Knowledge-based Optimization of Protein-Ligand-Complex Geometries

Ziel dieser Arbeit war die Entwicklung eines Programms zur Optimierung in-silico generierter Protein-Ligand Komplexe auf Grund von DrugScore (DS) Potentialen. Die Funktion DS wird typischerweise für die Nachbewertung von Ligandgeometrien genutzt, die durch Docking erzeugt wurden. Daher sind diese Geometrien zunächst für die intern verwendete Scoringfunktion des gewählten Docking Algorithmus optimiert. Wird DS auf eine solche Geometrie angewandt, ist nicht automatisch eine aussagekräftige Bewertung garantiert. Bedenkt man die Steilheit der DS Potentiale, so können bereits kleine Abweichungen der Atompositionen zu großen Unterschieden in der Bewertung führen. Daher wird eine lokale Optimierung in diesem Fall ausdrücklich empfohlen. 2009 führten O’Boyle et al. aus, dass eine lokale Optimierung grundsätzlich auf das Tal der Potentialoberfläche beschränkt ist, in dem sich die Ausgangspose befindet. Es könnte aber tiefere Täler in der Nähe geben, die bei einer lokalen Optimierung nicht berücksichtigt werden, obwohl sie ebenso zulässige Lösungen darstellen. Das in dieser Arbeit entwickelte Programm MiniMuDS soll diesem Problem gerecht werden. Andererseits soll keine globale Optimierung durchgeführt werden, da dies zu einem neuen Docking Algorithmus führen würde. Stattdessen soll MiniMuDS nahe an der ursprünglich erzeugten Pose bleiben und diese nur an die DS Funktion anpassen. Um beide Anforderungen zu erfüllen, wurde eine Suchstrategie implementiert, die Elemente einer globalen Suche enthält, sich aber dennoch auf einen abgegrenzten Teil des vollständigen Suchraums beschränkt. Einfach ausgedrückt kann der Algorithmus kleine Hürden auf der Potentialoberfläche überwinden, jedoch nur wenn sich direkt dahinter auch ein tieferes Tal befindet. Größere energetische Barrieren zwischen grundsätzlich unterschiedlichen Konformationen können so nicht passiert werden. Durch die Validierung von MiniMuDS konnten verschiedene wichtige Eigenschaften gezeigt werden: 1. Die Optima der angewandten Zielfunktion stimmen beeindruckend genau mit experimentell bestimmten Komplexstrukturen überein. Dies wurde durch die Optimierung von original Kristallstrukturen gezeigt, die in einer mittleren Abweichung von etwa 0,5Å resultierten. Dies sind deutlich kleinere Abweichungen als im Fall von in-silico generierten Geometrien. Darüber hinaus fallen diese Abweichungen etwa in den Bereich der geschätzten Genauigkeit experimenteller Strukturaufklärung. 2. Das Ziel den vorgegebenen Bindemodus beizubehalten wurde erreicht. MiniMuDS erlaubt Modifikationen bis zu 2Å rmsd gegenüber der Ausgangspose. Bemerkenswerterweise nutzten nicht einmal 5% der optimierten Docking Lösungen diesen Raum aus. Sie zeigten durchschnittliche Abweichungen von etwa 1Å auf. 3. Bezogen auf den rmsd zur Kristallstruktur verbessert MiniMuDS eine gegebene Konformation um etwa 0,1 Å. Die besten Ergebnisse wurden für bereits gut gedockte Posen mit einem ursprünglichen rmsd zwischen 1 und 2Å beobachtet, die im Mittel um bis zu 0,3Å verbessert wurden. 4. Es wurde gezeigt, dass durch die Überwindung der Einschränkungen einer rein lokalen Suche die erzielte Rangliste verbessert wurde. Im Vergleich zu einer lokalen Optimierung wurden bis zu 4,7% bessere Erfolgsraten bei der Erkennung nativ-ähnlicher Posen unter 2Å rmsd auf Rang 1 erzielt. Für Posen unter 1Å lag die Verbesserung bei 9,3 %. 5. Betrachtet man nicht nur die bestbewertete Lösung, sonder die gesamte Rangliste, so wurde gezeigt, dass MiniMuDS die Trennung zwischen nativ-nahen und falsch platzierten Posen deutlich verbessert. Geometrien mit niedrigen rmsd Werten tauchen häufiger auf den vorderen Positionen der Rangliste auf. 6. Die Berücksichtigung zusätzlicher flexibler Komponenten in der Optimierung ist mit MiniMuDS leicht zu bewältigen, wodurch die erzielten Ergebnisse deutlich verbessert werden können. Dies wurde am Beispiel von flexiblen Protein Seitenketten und an der Bindung beteiligter Wasser Moleküle gezeigt. 7. Es wurde gezeigt, dass es ausreichend ist, die zehn besten Lösungen eines Docking Experiments zu Optimieren. Dadurch wurden durchgängig etwas bessere Ergebnisse erzielt als bei der Optimierung aller fünfzig erzeugten Lösungen. Bei 80% geringerem Rechenaufwand wurden so bis zu 4,7% bessere Erfolgsraten erzielt. Besonders der letzte Punkt bestätigt, dass es empfehlenswert ist, sich auf solche Posen zu konzentrieren, die bereits von einer anderen Scoringfunktion gut bewertet wurden. So kann zusätzlich von einem Konsensus Effekt profitiert werden. Mit Blick auf die erzielten Ergebnisse muss die Anwendung zumindest einer lokalen Optimierung dringend Empfohlen werden, bevor DS für Nachbewertungen herangezogen wird. Allerdings wird die Verwendung einer darüber hinausgehenden Suchstrategie wie sie in MiniMuDS implementiert wurde nahe gelegt. Insbesondere bei kleineren Leitstrukturen verbesserte die vorgestellte Methode die Nachbewertungsergebnisse deutlich.