Abstrak

Farmakologi selama 100 tahun terakhir memiliki tradisi yang kaya dari para ilmuwan dengan
kemampuan untuk membentuk hubungan kualitatif atau semiquantitative antara struktur molekul
dan aktivitas di cerebro. Untuk menguji hipotesis ini mereka secara konsisten menggunakan alat
farmakologi tradisional seperti in vivo dan model in vitro. Lebih dari satu dekade terakhir, kami telah
melihat bahwa metode komputasi (in silico) telah dikembangkan dan diterapkan pada
pengembangan dan pengujian hipotesis farmakologi. Metode in silico ini termasuk database,
hubungan struktur-aktivitas kuantitatif, farmakophores, model homologi dan pendekatan
pemodelan molekuler lainnya, pembelajaran mesin, penggalian data, alat analisis jaringan dan alat
analisis data yang menggunakan komputer. Metode in silico terutama digunakan bersamaan dengan
pembangkitan data in vitro untuk membuat model dan mengujinya. Model-model tersebut telah
sering digunakan dalam penemuan dan pengoptimalan molekul baru dengan afinitas terhadap
target, klarifikasi penyerapan, distribusi, metabolisme, ekskresi dan sifat toksisitas serta karakterisasi
fisikokimia. Tujuan dari tinjauan ini adalah untuk mengilustrasikan beberapa metode in silico untuk
farmakologi yang digunakan dalam penemuan obat. Penerapan lebih lanjut dari metode-metode ini
ke target-target spesifik dan keterbatasannya akan dibahas dalam bagian yang menyertai kedua dari
tinjauan ini.

Pendahuluan

Istilah 'in silico' adalah kata modern yang biasanya digunakan untuk mengartikan eksperimentasi
yang dilakukan oleh komputer dan terkait dengan istilah biologis yang lebih dikenal dalam vivoandin
vitro. Sejarah istilah 'in silico' tidak terdefinisi dengan baik, dengan beberapa peneliti mengklaim
peran mereka dalam asal-usulnya. Namun, beberapa contoh yang paling awal diterbitkan dari
theword termasuk penggunaan oleh Sieburg (1990) dan Danchinet al. (1991).

Dalam silicopharmacology (juga dikenal sebagai computationaltherapeutics, computational

pharmacology) adalah area tumbuh cepat yang secara global meliputi pengembangan teknik untuk
menggunakan perangkat lunak untuk menangkap, menganalisis dan mengintegrasikan data biologis
dan medis dari banyak sumber. Lebih khusus lagi, ia mendefinisikan penggunaan informasi ini dalam
pembuatan model komputasi atau simulasi yang dapat digunakan untuk membuat prediksi,
menyarankan hipotesis, dan pada akhirnya memberikan penemuan atau kemajuan dalam
pengobatan dan terapi. Waktu dan sekali lagi telah dinyatakan bahwa industri yang sukses
perusahaan adalah mereka yang mengelola informasi sebagai sumber daya utama. Kita dapat
mengulangi ini untuk penemuan obat, yang merupakan penanganan informasi yang sangat kompleks
dan latihan interpretasi. Dengan begitu banyak informasi yang toprocess, kita harus dapat
menemukan jalan pintas atau therules yang akan mengarahkan kita secepat mungkin ke target dan
molekul yang kemungkinan akan melanjutkan ke klinik kemudian menutup pasar. Metode-metode
komputasi atau silicomethods membantu kami untuk membuat keputusan dan mensimulasikan
hampir setiap temuan dan pengembangan obat (Swaan dan Ekins, 2005), yang menggerakkan
industri farmasi lebih dekat ke disiplin berbasis rekayasa. Sebagai contoh, kita dapat memetik ide
atau molekul menggunakan skrining virtual (Lengaueret al., 2004; Shoichet, 2004) seperti yang
dijelaskan kemudian.

Secara simetris, sistem biologis bertindak pada xenobiotik dengan menyerap, mendistribusikan,
memetabolisme, dan mengeluarkannya. Ini adalah acara farmakokinetik (PK). Tetapi orang harus
menghargai bahwa kedua aspek perilaku xenobiotik ini saling bergantung tak terpisahkan. Absorpsi,
distribusi dan eliminasi jelas akan memiliki pengaruh yang menentukan pada intensitas dan durasi
efek PD, sedangkan biotransformasi akan menghasilkan metabolit yang mungkin memiliki efek PD
yang berbeda dari mereka sendiri. Sebaliknya, dengan efek PDnya sendiri, senyawa dapat
mempengaruhi keadaan organisme (misalnya, perubahan hemodinamik dan aktivitas enzim) dan
karenanya kapasitasnya untuk menangani xenobiotik. Hanya pendekatan sistemik yang digunakan
dalam pemodelan PK / PD dan dalam farmakologi klinis mampu menghargai sifat global
interdependensi ini. Untuk memperjelas diskusi ini, mungkin berguna untuk menunjuk sebagai
target berbagai komponen biologis yang menimbulkan peristiwa PD setelah interaksi mereka dengan
obat atau xenobiotik lainnya. Target tersebut termasuk reseptor, saluran ion, asam nukleat, enzim
anabolik dan katabolik, dan sebagainya. Demikian pula, seseorang dapat merujuk ke agen untuk
komponen biologis (enzim xenobioticmetabolising, transporter, protein beredar, membran, dan
sebagainya) yang bertindak pada obat dengan metabolising, mengangkut, mendistribusikan atau
mengeluarkan mereka.

Sejarah dan evolusi dalam pendekatan silico

Desain obat dan disiplin terkait dalam penemuan obat tidak menunggu munculnya informatika
untuk dilahirkan dan tumbuh sebagai ilmu. Sebagaimana yang telah dirangkum oleh Albert (1971,
1985), intuisi awal dan wawasan dalam relasi struktur-aktivitas dapat ditelusuri ke abad kesembilan
belas. Hubungan antara aktivitas dan sifat fisikokimia secara mantap ditetapkan oleh Meyer (1899)
dan Overton (1901), yang mengusulkan 'teori lipoid tentang depresi seluler' sehingga semakin tinggi
koefisien partisi antara pelarut lipid dan air, semakin besar depresan tindakan. Kertas-kertas
semacam itu membuka jalan bagi pengakuan lipofilisitas dan sifat-sifat elektronik sebagai penentu
utama tanggapan PD dan PK, sebagaimana yang diilustrasikan dengan baik oleh pembuatan zaman
dan masih berlangsungnya karya Corwin Hansch (Hansch dan Fujita, 1964; Hansch, 1972), pendiri
desain obat.

Pelopor lain (misalnya, Crum Brown dan Fraser; ditinjau oleh (Albert, 1971)) melihat bahwa struktur
kimia (yaitu, sifat dan konektivitas atom dalam suatu molekul, sebenarnya struktur dua dimensi (2D)
dari senyawa) juga memainkan peran penting dalam aktivitas farmakologis. Lompatan konseptual
dari 2D ke struktur tiga dimensi (3D) berutang banyak pada karya Cushny (1926), yang bukunya
meringkas kehidupan yang didedikasikan untuk hubungan antara enansiomerisme dan bioaktivitas.
Visi ini diperluas pada pertengahan abad kedua puluh oleh penemuan efek konformasi pada
bioaktivitas (Burgen, 1981).

Sejalan dengan pemahaman kami yang berkembang tentang konsep struktur molekuler, beberapa
peneliti visioner pada akhir abad 19 dan awal abad ke-20 (misalnya, John Langley, Paul Ehrlich dan
Alfred Clark; ditinjau oleh (Arîens, 1979; Parascandola, 1980) dikembangkan konsep reseptor, yaitu
target aksi obat.Para analogi antara reseptor dan enzim diuraikan oleh Albert (1971).

Hubungan struktur-aktivitas kuantitatif

Masa pertumbuhan farmakologi in silico dapat didirikan pada awal 1960-an ketika hubungan
kuantitatif antara struktur kimia dan efek PD dan PK dalam sistem biologis mulai diresmikan dengan
cara komputasi. Sejak itu, analisis dan pengakuan QSAR telah menjadi komponen penting dari kimia
obat dan farmakologi modern. Fokus awal adalah dalam menyediakan perkiraan komputasi untuk
bioaktivitas molekul (Hansch dan Fujita, 1964). Dengan demikian, dalam jeda yang jelas dari
nomenklatur, setiap upaya yang dilakukan untuk membangun hubungan antara struktur kimia dan
efek biologis (yang menjadi aktivitas, toksisitas, penyerapan, distribusi, metabolisme, ekskresi dan
toksisitas (ADME / Tox) atau sifat fisiko-kimia ) akan secara umum disebut dalam ulasan ini sebagai
QSAR, untuk kejelasan.

Metode berdasarkan deskriptor. Aspek kunci dalam QSAR adalah penggunaan deskriptor molekuler
sebagai representasi numerik dari struktur kimia. Jumlah dan tipe deskriptor molekuler besar dan
bervariasi (Karelson, 2000; Todeschini dan Consonni, 2000) dan dengan demikian prosedur untuk
memilih yang paling relevan untuk pemodelan efek biologis yang menarik sangatlah penting
(Walters dan Goldman, 2005). Pendeskripsi molekuler biasanya diklasifikasikan menurut dimensi
dari representasi kimia dari mana mereka dihitung (Xue dan Bajorath, 2000). Atas dasar ini,
deskriptor satu dimensi menyandikan sifat-sifat generik numerik seperti berat molekul, reflektifitas
molar dan koefisien partisi oktanol / air, menawarkan refleksi yang adil dari ukuran, bentuk dan
lipofilisitas molekul. Meskipun dimensi rendah mereka, beberapa deskriptor ini telah dikaitkan
dengan karakter seperti-obat-seperti molekul (Lipinski et al., 1997) dan dengan demikian sering
ditemukan sebagai deskriptor yang relevan secara biologis dalam persamaan QSAR (Hansch et al.,
2002). Di sisi lain, deskriptor 2D dihitung dari representasi topologi molekul (Gozalbes et al., 2002).
Model-model yang dibangun dari deskriptor ini biasanya disebut sebagai 2D-QSAR, sebuah
metodologi yang secara luas ditetapkan baik dalam memprediksi sifat fisikokimia maupun dalam
memberikan estimasi kuantitatif berbagai efek biologis (Dudek et al., 2006).

Penyaringan ligan virtual

Proses skor dan peringkat molekul di perpustakaan kimia besar sesuai dengan kemungkinan mereka
memiliki afinitas untuk target tertentu, umumnya disebut sebagai skrining virtual (Oprea dan
Matter, 2004). Dalam hal ini, skrining virtual dapat dianggap sebagai upaya untuk memperluas
konsep QSAR, awalnya berfokus pada kumpulan kecil senyawa congeneric, sepanjang dimensi kimia
yang didefinisikan oleh molekul sintesa yang ada serta molekul yang dapat disintesis yang masuk
akal. Istilah itu sendiri diciptakan pada akhir 1990-an ketika metode berbasis komputer mencapai
kematangan yang cukup untuk menawarkan alternatif untuk teknik skrining highthroughput
eksperimental (HTS) yang memiliki kinerja yang mengecewakan lebih miskin dan biaya yang lebih
tinggi daripada yang diantisipasi (Lahana, 1999). Selama bertahun-tahun, industri farmasi telah
belajar menerima virtual itu

metode skrining memang bisa menjadi pelengkap yang efisien

HTS (Stahura dan Bajorath, 2004) sampai pada titik bahwa mereka tidak diragukan lagi telah menjadi
bagian integral dari proses generasi memimpin saat ini (Bajorath, 2002; Bleicher et al., 2003).
Berbeda dengan HTS berbasis teknologi, skrining virtual adalah pendekatan berbasis pengetahuan
yang memerlukan informasi struktural baik pada ligan bioaktif untuk target minat (penyaringan
virtual berbasis ligan) atau pada target itu sendiri (penargetan virtual berbasis target). Studi
komparatif telah menyarankan bahwa informasi tentang target yang diperoleh dari ligan bioaktif
yang diketahui sama berharganya dengan pengetahuan tentang struktur target untuk
mengidentifikasi perancah bioaktif baru melalui penyaringan virtual (Evers et al., 2005a; Zhang dan
Muegge, 2006). Oleh karena itu, pilihan akhir untuk metode yang digunakan pada akhirnya akan
tergantung pada jenis dan jumlah informasi yang tersedia tanpa suatu apriori memiliki dampak besar
pada kinerja.

Metode berbasis ligan. Beragam metode penyaringan virtual berbasis ligan ada. Tingkat
kecanggihan mereka, dan dengan demikian biaya komputasi akhir mereka, sangat tergantung pada
jenis informasi struktural yang digunakan (Lengauer et al., 2004). Semua metode ini bergantung
pada prinsip kesamaan-properti pusat yang menyatakan bahwa molekul serupa harus menunjukkan
sifat yang sama (Johnson dan Maggiora, 2006) dan dengan demikian perhitungan kesamaan kimia
berada pada inti dari skrining virtual berbasis ligan (Willett et al., 2003) . Dengan demikian, semua
molekul dalam database tertentu dapat dinilai relatif terhadap kesamaan dengan satu atau
beberapa ligan bioaktif dan kemudian peringkat untuk mencerminkan kemungkinan menurun
menjadi aktif. Metode-metode ini umumnya memberikan pengayaan signifikan atas pemilihan acak
molekul dalam database. Setelah prosedur ini, molekul skor teratas dapat diprioritaskan untuk
masuk ke pengujian eksperimental dan dengan demikian mewakili strategi hemat biaya dalam
program penemuan obat.

Dari representasi struktur yang berbeda yang digunakan untuk penyaringan virtual berbasis ligan,
sidik jari topologi yang mengkodekan keberadaan fragmen substruktural dalam molekul sejauh ini
adalah yang paling umum digunakan (Hert et al., 2004). Masih pada tingkat topologi, penggunaan
distribusi pasangan fitur berpusat-atom juga telah terbukti sangat efektif dalam berbagai aplikasi
penyaringan virtual (Schneider et al., 1999; Schuffenhauer et al., 2003; Gregori-Puigjane dan
Mestres, 2006). Berbeda dengan pendekatan topologi, metode berdasarkan representasi geometri
struktur molekul dapat digunakan sebagai gantinya. Di antara mereka, superposisi fleksibel molekul
ke satu atau beberapa konformasi dari referensi ligan bioaktif adalah metodologi mapan dalam
skrining virtual (Lemmen dan Lengauer, 2000; Mestres dan Veeneman, 2003; Jain, 2004).

Mungkin metode yang paling banyak digunakan membutuhkan 3D

representasi struktur molekul adalah mereka yang mengeksploitasi

konsep kesamaan farmakofora (Mason et al.,

2001). Menurut definisi, farmakofora adalah pengaturan 3D

fitur molekuler yang diperlukan untuk bioaktivitas (Wermuth et al., 1998) dan metodologi yang
mendasari telah banyak dijelaskan (Martin, 1992, 1993; Guner, 2000; Langer dan Hoffman, 2006).
Meskipun awalnya lambat untuk mendapatkan pijakan industri, pendekatan farmakofora kemudian
telah diterapkan ke banyak target terapeutik untuk skrining virtual database senyawa (Sprague,
1995; Barnum et al., 1996; Sprague dan Hoffman, 1997). Aplikasi yang berhasil dari penggunaan
pharmacophores dalam screening virtual termasuk identifikasi hit untuk berbagai target seperti
protein kinase C (Wang et al., 1994), farnesyltransferase (Kaminski et al., 1997), HIV integrase
(Nicklaus et al. ., 1997; Carlson et al., 2000), antagonis reseptor gen diferensiasi endotelial (Koide et
al., 2002), antagonis urotensin (Flohr et al., 2002), antagonis CCR5 (Debnath, 2003) dan penemuan
inhibitor proliferasi sel mesangial. (Kurogi et al., 2001), untuk menyebutkan beberapa.
Pharmacophores juga telah dihasilkan untuk banyak protein terkait ADM / Tox (Ekins dan Swaan,
2004). Upaya ini menunjukkan bahwa berbasis farmakofora

pendekatan mungkin memiliki banyak keserbagunaan dan penerapan untuk digunakan dengan
target biologis yang sulit. Metode yang lebih baru untuk mengekstraksi ligan pharmacophores dari
rongga-rongga protein juga telah muncul baru-baru ini (Wolber dan Langer, 2005) yang dapat
memfasilitasi pembentukan farmakofor untuk beberapa target dan pemeriksaan selektivitas
farmakofor simultan.

Metode berbasis target. Metode skrining virtual berbasis target bergantung pada ketersediaan
informasi struktural dari target, baik yang ditentukan secara eksperimental atau diperoleh secara
komputasi melalui teknik pemodelan homologi (Shoichet, 2004; Klebe, 2006). Metode-metode ini
bertujuan untuk menyediakan, di satu sisi, perkiraan yang baik dari konformasi dan orientasi yang
diharapkan dari ligan ke dalam rongga protein (docking) dan, di sisi lain, estimasi yang wajar dari
afinitas pengikatannya (scoring). Meskipun konsep yang menarik, docking dan scoring ligan di lokasi
target masih merupakan proses yang menantang setelah lebih dari 20 tahun penelitian di lapangan
(Kitchen et al., 2004; Ghosh et al., 2006; Leach et al., 2006) dan kinerja implementasi yang berbeda
telah ditemukan sangat bervariasi tergantung pada target yang diberikan (Cummings et al., 2005).
Untuk mengatasi situasi ini, penggunaan koreksi beberapa situs aktif telah disarankan untuk
memperbaiki bias liganddependen dalam fungsi penilaian (Vigers dan Rizzi, 2004) dan penggunaan
berbagai fungsi scoring (penilaian konsensus) juga telah direkomendasikan untuk meningkatkan
pengayaan benar positif dalam skrining virtual (Charifson et al., 1999). Juga, karena jumlah kompleks
protein-ligan yang tersedia terus bertambah, metode docking mulai menggabungkan semua
informasi yang berasal dari konformasi yang diadopsi oleh ligan terikat protein sebagai strategi
berbasis pengetahuan untuk memperbaiki beberapa keterbatasan fungsi penilaian saat ini. dan aktif
memandu orientasi ligan ke dalam rongga protein (Fradera dan Mestres, 2004). British Journal of
Pharmacology (2007) 152 9-20 Meskipun semua keterbatasan ini, skrining virtual berbasis target
telah mendapatkan reputasi dalam berhasil mengidentifikasi dan menghasilkan senyawa bioaktif
baru. Sebagai contoh, penggunaan potensi berbasis pengetahuan (SMOG) dalam protein-ligand
docking, menghasilkan identifikasi ligan picomolar baru untuk manusia karbonat anhidrase II
(Grzybowski et al., 2002). Metode docking juga telah menghasilkan penemuan inhibitor baru untuk
beberapa target kinase, termasuk kinase yang bergantung pada cyclin, reseptor faktor pertumbuhan
epidermal dan reseptor faktor pertumbuhan endotel vaskular 2 kinase antara lain (Muegge dan
Enyedy, 2004). Akhirnya, penerapan metode docking ke target yang strukturnya ditentukan secara
eksperimental tidak tersedia namun telah mendapatkan perhatian yang besar dalam beberapa
tahun terakhir, terutama untuk banyak target relevansi terapeutik milik superfamili reseptor G-
protein-coupled (GPCR) (Bissantz). et al., 2003). Dalam kasus ini, informasi struktural dihasilkan
secara komputasional dengan memodelkan struktur target bunga berdasarkan struktur template
dari target terkait, termasuk seringnya informasi tentang ligan sebagai pengekangan (Evers et al.,
2003). Strategi tersebut telah menghasilkan identifikasi sukses antagonis baru untuk neurokinin-1
dan reseptor a1A-adrenergik (Evers dan Klebe, 2004; Evers dan Klabunde, 2005b).
Profil afinitas virtual

Jika penyaringan ligan virtual memperluas QSAR sepanjang dimensi kimia, tren terkini dalam
profiling afinitas virtual menambahkan dimensi biologis lebih lanjut ke dalamnya. Gelombang
metode baru yang mampu memperkirakan profil farmakologi molekul pada beberapa target telah
dilaporkan baru-baru ini. Janji-janji ini memiliki pengaruh kuat dalam penemuan obat-obatan
sebagai sarana untuk mendeteksi selama proses optimasi potensi efek samping dari senyawa karena
afinitas di luar target (O’Connor dan Roth, 2005; Paolini et al., 2006). Meskipun demikian, harus
diakui bahwa perkembangan metode ini saat ini terutama merupakan konsekuensi dari kemajuan
penting yang dialami oleh beberapa inisiatif terkoordinasi yang didedikasikan untuk pengumpulan
data, klasifikasi dan penyimpanan, baik dalam mengekstraksi data farmakologi untuk ligan maupun
dalam mengumpulkan informasi struktural untuk protein (Mestres, 2004).

Metode berbasis ligan. Pengembangan metode profiling afinitas berbasis ligan telah sangat
diuntungkan dari pembangunan pustaka kimia beranotasi yang menggabungkan data farmakologi
berbasis literatur ke repositori kimia tradisional (Savchuk et al., 2004). Di antaranya, database
WOMBAT (Sunset Molecular Discovery LLC, Santa Fe, NM, USA) memberikan informasi biologis
untuk 120 400 molekul yang dilaporkan dalam jurnal kimia medis selama 30 tahun terakhir. Laporan
Data Obat MDL atau MDDR (Sistem Informasi MDL, San Ramon, CA, USA) mencakup informasi
mengenai tindakan terapeutik dan aktivitas biologis untuk lebih dari 132.000 senyawa yang
dikumpulkan dari literatur, jurnal dan kongres paten. Basis data AurSCOPE (Aureus Pharma, Paris,
Perancis) menawarkan koleksi pustaka kimia yang berisi lebih dari 320.000 molekul yang
dianotasikan menjadi sekitar 300.000 aktivitas biologis yang berkaitan dengan anggota keluarga
protein yang relevan dengan terapi yang tercakup dalam lebih dari 38.000 publikasi. Dan akhirnya
MedChem dan database Target Inhibitor (GVK Biosciences, Hyderabad, India) mengkompilasi sekitar
2 000 000 molekul dengan aktivitas biologis, toksisitas dan informasi farmakologis untuk terapi

keluarga protein yang relevan diekstraksi dari lebih dari 20 000 publikasi. Semua inisiatif anotasi
besar ini akhirnya memungkinkan pengguna akhir untuk menghubungkan molekul kecil untuk
menargetkan protein berdasarkan data yang dipublikasikan dalam publikasi ilmiah. Ini kemudian
tersedia untuk digunakan dalam pembuatan model protein berbasis ligan yang dapat digunakan
untuk profil afinitas virtual (Schuffenhauer dan Jacoby, 2004).

Dalam contoh lebih lanjut, scaffolds yang diekstraksi dari pustaka kimia berbasis literatur dari 1426
molekul yang dianotasikan ke 27 anggota keluarga reseptor nuklir digunakan untuk mengidentifikasi
rangkaian perancah yang paling promiscuous dalam keluarga ini (Cases et al., 2005). Demikian pula,
algoritma identifikasi pola berbasis ontologi digunakan untuk mengidentifikasi hampir 1500 keluarga
perancah dengan hubungan profil struktur-aktivitas yang signifikan secara statistik (Yan et al., 2006).
Penggunaan model farmakofora multistruktur berbasis dibangun untuk berbagai target viral juga
telah diteliti sebagai metode profiling afinitas berbasis ligan untuk memperkirakan profil
farmakologis dari 100 senyawa antivirus (Steindl et al., 2006). Hasilnya menunjukkan profil aktivitas
virtual yang berhasil untuk sekitar 90% dari semua molekul input. Contoh terakhir menggunakan
kumpulan deskriptor baru berdasarkan distribusi berbasis fitur yang berpusat pada atom (Gregori-
Puigjane dan Mestres, 2006) dan database 2033 molekul yang dianotasikan ke 25 reseptor nuklir
untuk memperoleh model pendeskripsi berbasis ligan untuk pembuatan profil. perpustakaan kimia
pada keluarga reseptor nuklir (Mestres et al., 2006). Penerapan pendekatan profiling reseptor nuklir
berbasis ligan ini ke basis data tambahan dari 2944 obat memberikan saran potensi afinitas di luar
target

Metode berbasis target. Pengembangan metode profiling afinitas berbasis target telah mengambil
keuntungan dari cakupan fungsional keluarga protein yang disediakan oleh pertumbuhan hampir
eksponensial dalam jumlah struktur protein yang ditentukan secara eksperimental (Mestres, 2005).
Sayangnya, terutama karena kesulitan teknis (misalnya, protein yang terikat membran), tidak semua
keluarga protein yang relevan dengan terapi saat ini sama-sama ditutupi oleh struktur 3D. Sebagai
contoh, dengan lebih dari 20.000 entri, enzim sejauh ini merupakan keluarga yang paling padat
secara struktural (Garcia-Serna et al., 2006). Sebaliknya, sekitar 200 struktur tersedia untuk reseptor
nuklir dan saluran ion ligandgated, sedangkan hanya segelintir telah diselesaikan untuk GPCRs.
Dalam kasus terakhir, teknik pemodelan homologi diperlukan untuk melengkapi tingkat cakupan
rendah saat ini dari struktur yang ditentukan secara eksperimen dengan model struktur yang
diturunkan secara komputasional (Pieper et al., 2006).

Meskipun sangat menuntut komputasi dibandingkan dengan metode berbasis ligan, aplikasi dari
profil virtual berbasis target (juga disebut sebagai docking terbalik) telah dilaporkan dalam beberapa
tahun terakhir (Toledo-Sherman dan Chen, 2002). Sebagai contoh, prediksi yang masuk akal untuk
scaffold dan preferensi S1 spesifisitas untuk protease serin diperoleh ketika beberapa perpustakaan
kombinatorial merapat terhadap tripsin, chymotrypsin dan elastase (Lamb et al., 2001). Pendekatan
yang sama diterapkan lebih lanjut ke layar hampir tiga perpustakaan terhadap panel enam purin
phosphoribosyltransferases (PRTs) dari spesies yang berbeda, sehingga menimbulkan penemuan
inhibitor micromolar Giardia lamblia guanine PRT (GPRT) yang ditampilkan hingga tujuh selektivitas
ketika diuji di GPRT manusia (Aronov et al., 2001). Skrining virtual sistematis dari perpustakaan yang
terdiri dari 5000 senyawa acak dan 78 ligan aktif yang diketahui terhadap 19 struktur protein yang
mewakili perwakilan dari 10 reseptor nuklir juga dilaporkan (Schapira et al., 2003). Pengayaan antara
33 hingga 100 kali lipat diperoleh untuk semua kecuali satu reseptor dan mengungkapkan bahwa,
untuk ligan tertentu, adalah mungkin untuk mengidentifikasi target yang benar dalam keluarga
reseptor. Namun, diskriminasi yang dapat diandalkan antara isoform reseptor terkait erat tetap
menjadi tantangan. Penerapan pendekatan docking terbalik yang melibatkan penyelarasan bentuk
multi-conformer dari molekul ke rongga protein pada dua agen terapeutik menunjukkan bahwa 50%
target protein potensial yang diidentifikasi oleh komputer diimplikasikan atau dikonfirmasi oleh
percobaan (Chen dan Zhi, 2001b). . Pendekatan yang sama juga digunakan untuk memperkirakan
masalah toksisitas potensial dan untuk identifikasi target protein yang terlibat dalam efek samping
dari molekul kecil, dengan perkiraan tingkat keberhasilan prediksi 83% (Chen dan Ung, 2001a). The
sc-PDB adalah kumpulan 6415 struktur 3D situs pengikatan yang diekstraksi dari Bank Data Protein
(Kellenberger et al., 2006). Memanfaatkan basis data pengikatan situs ini, target asli dari empat ligan
yang tidak terkait dapat diidentifikasi di antara 1% atas situs pengikatan skor, dengan pengayaan 70
sampai 100 kali lipat relatif terhadap skrining acak (Paul et al., 2004). Sebuah metode juga telah
dilaporkan untuk menghitung secara cepat afinitas inhibitor relatif terhadap anggota individu dari
keluarga kinase (Rockey dan Elcock, 2005). Ini diuji pada lima inhibitor kinase yang dikenal, dan
mampu mengidentifikasi target asli yang benar dari inhibitor serta mereproduksi tren eksperimental
dalam afinitas yang mengikat. Sebuah server web untuk docking terbalik baru-baru ini melaporkan
bahwa memungkinkan skrining otomatis molekul kecil melalui database target dari 698 struktur
protein yang meliputi 15 bidang terapeutik (Li et al., 2006).

Visualisasi data

Metode komputasi memiliki potensi untuk menghasilkan prediksi untuk berbagai jenis sifat
farmakologis dan fisikokimia untuk setiap struktur molekul, analisis data tersebut akan menunjukkan
kebutuhan untuk metode multidimensi dan mungkin alat visualisasi canggih untuk penambangan
data (Cheng et al., 2002; Ekins et al., 2002, 2006). Alat yang tersedia secara komersial seperti Diva
dan Spotfire (Ahlberg, 1999) telah banyak digunakan untuk analisis data properti ADME dan
fisikokimia (Ekins et al., 2002, 2006; Stoner et al., 2004) atau diintegrasikan ke dalam sistem
pendukung keputusan kepemilikan ( Rojnuckarin et al., 2005), sedangkan metode yang lebih baru
juga tersedia (Oellien et al., 2005) dengan opsi grafik dan pemfilteran 3D yang serupa. Metode lebih
lanjut seperti pengelompokan hierarchical agglomerative berdasarkan kesamaan struktural 2D,
partisi rekursif, peta Sammon, peta self-organizing dan pemetaan topografi generatif dapat
digunakan dengan prediksi komputasi (Balakin et al., 2005; Kibbey dan Calvet, 2005; Maniyar et al. .,
2006; Yamashita et al., 2006).

Karena molekul mungkin memiliki beberapa efek off-target secara bersamaan akan menjadi penting
untuk memahami bagaimana mereka mengganggu proteom baik sendiri atau dalam kombinasi
(Sharom et al., 2004). Salah satu cara untuk memvisualisasikan target - interaksi molekul adalah
sebagai jaringan protein dan molekul kecil yang direpresentasikan sebagai simpul yang dihubungkan
oleh tepi ketika suatu interaksi di atas suatu afinitas tertentu ada di antara mereka (Ekins dkk.,
2005a, b) atau alternatif target- jaringan berbasis di mana protein disorot ketika mereka ditunjukkan
untuk berinteraksi dengan molekul kecil (Ekins, 2006). Analisis jaringan seperti itu secara tradisional
telah digunakan untuk menempatkan gen dengan data ekspresi ke dalam konteks jalur faktor
transkripsi yang diketahui, berfungsi sebagai metode untuk memahami beberapa interaksi
kompleks. Misalnya, alat yang tersedia secara komersial dapat digunakan untuk menambang
pengetahuan biologi untuk membuat jaringan untuk molekul saja yang mungkin berguna untuk
memahami hubungan antara molekul endogen (Gambar 3a) atau mereka dapat memfasilitasi
visualisasi data ekspresi gen untuk reseptor nuklir yang mengatur metabolisme obat dan toksisitas
(Gambar 3b).

Jenis pendekatan jaringan ini juga dapat membantu merancang obat dengan afinitas untuk beberapa
target (Csermely et al., 2005) atau menghindari anti-target. Sebagai contoh, sebuah jaringan
interaksi antara 25 reseptor nuklir baru-baru ini dibangun atas dasar pustaka kimia beranotasi yang
mengandung 2033 molekul (Mestres et al., 2006). Jaringan ini mengungkapkan potensi farmakologi
silang antara anggota keluarga ini dengan implikasi untuk prediksi efek samping dari molekul kecil.
Kami telah mendiskusikan sebelumnya beberapa tantangan di depan untuk pendekatan jaringan
seperti itu termasuk membandingkan beberapa jaringan (Ekins et al., 2006). Ini bisa menjadi penting
jika kita menggunakan pendekatan jenis ini untuk memvisualisasikan efek molekul pada proteom
yang terhubung dan perbandingan efek molekul terkait atau dosis yang berbeda. Simulasi yang lebih
kompleks dari biologi jaringan mungkin juga penting untuk mengoptimalkan penargetan, tingkat dan
frekuensi pemberian dosis. Sebuah simulasi in silico efek inhibitor (menggabungkan data PK) pada
jalur NF-kB telah menunjukkan potensi yang lebih besar untuk perilaku protein berosilasi untuk
penghambatan hulu protein ini daripada penghambatan langsung. Perilaku seperti itu umum dalam
jaringan dengan umpan balik negatif dan harus dipertimbangkan dan dipahami untuk manfaat
terapeutik maksimal (Sung dan Simon, 2004).

Ringkasan

Bagian pertama dari tinjauan ini telah menjelaskan secara singkat perkembangan farmakologi in
silico melalui pengembangan metode termasuk database, hubungan struktur-aktivitas kuantitatif,
pencarian kesamaan, farmakophor, model homologi dan pemodelan molekuler lainnya,
pembelajaran mesin, penambangan data, alat analisis jaringan. dan alat analisis data yang
menggunakan komputer. Kami telah memperkenalkan bagaimana beberapa metode ini dapat
digunakan untuk penyaringan ligan virtual dan profil afinitas virtual. Meskipun metode ini belum
terbukti untuk 'menemukan narkoba' saja, mereka menunjukkan kemajuan dengan semakin
menunjukkan kemampuan mereka untuk memberikan pengayaan dalam mengidentifikasi molekul
aktif untuk target minat bila dibandingkan dengan pemilihan acak atau metode tradisional lainnya.
Di bagian kedua dari tinjauan, kami akan menjelaskan secara lebih rinci upaya skrining ligan yang
berhasil untuk kelas target tertentu dan kami akan membahas beberapa keuntungan dan kerugian
metode in silico sehubungan dengan metode in vitro dan in vivo untuk penelitian farmakologi.

Metode komputasi (in silico) telah dikembangkan dan diterapkan pada pengembangan dan
pengujian hipotesis farmakologi. Metode in silico ini termasuk database, hubungan struktur-aktivitas
kuantitatif, farmakophores, model homologi dan pendekatan pemodelan molekuler lainnya,
pembelajaran mesin, penggalian data, alat analisis jaringan dan alat analisis data yang menggunakan
komputer. Metode in silico digunakan bersamaan dengan in vitro untuk membuat model pengujian
dan mengujinya. Model-model tersebut telah sering digunakan dalam penemuan dan
pengoptimalan molekul baru dengan afinitas terhadap target, klarifikasi penyerapan, distribusi,
metabolisme, ekskresi dan sifat toksisitas serta karakterisasi fisikokimia. Tujuannya adalah untuk
mengilustrasikan beberapa metode in silico untuk farmakologi yang digunakan dalam penemuan
obat.