По всем вопросам звоните:

+7 495 274-22-22

УДК: 577.127.4+577.113.3: 004.94 DOI:10.33920/med-13-2102-01

Компьютерное моделирование взаимодействия флавоноидов с биологическими мишенями

Роман Петрович Терехов аспирант, ФГАОУ ВО «Первый МГМУ им. И. М. Сеченова» Минздрава России (Сеченовский Университет), 119991, г. Москва, ул. Трубецкая, д. 8, +7 965 232 5122, Е-mail: r.p.terekhov@yandex.ru, https://orcid.org/0000-0001-9206-8632
Илья Дмитриевич Никитин студент, ФГАОУ ВО «Первый МГМУ им. И. М. Сеченова» Минздрава России (Сеченовский Университет), 119991, г. Москва, ул. Трубецкая, д. 8, +7 905 061 4451, Е-mail: 89050614451@mail.ru
Амир Халилевич Тальдаев студент, ФГАОУ ВО «Первый МГМУ им. И. М. Сеченова» Минздрава России (Сеченовский Университет), 119991, г. Москва, ул. Трубецкая, д. 8, +7 987 289 9186, Е-mail: t-amir@bk.ru
Ирина Анатольевна Селиванова доктор фармацевтических наук, профессор кафедры органической химии, ФГАОУ ВО «Первый МГМУ им. И. М. Сеченова» Минздрава России (Сеченовский университет), 119991, г. Москва, ул. Трубецкая, д. 8, +7 917 504 7755, Е-mail: irinaselivanova@yandex.ru, https://orcid.org/0000-0002-2244-445X

Компьютерное моделирование — это метод, получивший широкое распространение в научных исследованиях. С каждым годом он приобретает всё большую популярность и становится неотъемлемой частью ряда научных дисциплин, к числу которых относится и медицинская химия. Благодаря этому методу специалисты в области разработки лекарственных препаратов могут предсказывать биологическую активность соединения и его токсичность, исходя из структуры молекулы. Данная работа является систематическим обзором статей, выполненным в соответствии с рекомендациями PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses), и содержит информацию о компьютерном моделировании взаимодействия флавоноидов с биологическими мишенями.

Литература:

1. Тюкавкина Н. А. и др. Современные тенденции создания лекарственных средств на основе флавоноидов // Фенольные соединения: свойства, активность, инновации. — 2018. — С. 526–532.

2. Ilyasov I. R. et al. Three ABTS•+ radical cation-based approaches for the evaluation of antioxidant activity: fast-and slow-reacting antioxidant behavior. Chemical Papers. 2018; 72 (8): 1917–1925.

3. Маркова Е. Ю. и др. Современная антиоксидантная терапия в детской офтальмологии // Эффективная фармакотерапия. 2011; 29: 46–51.

4. Тюкавкина Н. А., Зурабян С. Э., Белобородов В. Л., Лузин А. П., Селиванова И. А., Артемьева Н. Н., Хвостова А. И. Органическая химия: в 2 кн. / под ред. Н. А. Тюкавкиной. — М.: Дрофа, 2008. Т. 2, с. 416.

5. Moher D. et al. Preferred reporting items for systematic reviews and meta-analyses: the PRISMA statement. PLoS med. 2009; 6 (7): e1000097.

6. Shanmugasundaram J. et al. Anxiolytic-like activity of 5-methoxyflavone in mice with in volvement of GABAergic and serotonergic systems-in vivo and insilico evidences. European Neuropsychopharmacology. 2020; 36: 100–110.

7. Taldaev A. Kh. et al. Interaction of taxifolin and P-glycoprotein in silico // Mendeleev 2019, the XI International Conference on Chemistry for Young Scientists. Saint-Petersburg. — 2019. — С. 436.

8. Gacche R. N. et al. Evaluation of selected flavonoids as antiangiogenic, anticancer, and radical scavenging agents: an experimental and in silico analysis. Cell biochemistry and biophysics. 2011; 61 (3): 651–663.

9. Yugandhar P. et al. Isolation, characterization and in silico docking studies of synergistic estrogen receptor a anticancer polyphenols from Syzygium alternifolium (Wt.) Walp. Journal of Intercultural Ethnopharmacology. 2017; 6 (3): 296.

10. Guerrero L. et al. Inhibition of angiotensin-converting enzyme activity by flavonoids: structure-activity relationship studies. PloS one. 2012; 7 (11): e49493.

11. Fang Y. et al. Structure affinity relationship and docking studies of flavonoids as substrates of multidrug-resistant associated protein 2 (MRP2) in MDCK/MRP2 cells. Food chemistry. 2019; 291: 101–109.

12. Ye H. et. al. Food flavonoid ligand structure/estrogen receptor-α affinity relationships — toxicity or food functionality? Food and Chemical Toxicology. 2019; 129: 328–36.

13. Ismail N. A. et al. Molecular docking and molecular dynamics simulation studies to predict flavonoid binding on the surface of DENV2 E protein. Interdisciplinary Sciences: Computational Life Sciences. 2017; 9 (4): 499–511.

14. Trezza A. et al. From in silico to in vitro: a trip to reveal flavonoid binding on the Rattus norvegicus Kir6. 1 ATP-sensitive inward rectifier potassium channel. PeerJ. 2018; 6: e4680.

15. Jouimyi M. R. et al. Molecular docking of a set of flavonoid compounds with Helicobacter pylori virulence factors CagA and VacA. Journal of Herbmed Pharmacology. 2020; 9 (4): 412–419.

16. da Silva E. R. et al. Dietary polyphenols rutin, taxifolin and quercetin related compounds target Leishmania amazonensis arginase. Food & function. 2019; 10 (6): 3172– 3180.

17. Manne M. et. al. Reduction of fluoride toxicity by tamarind components: an in silico study. Fluoride. 2018; 51 (2): 122–136.

18. Mishra S. et al. Restraining pathogenicity in Candida albicans by taxifolin as an inhibitor of Ras1-pka pathway. Mycopathologia. 2017; 182 (11): 953–965

19. Ngwa W. et al. Potential of Flavonoid-Inspired Phytomedicines against COVID-19. Molecules. 2020; 25 (11): 2707.

20. Davis C. K. et al. Taxifolin as dual inhibitor of Mtb DNA gyrase and isoleucyl -tRNA synthetase: in silico molecular docking, dynamics simulation and in vitro assays. In Silico Pharmacology. 2018; 6 (1): 8.

21. Raj U. et al. Flavonoids as multi-target inhibitors for proteins associated with Ebola virus: In silico discovery using virtual screening and molecular docking studies. Interdisciplinary Sciences: Computational Life Sciences. 2016; 8 (2): 132–141.

22. Meenambiga S. S. et al. Antibiofilm activity and molecular docking studies of bioactive secondary metabolites from endophytic fungus Aspergillus nidulans on oral Candida albicans. Journal of Applied Pharmaceutical Science. 2018; 8 (03): 037–045.

23. Rajendran P. et al. Myricetin: versatile plant based flavonoid for cancer treatment by inducing cell cycle arrest and ROS-reliant mitochondria-facilitated apoptosis in A549 lung cancer cells and in silico prediction. Molecular and cellular biochemistry. 2020: 1–12.

24. Haque M. W. et al. Taxifolin inhibits 7, 12-dimethylbenz (a) anthracene-induced breast carcinogenesis by regulating AhR/CYP1A1 signaling pathway. Pharmacognosy magazine. 2017; 13 (Suppl 4): S749.

25. Sun J. et al. Taxifolin is a rat and human 11β-hydroxysteroid dehydrogenase 1 inhibitor as a possible drug to treat the metabolic syndrome. Journal of Functional Foods. 2018; 49: 181–187.

26. Xu Z. et al. Lonicerin, an anti-algE flavonoid against Pseudomonas aeruginosa virulence screened from Shuanghuanglian formula by molecule docking based strategy. Journal of ethnopharmacology. 2019; 239: 111909.

27. Lu J. J. et al. Molecular docking simulation and in vitro studies on estrogenic activities of flavonoids from leaves of Carya cathayensis Sarg. Steroids. 2020; 163: 108726.

28. Esfahani A. N. et al. Flavonoid derivatives for monoamine oxidase — A inhibition. Adv J Chem B. 2019; 1 (1): 17–22.

1. Tyukavkina N. A. et al. Modern trends in the creation of medicines based on flavonoids. Phenolic compounds: properties, activity, innovations. 2018: 526–532.

2. Ilyasov I. R. et al. Three ABTS•+ radical cation-based approaches for the evaluation of antioxidant activity: fast-and slow-reacting antioxidant behavior. Chemical Papers. 2018; 72 (8): 1917–1925.

3. Markova E. Yu. et al. Modern antioxidant therapy in pediatric ophthalmology // Effective pharmacotherapy. — 2011. — №. 29. — С. 46–51.

4. Tyukavkina N. A., Zurabyan S. E., Beloborodov V. L., Luzin A. P., Selivanova I. A., Artemyeva N. N., Khvostova A. I. Organic chemistry in 2 parts / ed. by N. A. Tyukavkina. M.: Drofa, 2008. Volume 2, p. 416.

5. Moher D. et al. Preferred reporting items for systematic reviews and meta-analyses: the PRISMA statement. PLoS med. 2009; 6 (7): e1000097.

6. Shanmugasundaram J. et al. Anxiolytic-like activity of 5-methoxyflavone in mice with in volvement of GABAergic and serotonergic systems-in vivo and insilico evidences. European Neuropsychopharmacology. 2020; 36: 100–110.

7. Taldaev A. Kh. et al. Interaction of taxifolin and P-glycoprotein in silico // Mendeleev 2019, the XI International Conference on Chemistry for Young Scientists. Saint-Petersburg. — 2019. — С. 436.

8. Gacche R. N. et al. Evaluation of selected flavonoids as antiangiogenic, anticancer, and radical scavenging agents: an experimental and in silico analysis. Cell biochemistry and biophysics. 2011; 61 (3): 651–663.

9. Yugandhar P. et al. Isolation, characterization and in silico docking studies of synergistic estrogen receptor a anticancer polyphenols from Syzygium alternifolium (Wt.) Walp. Journal of Intercultural Ethnopharmacology. 2017; 6 (3): 296.

10. Guerrero L. et al. Inhibition of angiotensin-converting enzyme activity by flavonoids: structure-activity relationship studies. PloS one. 2012; 7 (11): e49493.

11. Fang Y. et al. Structure affinity relationship and docking studies of flavonoids as substrates of multidrug-resistant associated protein 2 (MRP2) in MDCK/MRP2 cells. Food chemistry. 2019; 291: 101–109.

12. Ye H. et. al. Food flavonoid ligand structure/estrogen receptor-α affinity relationships — toxicity or food functionality? Food and Chemical Toxicology. 2019; 129: 328–36.

13. Ismail N. A. et al. Molecular docking and molecular dynamics simulation studies to predict flavonoid binding on the surface of DENV2 E protein. Interdisciplinary Sciences: Computational Life Sciences. 2017; 9 (4): 499–511.

14. Trezza A. et al. From in silico to in vitro: a trip to reveal flavonoid binding on the Rattus norvegicus Kir6. 1 ATP-sensitive inward rectifier potassium channel. PeerJ. 2018; 6: e4680.

15. Jouimyi M. R. et al. Molecular docking of a set of flavonoid compounds with Helicobacter pylori virulence factors CagA and VacA. Journal of Herbmed Pharmacology. 2020; 9 (4): 412–419.

16. da Silva E. R. et al. Dietary polyphenols rutin, taxifolin and quercetin related compounds target Leishmania amazonensis arginase. Food & function. 2019; 10 (6): 3172– 3180.

17. Manne M. et. al. Reduction of fluoride toxicity by tamarind components: an in silico study. Fluoride. 2018; 51 (2): 122–136.

18. Mishra S. et al. Restraining pathogenicity in Candida albicans by taxifolin as an inhibitor of Ras1-pka pathway. Mycopathologia. 2017; 182 (11): 953–965

19. Ngwa W. et al. Potential of Flavonoid-Inspired Phytomedicines against COVID-19. Molecules. 2020; 25 (11): 2707.

20. Davis C. K. et al. Taxifolin as dual inhibitor of Mtb DNA gyrase and isoleucyl -tRNA synthetase: in silico molecular docking, dynamics simulation and in vitro assays. In Silico Pharmacology. 2018; 6 (1): 8.

21. Raj U. et al. Flavonoids as multi-target inhibitors for proteins associated with Ebola virus: In silico discovery using virtual screening and molecular docking studies. Interdisciplinary Sciences: Computational Life Sciences. 2016; 8 (2): 132–141.

22. Meenambiga S. S. et al. Antibiofilm activity and molecular docking studies of bioactive secondary metabolites from endophytic fungus Aspergillus nidulans on oral Candida albicans. Journal of Applied Pharmaceutical Science. 2018; 8 (03): 037–045.

23. Rajendran P. et al. Myricetin: versatile plant based flavonoid for cancer treatment by inducing cell cycle arrest and ROS-reliant mitochondria-facilitated apoptosis in A549 lung cancer cells and in silico prediction. Molecular and cellular biochemistry. 2020: 1–12.

24. Haque M. W. et al. Taxifolin inhibits 7, 12-dimethylbenz (a) anthracene-induced breast carcinogenesis by regulating AhR/CYP1A1 signaling pathway. Pharmacognosy magazine. 2017; 13 (Suppl 4): S749.

25. Sun J. et al. Taxifolin is a rat and human 11β-hydroxysteroid dehydrogenase 1 inhibitor as a possible drug to treat the metabolic syndrome. Journal of Functional Foods. 2018; 49: 181–187.

26. Xu Z. et al. Lonicerin, an anti-algE flavonoid against Pseudomonas aeruginosa virulence screened from Shuanghuanglian formula by molecule docking based strategy. Journal of ethnopharmacology. 2019; 239: 111909.

27. Lu J. J. et al. Molecular docking simulation and in vitro studies on estrogenic activities of flavonoids from leaves of Carya cathayensis Sarg. Steroids. 2020; 163: 108726.

28. Esfahani A. N. et al. Flavonoid derivatives for monoamine oxidase — A inhibition. Adv J Chem B. 2019; 1 (1): 17–22.

Компьютерное моделирование — это бурно развивающийся научный метод, позволяющий прогнозировать ход и результат различных процессов за счет использования современных интеллектуальных технологий. Молекулярное моделирование (in silico) является одним из направлений компьютерного моделирования и широко используется в драг-дизайне. Такие методы, как quantitative structure-activity relationship (QSAR), quantitative structure-property relationship (QSPR), structure-activity relationship (SAR), молекулярный докинг, моделирование молекулярной динамики, позволяют выявить потенциальные биологически активные соединения и установить механизмы взаимодействия лигандов с мишенями. Разумеется, успешное прохождение эксперимента, смоделированного на компьютере, не может однозначно гарантировать дальнейшей судьбы биологически активной молекулы как лекарственного средства. И тем не менее благодаря применению молекулярного моделирования можно более четко определить потенциальную область использования соединений и оценить целесообразность проведения дальнейших исследований in vitro и in vivo.

Флавоноиды широко распространены в растительном мире. Данный класс представляет большой интерес для разработки лекарственных средств, поскольку многие представители семейства характеризуются антиоксидантными свойствами, широким спектром биологической активности и высоким профилем безопасности [1–3]. Этот класс соединений принято делить на 12 групп в соответствии со структурой молекулы (рис. 1).

Целью работы является определение тенденций применения методов in silico как инструмента первичного скрининга при создании лекарственных средств на базе флавоноидов.

Обзор выполнен на базе агрегатора научных публикаций Google Scholar в соответствии с рекомендациями PRISMA (Preferred Reporting Items for Systematic Reviews and MetaAnalyses) [5]. Анализу подвергали статьи на русском и английском языках, опубликованные в период с 2016 по 2020 г. В поисковой стратегии использовали следующие ключевые слова: «флавоноид», «молекулярное моделирование», «хемоинформатика», «вычислительная химия», «компьютерное моделирование», «докинг», «молекулярная динамика». Поисковый запрос был сформирован с учетом законов алгебры логики на английском языке: («in silico» OR «molecular modelling» OR «cheminformatics» OR «computational chemistry» OR «molecular simulation» OR «computer simulation» OR «docking» OR «molecular dynamics») AND flavonoid; и русском: («молекулярное моделирование» OR «хемоинформатика» OR «докинг» OR «молекулярная динамика») AND флавоноид.

Для Цитирования:
Роман Петрович Терехов, Илья Дмитриевич Никитин, Амир Халилевич Тальдаев, Ирина Анатольевна Селиванова, Компьютерное моделирование взаимодействия флавоноидов с биологическими мишенями. Фармацевтическое дело и технология лекарств. 2021;2.
Полная версия статьи доступна подписчикам журнала
Язык статьи:
Действия с выбранными: