettabile dell affinità Il docking rigido è l approccio metodologico più semplice: La proteina e ligando mantengono inalterate le loro strutture interne. Sono disponibili in DELOS 4 algoritmi diversi di docking rigido e uno di docking flessibile. La localizzazione e l orientamento del ligando dentro la cavità sono determinati da 6 variabili. Il problema si presta ad essere risolto con ottimizzatori globali.

15 La migliore orientazione del ligando entro la tasca recettoriale (cella cubica associata al sito) si ottiene con Simulated Annealing o Algoritmi Genetici (Ottimizzazione Globale). Questa parte del calcolo è il rate determining step di tutto il procedimento.

16 Necessità di fare ricorso a tecniche di Machine Learning e/o al metodo GRID PROJECTED POTENTIAL (GPP) per la valutazione VELOCE delle energie di docking

17 Metodi di Machine Learning Degli elementi della libreria virtuale ( ) sono note le strutture e i descrittori. per evitare il calcolo esplicito di TUTTE le Edi e condurre lo screening della libreria completa si adotta la seguente strategia: Definizione di un sottoinsieme (TS) di cui sono note le Edi e i Dji. Sviluppo di un classificatore Bayesiano. Le variabili sono i descrittori, la variabile di classe è l energia di docking. Classificatore addestrato su TS, il classifcatore distribuisce i composti entro classi di docking.

23 Performance of different docking algorithms Performance of different docking algorithms PDB Code (No. of atoms) Algen (20 run, 4500 generazioni) SimAnn (25 run, 15 cicli) E (Kcal/mol) RMSD (A) t (s) E (Kcal/mol) RMSD (A) t (s) 1a28 (53) ett (59) fki (70) hak (63) ivb (24) qcf (41) f0r (50) RMSD < 2 RMSD > 2A, correct orientation RMSD > 2A, docking non affidabile

24 DELOS Dock vs UCSF DOCK 6 Method RMSD<2A RMSD>2A, correct orientation clash SimAnn GenAlg Dock Method Energia (Kcal/mol) RMSD (A) t () DOCK nd DELOS Dock GenAlg DELOS Dock SimAnn A28 Cristallo Pose con GenAlg Ottobre Pose con SimAnn

25 Method Energy (Kcal/mol) RMSD (A) t (s) DOCK nd DELOS_Dock_GA DELOS_Dock_SA Exp nd nd

Problema biologico: terapia ormonale sostitutiva Necessità di una terapia ormonale sostitutiva. Terapia classica a base di estrogeni: alto rischio di cancerogenesi.

26 Problema biologico: terapia ormonale sostitutiva Necessità di una terapia ormonale sostitutiva. Terapia classica a base di estrogeni: alto rischio di cancerogenesi. Presenza di due isoforme ERα e ERβ Funzioni riproduttive prevalentemente associate a ERα. Funzioni protettive prevalentemente associate a ERβ. Ricerca di estrogeno agonisti selettivi per ERβ.

27 Identificazione dei SITI con DELOS_SITE MOE Secondo sito X rays: estradiolo ligando

28 Costruzione della libreria: Scaffold estradiol like 5pt di attacco sostituenti 9 totale molecole 3pt di attacco e 10 sostituenti totale 1000 molecole Scaffold tamoxifen like 4pt di attacco sostituenti 10 totale10000 molecole Scaffold genistein like 3pt di attacco sostituenti 10 totale1000 molecole Scaffold raloxifen like 3pt di attacco sostituenti 10 totale1000 molecole

29 Molecule_ID Erα Erβ EST 481 0,88 7,07 6, ,16 7,02 6, ,39 7, ,36 6,84 7, ,05 7,73 7, ,07 7,96 8, ,72 7,69 8, ,8 9,24 8, ,35 7,18 8, ,16 9,86 8, ,99 9,83 8, ,35 9, ,48 8,01 9, ,19 11,13 9, ,68 8,49 10, ,21 11,01 10, ,27 11, ,62 11,89 10, Ottobre11, Molecole che sul recettore β hanno un energia migliore dell estradiolo e non hanno scarsa interazione sull α

30 I tempi di calcolo determinanti sono quelli relativi alla generazione della libreria virtuale (strutture e descrittori) e alla valutazione delle energie di docking. Calcolo dei descrittori: molecole 2500h, 100d Con DELOS Parallelo 20 nodi <8d Calcolo delle energie di docking sull intera libreria 280d Con DELOS Parallelo 20 nodi 14d Ricorrendo ad un Classificatore Bayesiano o al modello GPP si possono ottenere le energie di docking in 4d. Focalizzazione della libreria (ADME ottimizzazione) 2d TOTALE 24 (14) d

Documenti analoghi

LABORATORIIO IINTERDIIPARTIIMENTALE DII CHIIMIICA COMPUTAZIIONALE 1.1 Hardware 1. Risorse Cluster-α (26 nodi / 54 cpu): 5 nodi AMD Opteron Processor 246, 2Ghz, 2 cpu, 4GB ram HD SATA 80GB; 6 nodi Intel