компьютерная оценка механизмов побочного действия

ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ БЮДЖЕТНОЕ НАУЧНОЕ УЧРЕЖДЕНИЕ
«НАУЧНО-ИССЛЕДОВАТЕЛЬСКИЙ ИНСТИТУТ БИОМЕДИЦИНСКОЙ ХИМИИ
ИМЕНИ В.Н. ОРЕХОВИЧА»
На правах рукописи
Иванов Сергей Михайлович
КОМПЬЮТЕРНАЯ ОЦЕНКА МЕХАНИЗМОВ ПОБОЧНОГО ДЕЙСТВИЯ
ЛЕКАРСТВЕННЫХ ВЕЩЕСТВ НА СЕРДЕЧНО-СОСУДИСТУЮ
СИСТЕМУ
03.01.09 – Математическая биология, биоинформатика
Диссертация на соискание учёной степени кандидата биологических наук
Научный руководитель:
доктор биологических наук,
Лагунин Алексей Александрович
Москва – 2014
2
ОГЛАВЛЕНИЕ
СПИСОК СОКРАЩЕНИЙ ……………………………………………………………………...
5
ВВЕДЕНИЕ …………………………………………………………………………………........
6
ГЛАВА 1. ОБЗОР ЛИТЕРАТУРЫ ………………………………………………………………
10
1.1 Традиционные методы доклинической оценки побочного действия лекарств ………….
10
1.2 Альтернативные методы доклинической оценки побочного действия лекарств ………...
13
1.2.1 Типы побочных эффектов лекарств ……………………………………………………..
13
1.2.2 Оценка при помощи фармакологического профилирования in vitro ………………….
16
1.2.3 Оценка на клеточных культурах …………………………………………………………
19
1.3 Механизмы побочного действия лекарств на сердечно-сосудистую систему …………...
20
1.4 Компьютерная оценка механизмов побочного действия лекарств ……………………….
24
1.4.1 Общий принцип оценки ………………………………………………………………….
24
1.4.2 Оценка побочных эффектов лекарственных соединений ……………………………...
25
1.4.3 Оценка белков-мишеней лекарственных соединений ………………………………….
27
1.4.4 Поиск корреляций «белок - побочный эффект» ………………………………………...
31
1.4.5 Анализ биологических сетей …………………………………………………………….
32
1.4.6 Анализ биологических путей и процессов ……………………………………………...
41
ГЛАВА 2. МАТЕРИАЛЫ И МЕТОДЫ ИССЛЕДОВАНИЯ ………………………………….
51
2.1 Выборки структур лекарственных соединений с информацией о побочных эффектах …
51
2.2 Предсказание и анализ профилей воздействия лекарственных соединений на белки
человека …………………………………………………………………………………………...
53
2.2.1 Программа PASS ………………………………………………………………………….
53
3
2.2.2 Статистический анализ …………………………………………………………………...
57
2.3 Оценка биологических процессов …………………………………………………………..
58
2.3.1 Оценка функционального сходства генов ………………………………………………
58
2.3.2 Анализ обогащения биологических путей и процессов ……………………………….
59
2.4 Регуляторная сеть кардиомиоцита ………………………………………………………….
61
2.5 Дихотомическое моделирование ……………………………………………………………
62
ГЛАВА 3. РЕЗУЛЬТАТЫ И ОБСУЖДЕНИЕ ………………………………………………….
66
3.1 Общая схема разработанного подхода ……………………………………………………...
66
3.2 Оценка ассоциаций «белок - побочный эффект» на основе анализа предсказанных
профилей ………………………………………………………………………………………….
68
3.3 Оценка биологических процессов …………………………………………………………..
70
3.3.1 Инфаркт миокарда ………………………………………………………………………..
70
3.3.2 Сердечная недостаточность ……………………………………………………………...
84
3.3.3 Желудочковые аритмии ………………………………………………………………….
106
3.4 Оценка ассоциаций «белок - побочный эффект» на основе моделирования поведения
регуляторной сети кардиомиоцита ……………………………………………………………..
121
3.4.1 Дихотомическая модель регуляторной сети кардиомиоцита ………………………….
121
3.4.2 Сердечная недостаточность ……………………………………………………………...
123
3.4.3 Желудочковые аритмии ………………………………………………………………….
132
3.5 Анализ идентифицированных белков-мишеней …………………………………………...
139
3.6 Примеры механизмов побочного действия лекарственных веществ ……………………..
146
3.6.1 Инфаркт миокарда ………………………………………………………………………….
146
3.6.2 Сердечная недостаточность ……………………………………………………………….. 149
3.6.3 Желудочковые аритмии ……………………………………………………………………
152
4
ЗАКЛЮЧЕНИЕ …………………………………………………………………………………..
156
ВЫВОДЫ …………………………………………………………………………………………
158
СПИСОК ЦИТИРУЕМОЙ ЛИТЕРАТУРЫ …………………………………………………….
159
СПИСОК РАБОТ ОПУБЛИКОВАННЫХ ПО МАТЕРИАЛАМ ДИССЕРТАЦИИ ………...
181
ПРИЛОЖЕНИЕ ………………………………………………………………………………….
183
Таблица 1. Лекарственные соединения выборок с информацией об исследуемых
побочных эффектах ………………………………………………………………………………
183
Таблица 2. Информация о вершинах регуляторной сети кардиомиоцита ………………….
190
Таблица 3. Список вершин регуляторной сети кардиомиоцита, которые соответствуют
генам домашнего хозяйства ……………………………………………………………………..
195
Таблица 4. Значения параметра дихотомических функций 21 вершины регуляторной
сети кардиомиоцита ……………………………………………………………………………...
195
Таблица 5. Список публикаций с подтверждением взаимосвязей между белкамимишенями первой категории достоверности и инфарктом миокарда ………………………..
196
Таблица 6. Список публикаций с подтверждением взаимосвязей между белкамимишенями первой категории достоверности и сердечной недостаточностью ………………
197
Таблица 7. Список публикаций с подтверждением взаимосвязей между белкамимишенями первой категории достоверности и желудочковыми аритмиями ………………...
199
5
СПИСОК СОКРАЩЕНИЙ
а.е.м – атомные единицы массы
ББВ – белок-белковые взаимодействия
ВОЗ – Всемирная Организация Здравоохранения
НПВС – нестероидные противовоспалительные средства
РСК – регуляторная сеть кардиомиоцита
ЭКГ – электрокардиограмма
ADME – адсорбция, распределение, метаболизм, экскреция
FDA – Food and Drug Administration
GPCR – G-protein-coupled receptor
LD50 – 50%-ная летальная доза
PASS – Prediction of Activity Spectra for Substances
PRR – proportional reporting ratio
ROC – receiver operating characteristic, рабочая характеристика приёмника
6
ВВЕДЕНИЕ
Актуальность работы. Побочное и токсическое действие лекарственных соединений
является одной из важных причин смертности в развитых странах [1] и одной из основных
причин прекращения исследований лекарств-кандидатов на стадиях клинических испытаний
[2]. За последние 10 лет количество сообщений о побочных эффектах лекарственных средств и
связанных с ними летальных исходах выросло более чем в 2 раза, при этом наиболее часто
встречающимися побочными эффектами являются эффекты, связанные с воздействием на
сердечно-сосудистую систему [3]. Во многом сложившаяся ситуация связана с увеличением
потребления лекарственных средств, неправильным их применением, а также с недостатками
методов оценки побочного действия, которые используются при разработке новых лекарств.
Доклинические исследования безопасности лекарственных соединений на экспериментальных
животных не позволяют выявлять все серьёзные побочные эффекты из-за видовой
специфичности действия веществ, ограничений по количеству лабораторных животных и
времени исследований. Поэтому во многих случаях серьёзные побочные эффекты выявляются
лишь на стадии клинических испытаний, что создает угрозу жизни и здоровью участвующих в
них пациентов. Во многих случаях клинические испытания также не позволяют выявлять все
побочные эффекты вследствие ограниченного количества участвующих в них пациентов и
продолжительности
приёма
лекарственного
средства.
Серьёзные
побочные
эффекты,
способные приводить к инвалидизации и летальному исходу часто выявляются уже после
получения разрешения и начала широкомасштабного применения препаратов в медицинской
практике, что требует наложения запрета на их продажу регуляторными органами. За
последние 10 лет только с рынка стран Европейского союза было отозвано 19 наиболее
токсичных препаратов [4]. Основной причиной отзывов являлось их побочное действие на
сердечно-сосудистую систему.
В последнее десятилетие появились методы ранней доклинической оценки побочных
эффектов лекарств, основанные на понимании механизмов побочного действия. Основной
причиной побочного действия является неселективное связывание лекарственных соединений с
белками человека, большая часть из которых не связана с их терапевтическими эффектами.
Информация о взаимосвязях между действием лекарственных соединений на конкретные
белки-мишени
и
индукцией
серьезных
побочных
эффектов
используется
многими
фармацевтическими компаниями в скрининговых панелях in vitro [5, 6]. Эти панели включают
белки, для которых известны связи с серьёзными побочными эффектами, и используются для
7
отбора наиболее селективных, а, следовательно, и наиболее безопасных соединений-лидеров
для дальнейшей разработки. С этой целью также могут использоваться методы оценки
взаимодействий лекарственных соединений с белками-мишенями in silico [7, 8], что позволяет
значительно сократить количество экспериментов in vitro. Основным фактором, снижающим
эффективность этих методов, является недостаток знаний о роли белков-мишеней человека в
этиопатогенезе побочных эффектов лекарств. Опубликованные ранее работы по оценке
механизмов побочного действия основаны на сравнении предсказанных in silico профилей
взаимодействия лекарственных соединений, проявляющих и не проявляющих исследуемый
побочный эффект, с белками-мишенями [9-16]. Однако в этих работах исследовалось либо
небольшое количество соединений, либо сравнительно небольшое количество белков, а также
не проводился анализ общих свойств идентифицированных белков-мишеней, включая их роль в
патофизиологических процессах, лежащих в основе побочного действия лекарств. Эти
недостатки существенно ограничивают объём и качество полученных результатов. Исходя из
того, что побочное действие на сердечно-сосудистую систему является одним из наиболее
опасных и часто встречающихся эффектов лекарств, а к настоящему времени недостаточно
изучены связанные с ним белки и процессы, была сформулирована цель данной работы.
Цель работы: разработка и апробация системно-биологического подхода к компьютерной
оценке механизмов побочного действия лекарственных веществ на сердечно-сосудистую
систему на основе анализа профилей их взаимодействия с белками человека.
Задачи исследования:
1. Разработать системно-биологический подход к компьютерной оценке механизмов
побочного действия лекарственных веществ.
2. Выявить ассоциации между белками-мишенями человека и побочным действием на
сердечно-сосудистую
систему
при
помощи
анализа
предсказанных
профилей
взаимодействия лекарств с белками человека.
3. Установить ключевые патофизиологические процессы, лежащие в основе побочного
действия лекарственных веществ на сердечно-сосудистую систему.
4. Провести верификацию идентифицированных и поиск дополнительных ассоциаций
между белками человека и побочным действием лекарственных веществ на сердечнососудистую систему при помощи моделирования поведения регуляторной сети
кардиомиоцита, построённой с учётом выявленных процессов.
5. Классифицировать
выявленные
белки-мишени
по
вероятности
их
участия
в
этиопатогенезе побочного действия лекарственных веществ на сердечно-сосудистую
систему.
8
Научная новизна. Разработан новый системно-биологический подход к оценке
механизмов побочного действия лекарств. Разработанный подход интегрирует методы оценки
белков-мишеней
лекарственных
соединений,
основанные
на
использовании
анализа
взаимосвязей «структура-активность», с методами анализа сигнальных регуляторных путей, что
не использовалось в подходах, опубликованных ранее. Многие из методов были применены к
решению поставленной научной задачи впервые. В ходе работы были выявлены новые
ассоциации между белками-мишенями лекарственных соединений и побочным действием на
сердечно-сосудистую систему. Анализ участия выявленных белков в сигнальных регуляторных
путях и процессах позволил определить основные патофизиологические процессы, лежащие в
основе побочного действия лекарственных веществ на сердечно-сосудистую систему. Многие
из выявленных связей между побочным действием и патофизиологическими процессами также
являются новыми, ранее не установленными.
Научно-практическая значимость. Многие из выявленных ассоциаций между белкамимишенями и побочным действием на сердечно-сосудистую систему являются принципиально
новыми и могут служить основой для соответствующих экспериментальных исследований.
Результаты работы могут использоваться для ранней доклинической оценки побочных
эффектов лекарств-кандидатов методами in vitro или in silico. Разработанный системнобиологический подход может быть использован для оценки механизмов побочного действия
лекарств на другие системы организма.
Апробация работы. Основные положения диссертации были представлены на
российских и международных конференциях и симпозиумах: 20th European Symposium on
Quantitative Structure-Activity Relationship, St-Petersburg (Russia), 2014; XIX и XXI Российский
национальный конгресс «Человек и лекарство», Москва (Россия), в 2012 и 2014; 7th International
Symposium “Computational Methods in Toxicology and Pharmacology Integrating Internet Resources
(CMTPI-2013)”, Seoul (Korea), 2013; 9th International Symposium on Integrative Bioinformatics,
Germany, 2013; VI Московский Международный конгресс «Биотехнология: состояние и
перспективы развития», Москва (Россия), 2011; 5th International Symposium “Computational
Methods in Toxicology and Pharmacology Integrating Internet Resources (CMTPI-2009)”, Istanbul
(Turkey), 2009.
Публикации. По материалам диссертации опубликовано 13 работ в российских и
международных научных изданиях, в том числе 5 статей в рецензируемых научных журналах,
входящих в перечень, рекомендованный ВАК, и 8 публикаций в трудах конференций.
9
Объём и структура диссертации.
Диссертационная работа состоит из введения, обзора литературы, описания материалов и
методов исследования, описания результатов и обсуждения, заключения, выводов, списка
литературы, включающего 289 источников, и приложения. Работа изложена на 199 страницах,
содержит 29 рисунков и 24 таблицы. Приложение содержит 7 таблиц.
10
ГЛАВА 1. ОБЗОР ЛИТЕРАТУРЫ
1.1 Традиционные методы доклинической оценки побочного действия лекарств
Оценка
побочных
и
токсических
эффектов
исследуемых
соединений
на
экспериментальных животных является обязательным этапом при разработке новых
лекарственных средств. Результаты, полученные в ходе исследований на животных,
используются для оценки целесообразности продвижения соединений-кандидатов для
дальнейшей разработки, дизайна первой стадии клинических испытаний и подбора начальной
дозы. Оценка побочного и токсического действия фармакологических соединений на животных
включает в себя оценки острой и хронической токсичности.
Оценка острой токсичности. Оценка острой токсичности соединений производится
путём определения величины 50%-ной летальной дозы (LD50) – дозы исследуемого вещества,
которая приводит к гибели пятидесяти процентов животных в эксперименте. LD50 обычно
определяется на мелких видах животных, таких как грызуны, иногда на более крупных, таких
как
собаки
и
обезьяны.
Поскольку
на
результаты
эксперимента
сильно
влияют
фармакокинетические параметры, такие как биодоступность и максимальная концентрация в
крови, величину LD50 определяют при разных путях введения препарата: перорально,
внутривенно, внутримышечно, подкожно, внутрибрюшинно и др. При определении величины
LD50 учитываются разные факторы, которые могут повлиять на результат: пол, возраст,
условия содержания животных, сезонные и суточные ритмы жизнедеятельности организма. Так
величину LD50 определяют отдельно для самцов и самок, используют животных одного
возраста, одной линии, если используются линейные животные, условия содержания животных
подчинены строгим правилам. Продолжительность наблюдения за животными после введения
препарата обычно составляет около двух недель. В силу того, что величина LD50 сильно
зависит от вида животного, эксперименты проводятся на нескольких видах. Полученные
значения LD50 экстраполируют на человека, путём их умножения на соответствующий
коэффициент пересчёта, учитывающий отличия в массе или площади поверхности тела
животных и человека. Оценка LD50 позволяет отказаться от наиболее токсичных соединений
на ранних этапах исследований [17, 18].
Оценка хронической токсичности. Оценка хронических токсических эффектов
исследуемых соединений в экспериментах на животных даёт возможность оценки возможных
неблагоприятных побочных эффектов на стадии клинических испытаний и при использовании
11
препарата в клинике. Хронические токсикологические эксперименты подчинены ряду
требований. Во-первых, эксперименты должны проводиться на нескольких видах животных:
грызунах, собаках или обезьянах. Во-вторых, в экспериментах должно участвовать достаточное
количество животных, не менее 10 – для грызунов, не менее 4 – для крупных животных. Втретьих, пути введения соединений должны соответствовать предполагаемым способам
применения в клинике. В-четвёртых, необходимо использование как минимум трёх доз:
максимальной, которая рассчитывается с учётом величины LD50, выявленной в ходе оценки
острой
токсичности,
минимальной,
которая
соответствует
терапевтической
дозе,
предполагаемой для использования в клинике, и промежуточной. При выборе доз учитывают
также кумулятивный характер действия препарата, который рассчитывается как отношение
величин
LD50
при
продолжительность
предполагаемой
первом
введении
исследования
длительностью
и
при
хронической
его
последующих
токсичности
применения
в
введениях.
соединения
клинике
и
В-пятых,
определяется
видоспецифическими
особенностями животных, например продолжительностью их жизни [17, 18].
Оценка хронической
разнообразных
токсичности
гематологических,
соединений-кандидатов проводится на основе
биохимических,
физиологических
тестов
и
патоморфологических исследований. Согласно директивам регуляторных органов обязательной
для всех исследуемых соединений является оценка воздействия на сердечно-сосудистую,
нервную и дыхательные системы животных, поскольку эти системы являются критически
важными для жизнедеятельности организма. Оптимальным является исследование воздействия
соединений-кандидатов
на
другие
системы
организма,
особенно
для
соединений,
принадлежащим к классам, для которых известны соответствующие типы побочного действия
[19]. Тем не менее, наибольшие усилия прилагаются для оценки воздействия соединенийкандидатов на сердечно-сосудистую систему, поскольку 45% случаев отзывов с рынка
лекарств, в своё время успешно прошедших доклинические и клинические исследования,
приходится на побочные эффекты со стороны этой системы. Оценка неблагоприятного
воздействия исследуемых соединений на сердечно-сосудистую систему включает измерение
ряда параметров: электрокардиограммы (ЭКГ), артериального давления, скорости кровотока,
реологических свойств крови, температуры тела и др. [17, 19]. В экспериментах используются
мелкие животные, такие как крысы, или крупные, такие как собаки, карликовые свиньи и
приматы.
Измерение
ЭКГ
и
артериального
давления
бескровным
способом
может
осуществляться под наркозом или без него после иммобилизации животного. Однако
предпочтительнее
использовать
методы
телеметрии,
которые
позволяют
проводить
дистанционное измерение ЭКГ в режиме реального времени. Существует два вида телеметрии:
12
внешняя,
которая
представляет
собой
неинвазивную
методику
измерения
ЭКГ,
и
имплантационная или внутренняя, представляющая собой инвазивную методику, требующую
хирургических методов, и позволяющую одновременно измерять ЭКГ, частоту сердечных
сокращений, артериальное давление и температуру тела. Помимо исследований на животных in
vivo проводятся патоморфологические исследования сердца на предмет изменений в структуре
миокарда, которые могут быть вызваны кардиотоксичными соединениями. Кроме того иногда
находят применение изолированные участки тканей сердца, например волокна Пуркинье или
папиллярные мышцы, для оценки изменения силы сокращений и периода рефрактерности под
действием исследуемых соединений [19].
Несмотря на то, что исследования на экспериментальных животных являются золотым
стандартом доклинической оценки безопасности соединений-кандидатов, данный подход имеет
существенные недостатки:
1. Из-за видовой специфичности в фармакокинетике исследуемых соединений, отличиях
в структурах и экспрессии гомологичных белков-мишеней в экспериментах на
животных не удаётся зарегистрировать все побочные эффекты, которые проявляются
у человека. В данном случае целесообразность использования тех или иных видов
животных определяется чувствительностью и специфичностью идентификации
неблагоприятных
эффектов,
которые
проявляются
у
человека.
Например,
чувствительность и специфичность оценки удлинения интервала QT на ЭКГ 19
соединениями, тестированными на собаках, в сравнении с известными клиническими
данными составляют 83 и 86 процентов, соответственно [20]. Эти данные
свидетельствуют, с одной стороны, о целесообразности использования собак для
оценки аритмогенности исследуемых соединений, а с другой стороны, наглядно
демонстрируют видовые отличия в проявлении побочного эффекта.
2. Количество животных, используемое для оценки безопасности соединений и
продолжительность исследований, не позволяют выявлять редкие и отдаленные
неблагоприятные эффекты, которые могут проявиться спустя много лет после начала
приёма препарата. Например, фенфлюрамин, который использовался для лечения
ожирения,
вызывал
развитие
патологий
клапанов
сердца
только
спустя
продолжительное время после начала его применения. Этот эффект не был
зарегистрирован ни в ходе оценки побочного действия фенфлюрамина на
экспериментальных животных, ни в ходе клинических испытаний. Обнаружение
этого эффекта после длительного периода применения в клинике потребовало отзыва
фенфлюрамина с рынка [21].
13
3. Побочные эффекты при использовании соединений в клинике должны иметь аналоги
среди физиологических оценок токсического действия исследуемых соединений у
животных, что не всегда возможно.
4. В-четвёртых, вследствие стоимости экспериментов, временных затрат и требований
этических комитетов необходимо уменьшение количества животных, используемых
на этапе доклинических исследований, что противоречит требованиям безопасности
разрабатываемых лекарств.
В результате необходимо использование дополнительных подходов для оценки
неблагоприятного действия фармакологических соединений, которые позволяют преодолевать
недостатки классических методов. В настоящее время используются два альтернативных
подхода: фармакологическое профилирование in vitro и оценка действия соединений на
различные клеточные линии.
1.2 Альтернативные методы доклинической оценки побочного действия лекарств
1.2.1 Типы побочных эффектов лекарств
Согласно классификации ВОЗ побочные эффекты лекарств могут быть разделены на 4
типа [22].
Тип А. Побочные эффекты данного типа обусловлены фармакологическим профилем
соединений и включают следующие группы:
(1) Побочные эффекты, которые обусловлены воздействием на основную мишень,
связанную
с
терапевтическим
эффектом
лекарственного
соединения,
но
расположенную в других органах и тканях. Например, седативный эффект
антигистаминных средств первого поколения обусловлен блокадой H1 гистаминовых
рецепторов головного мозга;
(2) Эффекты, непосредственно связанные с терапевтическим действием препарата
(вторичные реакции). Например, ослабление иммунитета и развитие инфекционных
заболеваний при применении глюкокортикоидов;
(3) Эффекты, обусловленные воздействием на основную терапевтическую мишень, при
передозировке лекарственного средства. Например, кровотечения при передозировке
варфарина;
(4) Эффекты, обусловленные воздействием лекарственных соединений на белки-мишени,
отличные
от
мишеней,
связанных
с
их
терапевтическими
эффектами.
14
Лекарственноподобные соединения разных химических классов могут связываться с
высоким сродством и менять функциональную активность десятков и даже сотен
белков, и многие из этих взаимодействий способны приводить к возникновению
неблагоприятных для организма человека эффектов [5, 6]. Например, терфенадин
является антагонистом H1 гистаминовых рецепторов, что обуславливает его
терапевтический антиаллергенный эффект. Однако он также блокирует HERG
калиевые ионные каналы в сердце, вызывая нарушения реполяризации
и
потенциально опасные для жизни пациентов желудочковые аритмии типа Torsade de
Pointes [5, 6, 23]. Фенфлюрамин является селективным ингибитором обратного
захвата серотонина, снижает аппетит и используется для лечения ожирения. Однако
его метаболит, норфенфлюрамин стимулирует серотониновые 2B рецепторы в
клапанах сердца, вызывая развитие их патологий [21]. Активность относительно этих
мишеней не была известна при разработке терфенадина и фенфлюрамина, более того
доклинические и клинические исследования также не выявили соответствующих
побочных
эффектов.
Аритмогенность
и
кардиотоксичность
терфенадина
и
фенфлюрамина были выявлены только после их длительного использования в
клинической практике, что потребовало их отзыва с рынка из-за высокой частоты
встречаемости соответствующих эффектов.
(5) Побочные эффекты, связанные с межлекарственными взаимодействиями. Например,
одно соединение блокирует ионные каналы в сердце и обладает способностью
вызывать желудочковые аритмии, другое соединение блокирует метаболизм первого
и таким образом повышает риск развития аритмий [24].
Тип B. Эффекты данного типа не связаны с фармакологическим профилем лекарственных
соединений. К ним относятся реакции гиперчувствительности со стороны иммунной системы и
идиосинкразия, не имеющая иммунологической природы. Идиосинкразия обусловлена
генетическими дефектами ферментных систем [22]. Например, у пациентов с дефицитом
глюкозо-6-фосфат дегидрогеназы развивается гемолитическая анемия при приёме примахина и
сульфаниламидов. Дефицит гипоксантин-гуанин-фосфорибоксил-трансферазы при лечении
подагры аллопуринолом приводит к интенсивной почечной экскреции пуринов с образованием
камней.
Реакции
представлены
гиперчувствительности,
всеми
четырьмя
типами:
вызываемые
аллергические
лекарственными
реакции,
соединениями,
цитотоксический
и
иммунокомплексный типы гиперчувствительности, гиперчувствительность замедленного типа.
Лекарственные соединения могут вызывать реакции гиперчувствительности посредством
следующих механизмов [22]:
15
(1) лекарственное соединение является гаптеном, образующим комплексы с белками
человека, на которые развивается иммунный ответ;
(2) лекарственное соединение изменяет свойства белков некоторых тканей, вызывая
аутоиммунные реакции;
(3) лекарственное соединение стимулирует выработку антител, которые перекрёстно
реагируют с белками органов и тканей человека.
Реакции типа С. К эффектам данной группы относятся толерантность к терапии,
лекарственная зависимость и синдром отмены.
Реакции типа D. К ним относятся канцерогенные, мутагенные и тератогенные эффекты
лекарств.
Приблизительно 75% всех побочных эффектов относится к типу А и определяется
фармакологическим профилем лекарственного соединения. Таким образом, основным
механизмом побочного действия лекарств является их неселективное воздействие на белки
человека
[5,
6].
Данное
предположение
подтверждается
также
различного
рода
исследованиями. В ряде работ данные об известных [25-29] или предсказанных [15]
воздействиях лекарственных соединений на белки человека успешно использовались в качестве
признаков (свойств, дескрипторов) для построения классификационных моделей побочных
эффектов. Хуанг с соавторами также показали, что использование в качестве дополнительных
дескрипторов данных о соседях мишеней в сети белок-белковых взаимодействий и данных об
их участии в биологических процессах существенно повышает точность прогноза побочных
эффектов [26, 27]. В целом в этих работах средняя площадь под ROC кривой (receiver operating
characteristics, рабочая характеристика приёмника), показывающая зависимость количества
верно
классифицированных
положительных
примеров
от
количества
неверно
классифицированных, превышала 0,7. Кампиллос с соавторами применили обратный подход,
используя информацию об известных побочных эффектах лекарственных соединений в
качестве дескрипторов для прогноза их взаимодействий с белками-мишенями. Большинство
неизвестных ранее, но предсказанных с помощью этого метода взаимодействий были
подтверждены экспериментально [30]. Брауэрс с соавторами показали, что лекарственные
соединения, имеющие общие мишени, либо мишени, являющиеся соседями в сети белокбелковых взаимодействий, обладают сходными профилями побочных эффектов [31]. Таким
образом, информация о белках-мишенях лекарственных соединений в большинстве случаев
позволяет предсказывать их побочные эффекты и наоборот.
16
1.2.2 Оценка при помощи фармакологического профилирования in vitro
Исходя из того, что основным механизмом побочного действия лекарственных веществ
является их неселективное воздействие на белки человека, был разработан метод
фармакологического профилирования in vitro [5, 6, 32]. Этот метод заключается в оценке
потенциальных побочных эффектов соединений-лидеров на ранних этапах разработки лекарств.
Оценка производится путём высокопроизводительного скрининга соединений-лидеров на
наличие активности против ряда белков, для которых известны ассоциации с побочными
эффектами. Крупные фармацевтические компании используют панели, содержащие большое
количество таких белков, представляющих собой главным образом GPCR рецепторы (G-proteincoupled receptors), а также в меньшем количестве ферменты, ядерные рецепторы и
транспортёры. Для каждой из мишеней известна физиологическая роль в организме человека и
ассоциации с одним или несколькими наиболее серьёзными побочными эффектами. Например,
одной из таких мишеней являются HERG калиевые каналы, которые участвуют в сердечной
реполяризации и их блокада ассоциирована с повышенным риском развития опасных для жизни
желудочковых аритмий [23]. Методы оценки воздействия соединений-лидеров на белки,
входящие в панели, подразделяются на методы оценки аффинности и методы, позволяющие
проводить оценку изменения функций белков. Аффинность измеряется как степень вытеснения
исследуемым соединением известного лиганда белка, содержащего радиоактивную метку.
Методы оценки изменений функции белка под действием исследуемых соединений более
разнообразны: измерение концентраций вторичных посредников для GPCR рецепторов, оценка
изменения ионных токов методом patch-clamp, измерение концентрации продуктов или
субстратов для ферментов и оценка изменения экспрессии генов для ядерных рецепторов.
Панели используются на практике следующим образом (Рисунок 1.1). Несколько групп
соединений-лидеров подвергаются тестированию на активность против белков, входящих в
панели, и из них отбираются наиболее селективные, то есть соединения, которые в идеале не
проявляют активности ни к одному из этих белков. В случае наличия активности к нескольким
мишеням у самых селективных соединений проводится модификация их химической
структуры. С этой целью широко используются методы анализа взаимосвязи «структураактивность» для выявления структурных фрагментов, вносящих наибольший вклад в
проявление нежелательной активности к белкам-мишеням панели, с последующей их заменой
другими фрагментами или группами. Анализ профилей воздействия соединений-лидеров на
белки панели проводится в сочетании с анализом предсказанных данных по фармакокинетике и
17
ADME (абсорбция, распределение, метаболизм и экскреция). В случае если количественные
характеристики, например 50-процентная ингибирующая концентрация, по отношению к
нежелательной мишени много выше, чем ожидаемая максимальная концентрация соединения в
крови человека, то такое соединение вероятнее всего не будет вызывать связанные с мишенью
побочные эффекты и его можно отобрать как перспективное для дальнейших исследований.
Рисунок 1.1 – Схема использования панелей in vitro для отбора наиболее безопасных соединенийлидеров.
Метаболизм также имеет большое значение при оценке возможных побочных эффектов,
так как профили фармакологической активности исходного соединения и его метаболитов
могут существенно отличаться. Например, метаболит фенфлюрамина норфенфлюрамин
является агонистом серотониновых 2B рецепторов, вызывая патологии клапанов сердца, однако
сам фенфлюрамин не обладает такой активностью [21]. Поэтому потенциальные метаболиты
исходных соединений, полученные с использованием разнообразных методов in vitro, также
подвергаются тестированию на сродство к белкам-мишеням, входящим в состав панелей.
18
Например, в подходе Bioprint фирмы Cerep используются панели, содержащие около двухсот
тест-систем для белков-мишеней и тест-системы для оценки ADME свойств, что позволяет
отбирать
соединения-лидеры
с
учётом
их
фармакокинетики
[32].
Панели,
которые
используются для отбора наиболее селективных и поэтому потенциально безопасных
соединений-лидеров на ранних этапах разработки лекарств содержат небольшое количество
белков (<60), наиболее важных с точки зрения побочного действия лекарств. Помимо них,
находят применение расширенные панели, содержащие большее количество белков. Эти
панели используются на более поздних стадиях разработки лекарств для оценки механизмов
побочного действия соединений-кандидатов, выявленного при тестировании на животных, и
планирования дальнейших исследований.
Метод фармакологического профилирования in vitro не может заменить собой
исследования на экспериментальных животных, но он является важным дополнением к нему.
Те побочные эффекты, которые не могут быть выявлены путём исследований на животных изза видоспецифичности, могут быть предсказаны при помощи панелей in vitro. Это могут быть
также эффекты, проявляющиеся через длительное время после начала приёма препарата как,
например, развитие патологий клапанов сердца при стимуляции серотониновых 2B рецепторов,
которые не выявляются ни в ходе исследований на животных, ни в ходе клинических
испытаний, также ограниченных во времени. Кроме того, этот метод может использоваться на
самых
ранних
этапах
продолжительность
и
разработки
лекарств,
стоимость
разработки.
что
позволяет
Однако
существенно
метод
сократить
фармакологического
профилирования in vitro обладает, по меньшей мере, двумя существенными недостатками. Вопервых, количество известных ассоциаций между конкретными белками и побочными
эффектами ограничено. Кроме того, многие данные, полученные фармацевтическими
компаниями, не являются общедоступными. Во-вторых, данный метод не позволяет проводить
оценку общего эффекта при действии на множество мишеней. Например, циталопрам
блокирует HERG калиевые каналы в сердце, но не вызывает желудочковых аритмий.
Отсутствие эффекта можно объяснить тем, что он также блокирует кальциевые каналы L-типа,
компенсируя блокаду HERG. Вследствие такого эффекта, многие сравнительно безопасные
соединения могут быть расценены как вызывающие серьёзные побочные эффекты [5, 6].
Последнего недостатка во многом лишены методы, основанные на оценки эффектов
соединений при их действии на культуры клеток.
19
1.2.3 Оценка на клеточных культурах
Клеточные культуры широко используются при разработке лекарств для оценки
метаболизма, генотоксичности и мутагенности исследуемых соединений. Этот же подход
может использоваться также для оценки терапевтических и неблагоприятных эффектов
соединений-лидеров на организм человека [33-35]. С этой целью проводят сравнение
различных характеристик функционального состояния клеток, которые инкубируются с
исследуемым веществом, с характеристиками клеток, которые инкубируются только с
растворителем. Среди оцениваемых характеристик могут быть такие характеристики как
изменение общего содержания АТФ, экспрессии мРНК и белков, нарушение деления клеток,
изменение морфологии ядер, нарушение целостности цитоскелета, клеточной подвижности и
дифференцировки,
нарушение
посттрансляционных
модификаций
белков.
Измерения
производятся на различных первичных клеточных линиях человека. Например, платформа
BioMAP позволяет проводить оценку возможных эффектов соединений-лидеров на организм
человека при помощи исследования их влияния на клеточные культуры эндотелиоцитов,
фибробластов, гладкомышечных клеток, гепатоцитов и др. [34, 35]. Широкое применение также
находят
ко-культуры
клеток,
содержащие
несколько
клеточных
типов,
например,
периферические мононуклеарные клетки крови и эндотелиоциты [34, 35]. Совместные
культуры клеток моделируют взаимодействие соответствующих клеточных типов в тканях и
органах человека, что позволяет получать более точную оценку эффектов соединения in vivo.
Оценка профилей изменения характеристик функционального состояния клеток, относящихся к
различным линиям и совместным культурам, под действием хорошо изученных лекарственных
веществ позволяет выполнить их кластеризацию по механизмам терапевтического и побочного
действия. Сравнение профилей оцениваемых характеристик соединений-лидеров с профилями
лекарственных веществ позволяет предсказать наличие у них желаемого терапевтического
эффекта, возможные побочные эффекты, которых следует ожидать в клинике, и их механизмы.
По сравнению с методом фармакологического профилирования in vitro этот подход
позволяет проводить оценку суммарного эффекта действия исследуемых соединений на
множество мишеней, и при этом не требуется знаний о профилях воздействия соединенийлидеров на белки-мишени человека. Кроме того, поскольку оценка профилей воздействия
соединений на все белки и другие биомакромолекулы человека в настоящее время не
представляется возможной, этот метод обладает существенным преимуществом перед
фармакологическим профилированием. Тем не менее, он также обладает рядом существенных
20
недостатков [35]. Во-первых, используемые клеточные линии, могут отличаться по фенотипу от
соответствующих клеток in vivo. Например, у гепатоцитов in vitro отсутствует сигнальный путь
глюкагона, а у эндотелиальных клеток отсутствует экспрессия лигандов рецепторов, связанных
с хомингом лимфоцитов. Во-вторых, не все клеточные типы обычно доступны в виде
самовоспроизводящихся клеточных линий. В результате эффекты соединений-лидеров на
многие клеточные типы в настоящее время не могут быть определены. В-третьих, метод с
использованием совместных культур клеток, а тем более культур отдельных клеточных типов,
не позволяет исследовать более сложные эффекты in vivo, связанные с взаимодействием клеток,
тканей и органов посредством нейрогуморальных механизмов, например нарушение
центральных механизмов регуляции артериального давления. Это означает, что данный метод
не позволяет выявлять многие неблагоприятные эффекты фармакологических соединений и
механизмы
побочного
действия.
Этих
недостатков
в
свою
очередь
лишен
метод
фармакологического профилирования in vitro.
1.3 Механизмы побочного действия лекарств на сердечно-сосудистую систему
В настоящее время принято считать, что основной причиной побочного действия
лекарственных соединений является их неселективное воздействие на белки человека [5, 6].
Информация об известных взаимосвязях между воздействием лекарственных соединений на
индивидуальные белки и индукцией конкретных побочных эффектов широко используется в
методе фармакологического профилирования in vitro [5, 6]. Известные на сегодняшний день
взаимосвязи представлены в общедоступных базах данных DART (Drug Adverse Reaction Target
Database) [36], DITOP (Drug-induced toxicity related protein database) [37], а также в публикациях
Бовес и Уайтбред [5, 6]. Помимо опыта фармацевтических компаний эти данные используются
отдельными исследователями для оценки побочных эффектов изучаемых соединений.
Например, Джи с соавторами [38] использовали информацию о предсказанных с помощью
докинга взаимодействиях 11 анти-ВИЧ препаратов с мишенями из DART для оценки их
побочных эффектов. Было показано, что 86-89% предсказанных эффектов совпадали с
известными эффектами этих соединений, в то время как 67-100% известных побочных
эффектов совпадали с предсказанными. Однако, несмотря на значительные успехи в
использовании этого подхода, основным его недостатком является нехватка знаний о
взаимосвязях
между
белками
и
побочными
эффектами.
Наибольший
интерес
для
исследователей представляет оценка побочных эффектов, связанных с воздействием на
сердечно-сосудистую систему, поскольку они являются одними из наиболее опасных и часто
21
встречающихся побочных эффектов. Несмотря на это в вышеуказанных источниках
представлено сравнительно небольшое количество ассоциаций между белками-мишенями и
наиболее серьёзными побочными эффектами данной группы: индукция инфаркта миокарда,
сердечной недостаточности и желудочковых аритмий (Таблица 1.1).
Таблица 1.1 – Белки-мишени, связанные с побочным действием лекарств на сердечнососудистую систему.
№
1
2
3
Белок-мишень (ген)
5-hydroxytryptamine receptor 2B (HTR2B)
Alpha-1A adrenergic receptor (ADRA1A)
Alpha-2A adrenergic receptor (ADRA2A)
4
Alpha-2B adrenergic receptor (ADRA2B)
5
6
7
Alpha-2C adrenergic receptor (ADRA2C)
Alpha-adducin (ADD1)
ATP synthase subunit a (MT-ATP6)
8
Beta-1 adrenergic receptor (ADRB1)
9
Beta-2 adrenergic receptor (ADRB2)
Cytochrome b-c1 complex subunit 2,
mitochondrial (UQCRC2)
Dihydropyrimidine dehydrogenase
[NADP(+)] (DPYD)
Dystroglycan (DAG1)
Glucocorticoid receptor (NR3C1)
L-type Voltage-gated calcium channel
Muscarinic acetylcholine receptor 2
(CHRM2)
Myeloperoxidase (MPO)
NADH-ubiquinone oxidoreductase chain 1
(MT-ND1)
Nitric oxide synthase, brain (NOS1)
Phosphodiesterase 3A (PDE3A)
Prostaglandin G/H synthase 2 (PTGS2)
Potassium voltage-gated channel subfamily
E member 1 (KCNE1)
Potassium voltage-gated channel subfamily
KQT member 1 (KCNQ1)
Potassium voltage-gated channel subfamily
H member 2 (KCNH2)
Receptor tyrosine-protein kinase erbB-2
(ERBB2)
Sodium-dependent noradrenaline
transporter (SLC6A2)
Sodium channel protein type 5 subunit
alpha (SCN5A)
Vasopressin V1a receptor (AVPR1A)
Voltage-dependent L-type calcium channel
subunit alpha-1C (CACNA1C)
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
Побочные эффекты
Патологии клапанов сердца [5, 6]
Аритмия [5]
Усугубление сердечной недостаточности [6]
Усугубление сердечной недостаточности, ишемия
миокарда [6]
Ишемия миокарда [6]
Инфаркт миокарда [37]
Кардиодепрессивный эффект [36]
Сердечная недостаточность, аритмии [36],
фибрилляция желудочков [6], дисфункция миокарда
[37]
Тахикардия, аритмии [36]
Усиление стенокардии [36]
Стенокардия [37]
Кардиотоксичность, апоптоз кардиомиоцитов [37]
Аритмия [5]
Сердечная недостаточность [36]
Тахикардия, брадикардия [36], укорочение интервала
QT [5]
Увеличение риска фибрилляции желудочков [37]
Усиление стенокардии [36]
Дисфункция миокарда и апоптоз кардиомиоцитов [37]
Желудочковая тахикардия [5]
Инфаркт миокарда, атеротромбоз [5]
Неожиданная сердечная смерть, удлинение интервала
QT [37]
Удлинение интервала QT [5], неожиданная сердечная
смерть, torsade de pointes [37]
Неожиданная сердечная смерть, удлинение интервала
QT, torsade de pointes [5, 6, 37]
Дисфункция миокарда [37]
Аритмии [36]
Нарушение проводимости в сердце. Удлинение
интервала QRS [5], неожиданная сердечная смерть [37]
Фиброз миокарда, гипертрофия сердца [5]
Укорочение интервала QT [5]
22
Ассоциации, описанные Бовес и Уайтбред, были выявлены фармацевтическими
компаниями на основе анализе большого количества клинических и экспериментальных
данных. Ассоциации из баз данных DART и DITOP получены при помощи анализа литературы
и часто основаны лишь на результатах небольшого количества экспериментальных данных,
полученных на животных, без подтверждения данными, полученными в клинике. Например,
ассоциация между дистрогликаном и индукцией апоптоза кардиомиоцитов, который приводит к
развитию сердечной недостаточности, была выявлена в двух экспериментах на животных и не
подтверждена клиническими данными [37]. Передозировка изопротеринола на крысах приводит
к снижению концентрации дистрогликана в мембране кардиомиоцитов, что, в свою очередь,
ведёт к индукции апоптоза. Однако дистрогликан не является непосредственной мишенью
изопротеринола и снижение его концентрации в мембране есть лишь следствие воздействия на
другую мишень. Вследствие этого ассоциация между дистрогликаном и апоптозом
кардиомиоцитов не является полностью подтверждённой. В результате некоторые из
«известных» ассоциаций в DART и DITOP могут являться ложноположительными.
Относительно изученными являются общие патофизиологические процессы, лежащие в
основе индукции лекарствами инфаркта миокарда, сердечной недостаточности и желудочковых
аритмий. Основной причиной инфаркта миокарда является тромбоз коронарных артерий,
который приводит к нарушению кровоснабжения миокарда. Тромбоз обычно возникает на фоне
атеросклероза коронарных артерий. Атеросклероз является хроническим воспалительнопролиферативным заболеванием, в патогенезе которого участвуют различные типы клеток
иммунной системы и стенки артерий. Воспаление является важным составляющим патогенеза
атеросклероза и включает участие клеток как врождённого, так и адаптивного иммунитета [39,
40]. Сила воспаления в стенках сосудов коррелирует со сниженной устойчивостью
атеросклеротических бляшек и риском тромбозов. Нестероидные противовоспалительные
средства (НПВС) целекоксиб и ибупрофен индуцируют экспрессию генов, связанных с
воспалительным ответом, в эндотелиальных и гладкомышечных клетках стенок коронарных
артерий, что может объяснить их способность вызывать инфаркт миокарда [41]. Рофекоксиб и
валдекоксиб селективно ингибируют циклооксигеназу 2, что приводит к нарушению баланса
между синтезом простациклина и тромбоксана А2 в пользу последнего. Тромбоксан А2
вызывает усиление атеросклеротических изменений в стенках сосудов и индукцию агрегации
тромбоцитов, что приводит к увеличению рисков тромбозов и инфаркта миокарда [42].
Простациклин
же
оказывает
противоположные
эффекты.
Некоторые
лекарственные
соединения, например суматриптан, могут вызывать инфаркт миокарда за счёт длительного и
сильного спазма коронарных артерий [43]. Артериальная гипертензия является одним из
23
основных факторов риска для инфаркта миокарда [44]. Гипертензия, ассоциированная с
патологиями
ренин-ангиотензин-альдостероновой
системы,
приводит
к
прогрессии
атеросклеротических изменений [45], а также к функциональным изменениям тромбоцитов и
эндотелия коронарных артерий, систем регуляции свёртывания крови, что повышает риск
тромбозов [46, 47]. Значительное повышение или снижение артериального давления может
также привести к индукции инфаркта миокарда за счёт нарушения коронарного кровотока и
снижения перфузии миокарда [48]. Одна из гипотез относительно механизмов индукции
инфаркта миокарда неселективными НПВС состоит в том, что за счёт ингибирования
циклооксигеназ в почках, они вызывают повышение артериального давления и тем самым
повышают риск развития инфаркта [49]. Ингибиторы ангиотензин-превращающего фермента
могут вызывать сильную гипотензию, что в отдельных случаях приводит к развитию инфаркта
[50]. Увеличение частоты и силы сердечных сокращений под действием лекарственных
соединений может вызвать появление участков некроза миокарда [51] и повышение
артериального давления.
Наиболее
изученным
недостаточности,
является
процессом,
апоптоз
лежащим
кардиомиоцитов
в
основе
[52].
индукции
Апоптоз
и
сердечной
иные
формы
программируемой гибели кардиомиоцитов приводят к истончению миокарда, замещению
кардиомиоцитов соединительной тканью и снижению сердечного выброса [53, 54].
Антрациклины, использующиеся для лечения опухолей, вызывают апоптоз кардиомиоцитов, в
том числе за счёт усиления генерации свободных радикалов, что может приводить к развитию
сердечной недостаточности [52]. Лекарственные соединения также могут вызывать усугубление
уже
имеющейся
сердечной
недостаточности.
Антидиабетические
средства
группы
тиазолидиндионов, НПВС и глюкокортикоиды вызывают снижение экскреции натрия и воды в
почках, что приводит к повышению объёма циркулирующей крови, артериального давления и
усугублению сердечной недостаточности за счёт увеличения постнагрузки на сердце [52, 55].
Многие лекарственные соединения, например дизопирамид или блокаторы кальциевых
каналов,
вызывают
усугубление
сердечной
недостаточности
за
счёт
отрицательного
инотропного эффекта на сердце – снижения силы сердечных сокращений. Блокаторы
кальциевых каналов из группы дигидропиридинов короткого действия вызывают повышение
тонуса симпатической нервной системы [52], что ассоциировано с дисфункцией миокарда и
усугублением сердечной недостаточности [56, 57]. Снижение тонуса парасимпатической
нервной системы по отношению к симпатической нервной системе также может приводить к
подобному эффекту из-за их взаимного антагонизма.
24
Блокада ионных каналов в сердце является основным механизмом индукции аритмий
лекарственными соединениями [24]. Блокада ионных каналов и транспортёров приводит к
нарушению генерации потенциала действия в кардиомиоцитах и клетках проводящей системы
сердца, что является основой для возникновения аритмий. Регуляция активности ионных
каналов осуществляется за счёт их фосфорилирования различными киназами, за счёт
взаимодействий с белками цитоскелета и бета/гамма субъединицами G-белков, а также при
помощи процессов их транспорта в мембрану и из неё. Нарушение регуляции активности
ионных каналов другими белками может приводить к индукции желудочковых аритмий [58-60].
Например, ингибирование белков, участвующих в транспорте HERG ионных каналов в
мембрану кардиомиоцита, приводит к нарушению реполяризации, удлинению интервала QT на
ЭКГ и индукции аритмий, что равносильно эффектам блокады самих HERG каналов [58].
Электролитные нарушения, вызываемые диуретиками, например гипокалемия, являются
важными факторами риска для индукции удлинения интервала QT на ЭКГ и серьёзных
желудочковых аритмий [24].
Тем не менее, могут существовать альтернативные процессы, нарушение которых под
действием лекарств также приводит к индукции побочного действия на сердце. Более того,
часто, как в случае с изопротеринолом, не известны конкретные мишени соединений,
воздействие на которые способно приводить к нарушениям описанных выше физиологических
процессов. Поскольку количество известных ассоциаций между белками-мишенями и
побочным действием на сердечно-сосудистую систему ограничено (Таблица 1.1), что
существенно затрудняет использование современных методов in vitro и in silico, необходимы
дальнейшие исследования, направленные на идентификацию соответствующих мишеней и
патофизиологических процессов.
1.4 Компьютерная оценка механизмов побочного действия лекарств
1.4.1 Общий принцип оценки
В последние годы было опубликовано значительное количество работ по идентификации
новых взаимосвязей между белками-мишенями лекарственных соединений и побочными
эффектами. Общий принцип выявления новых взаимосвязей состоит в следующем. На первом
этапе сравниваются белки-мишени лекарственных соединений с изученными побочными
эффектами и выявляются корреляции между действием соединений на белок и индукцией
побочного эффекта. Другими словами, если соединения, вызывающие побочный эффект,
25
действуют на белок, а соединения, не вызывающие побочный эффект, не действуют на белок,
то между действием на белок и индукцией побочного эффекта может быть связь.
Поскольку наличие корреляционной взаимосвязи ещё не предполагает наличия причинноследственной, то полученные данные на втором этапе сопоставляются с данными
широкомасштабных генетических исследований и экспериментов на животных, например
экспериментов по генетическому нокауту соответствующего гена у мышей. Если изменение
функции белка/гена приводит к возникновению патологии у человека или животных (мутация,
генетический нокаут, гиперэкспрессия), сходной по фенотипу с побочным эффектом, то
выявленная
взаимосвязь
считается
причинно-следственной
[5].
Таким
образом,
для
идентификации новых взаимосвязей необходимы данные о побочных эффектах лекарственных
соединений, профилях их действия на белки-мишени человека и экспериментальные данные,
полученные на животных. В связи с тем, что для анализа необходимы данные о профилях
воздействия соединений на большое количество белков-мишеней, для их оценки чаще всего
используется компьютерный прогноз, основанный на использовании структуры известных
лигандов белков или данных об их трёхмерной структуре. Экспериментальное подтверждение
сотен новых ассоциаций также представляет собой трудновыполнимую задачу, поэтому авторы
подобных работ часто используют только данные уже имеющиеся в литературе, а также анализ
биологических сетей, путей и процессов для установления причинно-следственного характера
выявленных корреляций.
1.4.2 Оценка побочных эффектов лекарственных соединений
Первым этапом анализа является создание выборки структур лекарственных соединений с
данными о побочных эффектах. Побочные эффекты лекарственных соединений обычно
регистрируются в ходе клинических испытаний и постмаркетинговых исследований.
Существует ряд коммерческих и общедоступных источников, которые содержат информацию о
побочных эффектах. Среди общедоступных источников наиболее полными являются SIDER
[50, 61], DailyMed [62] и Drugs@FDA [63], среди коммерческих World Drug Index (Thomson
Scientific) [64] и PharmaPendium [65]. Одним из наиболее популярных источников среди
исследователей является общедоступный ресурс SIDER (Side Effect Resource). SIDER (версия 2)
содержит информацию о 4192 побочных эффектах 996 лекарств, полученных методом textmining из вкладышей и монографий по лекарствам, часто с указанием частоты встречающегося
эффекта, включая частоту в группе плацебо. Исходные документы чаще всего содержат
26
подробную информацию о клинических испытаниях и побочных эффектах, а также данные о
постмаркетинговых исследованиях. Исходные документы свободно доступны через SIDER.
Вторым типом источников данных о побочном действии лекарств являются базы данных
систем мониторинга побочных эффектов, такие как Adverse Event Reporting System (AERS),
Spontaneous Reporting System (SRS) [66] в США, Canada Vigilance Adverse Reaction (CVAR) [67]
в Канаде, Australian Adverse Drug Reaction Reporting System [68] в Австралии, Vigibase,
содержащая
данные
из
разных
стран
и
поддерживаемая
Всемирной
Организацией
Здравоохранения [69]. Эти базы предоставляют информацию о спонтанных сообщениях по
побочным эффектам лекарств, которые поступают от врачей и пациентов. Спонтанные
сообщения содержат информацию о побочных реакциях, лекарственных препаратах, которые
могли их вызвать, о продолжительности их приёма, дозировке, исходе лечения и др. Оценка
значимости ассоциаций между приёмом лекарства и развитием побочного эффекта может быть
выполнена при помощи расчёта различных критериев. В настоящее время используются четыре
критерия [70]: Proportional Reporting Ratio (PRR), Reporting Odds Ratio (ROR), информационная
составляющая (IC) и эмпирическое байесовское геометрическое среднее (EBGM). Одним из
наиболее простых критериев является PRR, который представляет собой отношение
наблюдаемой частоты встречаемости побочного эффекта лекарства к ожидаемой частоте.
Ожидаемая частота представляет собой частоту встречаемости побочного эффекта в
спонтанных сообщениях всей базы. PRR рассчитывается как:
PRR 
a a  b 
,
c c  d 
(1.1)
где a – количество сообщений, в которых лекарство X проявляет побочный эффект Y, b –
количество сообщений, в которых лекарство X не проявляет побочный эффект Y, c –
количество сообщений по побочному эффекту Y по всем лекарствам кроме X, d – количество
сообщений по всем побочным эффектам кроме Y и всем лекарствам кроме X. Статистически
значимыми считаются ассоциации с PRR≥2, χ2≥4 и a≥3, где χ2 – критерий согласия Пирсона.
Преодоление пороговых значений означает лишь наличие «сигнала», который должен
послужить поводом к проведению дополнительных клинических и лабораторных исследований,
но вовсе не означает наличия причинно-следственной связи между приёмом препарата и
побочным эффектом. Тем не менее, информация, полученная при помощи данного метода,
использовалась в ряде работ для оценки механизмов побочного действия лекарств и построения
классификационных моделей для побочных эффектов, связанных с воздействием на сердечнососудистую, гепатобилиарную и выделительные системы [10, 11, 71-73].
27
Следующим этапом в создании выборки является стандартизация терминологии побочных
эффектов. Существует три наиболее употребимых словаря терминов: MeSH (Medical subjects
heading) [74], COSTART (Coding Symbols for a Thesaurus of Adverse Reaction Terms) [75],
который в настоящее время вытеснен другим словарём MedDRA (Medical Dictionary for
Regulatory Activities) (Медицинский словарь терминологии регуляторной деятельности) [76].
Этот словарь имеет иерархическую структуру и содержит 5 уровней терминов:

Класс системы органов (SOC).

Группы терминов высокого уровня (HLGT).

Термины высокого уровня (HLT).

Предпочтительные термины (PT).

Термины нижнего уровня (LLT).
Один
из
примеров
классификации:
доброкачественные,
злокачественные
и
неспецифические опухоли (включая кисты и полипы) (SOC) –> доброкачественные опухоли
печени и желчевыводящих путей (HLGT) –> доброкачественные гепатобилиарные опухоли
(HLT) –> холангиоаденома (PT).
Во многих источниках, например в SIDER, названия побочных эффектов уже
стандартизованы под словарь терминов MedDRA, однако вследствие особенностей словаря они
могут содержать дублирующие и близкие по смыслу термины, что требует дальнейшей
стандартизации. Например, «инфаркт миокарда» и «острый инфаркт миокарда».
1.4.3 Оценка белков-мишеней лекарственных соединений
Вторым этапом анализа является оценка белков-мишеней лекарственных соединений.
Существует
три
подхода
к
оценке
мишеней.
Оптимальным
подходом
является
экспериментальное тестирование лекарственных соединений на связывание с белками человека
[5, 32, 77]. Фармацевтические и исследовательские компании вроде Novartis, Pfizer, Cerep и др.
используют панели in vitro для оценки белков-мишеней лекарственных соединений с
изученными побочными эффектами. Например, Лаункайн с соавторами выявили новые
ассоциации между 73 белками-мишенями, входящими в панели фирмы Novartis, и побочными
эффектами путём экспериментального тестирования 656 известных лекарственных соединений
на сродство к этим мишеням и статистического анализа [77]. Однако экспериментальное
тестирование большого количества соединений на активность к большому количеству белков
является трудновыполнимой задачей из-за высокой стоимости экспериментов. Поэтому в
некоторых работах для поиска новых ассоциаций между белками и побочными эффектами
28
использовались данные только об известных мишенях (связанных и не связанных с
терапевтическим эффектом) [78-80]. Информация об известных мишенях
органических
соединений может быть получена из общедоступных баз данных: DrugBank [81, 82], PubChem
BioAssay [83, 84], ChEMBL [85, 86], BindingDB [87, 88] STITCH [89, 90], SuperTarget [91, 92]
ChemProt [93, 94], Matador [95, 96], DTome [97, 98], PROMISCUOUS [99, 100], PDSP_Ki [101,
102], PharmGKB [103, 104], Drug2Gene [105, 106] и др. Данный подход имеет существенные
недостатки. Во-первых, профили воздействия лекарственных соединений выборки на белкимишени содержат ложноотрицательные примеры, поскольку многие взаимодействия, которые
имеют место быть в действительности, отсутствуют в общедоступных базах данных. Это может
привести к ошибкам в ходе статистического анализа. Во-вторых, в статистическом анализе
реально могут участвовать только те белки, на которые воздействуют хотя бы несколько
соединений. В результате,
учитывая количество известных мишеней
лекарственных
соединений в общедоступных базах данных можно проанализировать только несколько сотен
мишеней, в то время как в идеале в анализе должно участвовать максимально большое
количество
белков
(сотни,
тысячи).
Наконец
для
оценки
потенциальных
мишеней
лекарственных соединений может быть использован прогноз in silico. Оценка воздействий
лекарственных соединений на белки-мишени человека может осуществляться на основе
использования построенных взаимосвязей «структура-активность» [9, 11, 13, 107] или с
использованием докинга, если для белка-мишени имеется расшифрованная 3D структура [12,
14-16, 108, 109].
Наличие большого количества свободно-доступных источников по взаимодействиям
«лиганд-белок» способствует разработке компьютерных программ и веб-сервисов по прогнозу
взаимодействий лекарственноподобных соединений с белками на основе построенных
зависимостей «структура-активность». Существуют также программы и веб-сервисы по оценке
взаимодействий «лиганд-белок» на основе докинга, поскольку к настоящему времени
расшифрованы 3D структуры большого количества белков человека.
Примеры
общедоступных
веб-сервисов
по
прогнозу
взаимодействий
лекарственноподобных соединений с белками и другими биомакромолекулами представлены в
таблице 1.2.
В большинстве подходов, реализованных в виде веб-сервисов и основанных на анализе
взаимосвязей «структура-активность», используются фрагментные дескрипторы для описания
структуры соединений и алгоритмы оценки биологической активности по сходству
структурных формул или алгоритмы, основанные на наивном Байесовском подходе.
29
Таблица
1.2
–
Общедоступные
веб-сервисы
по
прогнозу
взаимодействий
лекарственноподобных соединений с биологическими макромолекулами-мишенями.
Веб-сервис
GUSAR Online
Краткое описание
Дескрипторы
множественных
и
окрестностей.
Самосогласованная
количественных
регрессия.
атомных
Количественный
прогноз взаимодействий с 18 белками, для которых известны
ассоциации с серьезными побочными эффектами [8, 110].
HitPick
PASS Online
PharmMapper
2D
фингерпринты. Оценка
по
сходству,
Байес с модификациями [113, 114].
Фармакофоры для белков-мишеней. Выравнивание 3D структур
исследуемых молекул с 3D моделями фармакофоров [115, 116].
SuperPred
Фингерпринты. Оценка по сходству [119, 120].
idTarget
INVDOCK
SePreSA
TarFisDock
с
Дескрипторы множественных атомных окрестностей. Наивный
Фингерпринты. Оценка по сходству [117, 118].
DRAR-CPI
Байес
модификациями [111, 112].
SEA
TargetHunter
наивный
ECFP фингерпринты. Оценка по сходству, наивный Байес с
модификациями [121, 122].
Докинг по структурам 353 белков с известными функциями [123,
124].
Докинг по всем структурам белков из Protein Data Bank [125, 126].
Докинг по более чем 9000 структур молекул белков, ДНК и РНК
[127, 128].
Докинг по структурам 79 белков, для которых известны связи с
побочными эффектами [7, 129].
Докинг по структурам белков из Potential Drug Target Database [130,
131].
Оценка воздействия на мишень по сходству структурных формул основана на вычислении
расстояний между исследуемым соединением и соединениями, для которых известно
воздействие на мишень, в пространстве каких-либо дескрипторов. Одной из простейших и
наиболее часто используемых метрик сходства является, например, коэффициент Танимото
[132]:
(1.2)
30
где N(X∩Y) – число одинаковых дескрипторов у соединений X и Y, N(X Y) –число всех
уникальных дескрипторов у соединений X и Y. Статистическая значимость оценки сходства
может быть вычислена на основе её сравнения с оценками для случайных пар соединений.
Наивный Байесовский подход к оценке потенциальных мишеней
органических
соединений требует наличия обучающей выборки, содержащей достаточное количество
активных и неактивных соединений. Оценка вероятности наличия у соединения исследуемой
биологической активности рассчитывается на основании формулы Байеса при допущении, что
вклад каждого дескриптора в активность не зависит от вкладов других дескрипторов.
(1.3)
где P(A|D1,…,Dn) – вероятность наличия у соединения исследуемой активности (например,
ингибирование, активация, действие на конкретный белок), P(A) – априорная вероятность
наличия активности, P(Di|A) – условная вероятность наличие в структуре соединения
дескриптора Di, если оно обладает активностью A, Z – константа.
Во многих веб-сервисах используются подходы, основанные на обратном докинге, когда
проводится оценка связывания для одного низкомолекулярного лекарственноподобного
соединения со многими белками. Среди приведённых примеров по веб-сервисам наиболее
интересен специализированный сервис SePreSA, который позволяет проводить оценку
взаимодействий с белками-мишенями, для которых известны ассоциации с побочными
эффектами. Докинг позволяет провести идентификацию аминокислотных остатков сайта
связывания исследуемого соединения на молекуле мишени. SePreSA также предоставляет
данные об известных полиморфизмах гена, кодирующего белок. Сопоставление информации о
полиморфизмах гена и аминокислотных остатках сайта связывания позволяет предсказать
полиморфизмы, предположительно влияющие на вероятность проявления побочного эффекта,
вызываемого исследуемым соединением при действии на данный белок [7].
Тем не менее, несмотря на возможность оценки in silico большого количества белковмишеней для большого количества лекарственных соединений, в большинстве работ по
выявлению ассоциаций между белками человека и побочными эффектами использовалось либо
небольшое
количество
белков-мишеней,
либо
небольшое
количество
лекарственных
соединений, что не позволило использовать в полной мере возможности данного подхода.
31
1.4.4 Поиск корреляций «белок - побочный эффект»
Оценка белков-мишеней, связанных с индукцией побочных эффектов, производится на
основе предположения, что если соединения, вызывающие побочный эффект, чаще действуют
на мишень, чем соединения, не вызывающие побочный эффект, то между ними может быть
связь. Выявление корреляций между действием лекарственных соединений на мишень и
индукцией побочного эффекта производится на основе различных статистических подходов,
таких как точный тест Фишера [15, 16, 78, 79], хи-квадрат тест [77], логистическая регрессия
[14], канонический корреляционный анализ [80]. С этой целью могут также использоваться и
специфические подходы, разработанные авторами исследований.
Мэтьюс с соавторами использовали анализ диспропорциональности на основе баз данных
по спонтанным сообщениям FDA [66]. Они использовали критерий наличия взаимосвязи между
белком и побочным эффектом, который рассчитывается наподобие PRR (Proportional Reporting
Ratio) [70]:
PRR 
a a  b 
,
c c  d 
(1.4)
где a – количество сообщений в базе по соединениям, проявляющим побочный эффект, для
которых прогнозируется взаимодействие с мишенью, b – количество сообщений по
соединениям, проявляющим побочный эффект, для которых не прогнозируется взаимодействие
с мишенью, с – количество сообщений в базе по всем соединениям, для которых
прогнозируется взаимодействие с мишенью, d – количество сообщений в базе по всем
соединениям, для которых не прогнозируется взаимодействие с мишенью [10, 11]. Оценка
статистической значимости полученных результатов рассчитывалась на основе хи-квадрат
теста.
Бендер с соавторами строили взаимосвязи «структура-активность» для каждой мишени и
каждого побочного эффекта, а затем для каждой пары моделей “мишень/побочный эффект”
сравнивали дескрипторы, на основе которых эти взаимосвязи построены. Если пара моделей
имеет общие дескрипторы, то возможно, что побочный эффект развивается в результате
действия на данную мишень [9].
Поскольку выявленные таким образом ассоциации не всегда имеют причинноследственный характер, то обычно выполняется анализ данных по полиморфизмам генов
человека, ассоциированных с соответствующими заболеваниями и анализ экспериментальных
данных на животных. В настоящее время основным методом оценки роли белков в организме
32
животного и их связи с заболеваниями является метод генетического нокаута соответствующих
генов, который выполняется главным образом на мышах [133]. Другим популярным методом
оценки роли белка в клетке является метод генетического нокдауна, который основан на
явлении РНК-интерференции и позволяет селективно блокировать мРНК соответствующего
белка, подавляя его трансляцию [134].
В силу того обстоятельства, что выполнение большого количества экспериментов на
животных является трудновыполнимой задачей, авторы работ ограничиваются поиском в
литературе уже имеющихся экспериментальных данных. Аннотация выявленных ассоциаций
между белками-мишенями и побочными эффектами соответствующими экспериментальными
данными на животных позволяет разделить их на два класса: ассоциации, которые находят
прямое или косвенное подтверждение в литературе, и ассоциации, для которых в литературе
отсутствует соответствующая информация [79]. Другой способ выявления причинноследственного характера полученных ассоциаций заключается в оценке участия белковмишеней в биологических процессах в клетке, для которых известна или предполагается связь с
этиопатогенезом соответствующих заболеваний. Это может быть достигнуто за счёт различных
методов анализа функций белков и генов, доступных из литературы, или методов анализа
топологии биологических сетей.
1.4.5 Анализ биологических сетей
Биологической сетью называется совокупность биологических объектов, которые связаны
между собой. Биологическая сеть обычно представляется в виде графа, в котором вершинами
являются объекты, а рёбра отражают связи между ними. Вершинами сети могут являться гены,
белки, белковые домены, низкомолекулярные соединения и ионы, различные виды РНК, атомы,
сигнальные и метаболические пути, заболевания, лекарства, их побочные эффекты и показания
к применению и др. В соответствии с видами вершин выделяют следующие основные типы
сетей [135]: сети белок-белковых взаимодействий, сети взаимодействий белковых доменов,
сигнальные сети, метаболические сети, сети ко-экспрессии, сети коцитирования генов в
литературе, сети сходства заболеваний, сети сходства химических структур, генные
регуляторные сети, сети функциональной взаимосвязи генов и другие. Наибольший интерес, с
точки зрения идентификации генов и белков, связанных с этиологией различных заболеваний и
побочных эффектов лекарств, представляют следующие виды сетей:
1.
Сети белок-белковых взаимодействий. Белок-белковые взаимодействия (ББВ) –
это данные о прямых физических взаимодействиях между белками, которые могут быть
33
получены в экспериментах in vitro или in vivo, либо предсказаны с помощью компьютерных
методов [135]. Примерами баз данных, содержащих информацию о ББВ, являются: STRING
[136], HPRD [137, 138], HAPPI [139, 140], BioGRID [141, 142], HIPPIE [143, 144],
ConsensusPathDB [145, 146] и другие [135]. Сеть ББВ можно представить в виде
ненаправленного графа, где белки представляют собой вершины, а взаимодействия между ними
являются рёбрами.
2.
Сигнальные сети. Сигнальные сети предназначены для передачи сигналов с
рецепторов для нейромедиаторов, факторов роста и компонентов межклеточного матрикса в
ядро клетки на соответствующие транскрипционные факторы, что приводит к изменению
экспрессии генов. Сигнальные сети обеспечивают ответ клетки на внешние стимулы, что
необходимо для согласованного функционирования клеток в пределах ткани, органа и всего
организма и поддержания гомеостаза. Сигнальные сети могут быть представлены в виде
направленного графа, где вершинами являются белки, гены, низкомолекулярные соединения, а
рёбра отражают различные типы взаимоотношений между ними: формирование активных
комплексов, реакции посттрансляционных модификаций, протеолиза, транспорта, связывание с
промотором гена, транскрипция и трансляция и др. Ребра часто отражают функциональный
характер взаимодействий или модификаций: активация или ингибирование. Иногда из общей
сети выделяют собственно сигнальную часть и регуляторную часть, представляющую собой
совокупность транскрипционных факторов, которые взаимодействуют с промоторами
соответствующих генов [135]. Из общей сигнальной сети клеток исследователями также часто
выделяются сигнальные и регуляторные пути, которые представляют собой совокупность
белков, генов и низкомолекулярных соединений, участвующих в регуляции определённых
процессов в клетке и/или экспрессирующихся в определённой ткани или типе клеток. В
зависимости от уровня обобщения выделяют молекулярные пути, например MAPK сигнальный
путь, клеточные пути, например синтез белка, апоптоз, клеточный цикл, и органные/системные
пути, например иммунный ответ [147] (Рисунок 1.2). В настоящее время существует большое
число коммерческих и общедоступных баз данных по сигнальным и регуляторным путям [135]
(Таблица 1.3).
34
Рисунок 1.2 – MAPK сигнальный путь из базы данных KEGG. Вершины представляют собой белки,
белковые комплексы и низкомолекулярные соединения, а рёбра – реакции между ними (например, +p
обозначает фосфорилирование).
3.
Метаболические сети. Метаболические сети отражают процесс пошагового
синтеза и деградации различных метаболитов в организме. Метаболическую сеть можно
представить в виде направленного графа, в котором вершинами являются метаболиты, а рёбра
содержат информацию о ферменте, катализирующем реакцию трансформации реагентов в
продукты (Рисунок 1.3).
35
Рисунок 1.3 – Путь синтеза стероидов из базы данных KEGG. Названия рёбер пути представляют собой
названия генов или номер фермента в соответствии с номенклатурой Международного союза биохимии
и молекулярной биологии [148]. Вершины представляют собой соответствующие метаболиты.
Из общей метаболической сети также выделяют метаболические пути, связанные с
синтезом или деградацией определённых метаболитов или процессом внутри клетки, например
путь синтеза холестерина, метаболизм стероидов, цикл Кребса, гликолиз и др. Информация о
метаболических путях может быть получена из различных коммерческих и общедоступных
источников [135] (Таблица 1.3).
36
Таблица 1.3 – Коммерческие и общедоступные базы данных по сигнальным, регуляторным и
метаболическим путям.
Название базы
Краткое описание
BioCarta
254 сигнальных и метаболических пути человека и мыши [149]
Edinburgh Human Metabolic
70
Network (EHMN)
компартментах клетки, где проходит данная реакция [150, 151]
HumanCyc
297 метаболических путей человека [152, 153]
метаболических
путей
человека
с
информацией
о
Предоставляет различные инструменты для визуализации и
Ingenuity Pathway Analysis
анализа биологических сетей. Содержит большое количество
канонических путей [154]
INOH
93 сигнальных и метаболических путей [155]
541 сигнальный и метаболический путь человека, включая
IPAVS
пути, импортированные из других источников. Предоставляет
различные инструменты визуализации и анализа путей [156,
157]
275 сигнальных, регуляторных, метаболических путей для
KEGG
разных видов животных и человека, включает также пути,
связанные с определёнными заболеваниями [158, 159]
Содержит
MetaСore
различного
рода
инструменты
анализа
постгеномных данных. Включает помимо прочего данные о
800 сигнальных, регуляторных и метаболических путях [160].
NCI Pathways
NetPath
227 сигнальных и регуляторных путей человека [161, 162]
32 сигнальных путей человека, связанных с иммунной
системой и канцерогенезом [163, 164]
Помимо прочего содержит информацию о более чем 400 000
PROTEOME
биохимических реакций и межмолекулярных взаимодействий
между белками
и
генами, входящих
в сигнальные и
метаболические пути млекопитающих, включая человека [165].
1442 сигнальных, регуляторных и метаболических пути
Reactome
человека, организованные иерархически: от отдельных реакций
и молекулярных путей до органных/системных путей [166, 167]
Общедоступные
WikiPathways
ресурс,
содержащий
сигнальные,
метаболические и др. пути, где каждый зарегистрированный
пользователь может добавлять новые пути [168]
37
3.
Сети сходства заболеваний. В сети сходства заболеваний, представленной в виде
ненаправленного графа, вершинами являются заболевания, а рёбра отражают сходство в
этиологии этих заболеваний. Основой моногенных и мульфакторных заболеваний являются
мутации в различных генах. Сходство в этиологии между двумя заболеваниями может быть
выражено как процент общих связанных с ними генов или процент общих сигнальных или
метаболических путей и процессов, в которых эти гены участвуют [135, 169-171]. Сходство
между двумя заболеваниями может быть также определено как процент пациентов, у которых
проявляются оба заболевания – так называемые сети коморбидности. Наличие или отсутствие
ребра в сети между двумя заболеваниями определяется выбранным порогом оценки сходства
[135]. Примером базы данных, которая содержит информацию о взаимосвязях между генами и
заболеваниями, интегрированную из разных источников, является DisGeNet [169, 172]. Плагин
программы Cytoscape [173] с одноимённым названием позволяет осуществлять построение,
визуализацию и анализ сетей сходства заболеваний на основе информации из этой базы.
4.
Сети функциональной взаимосвязи генов. Сеть функциональной взаимосвязи
генов отражает наличие функционального сходства между генами. Такая сеть может быть
построена на основе интеграции различных типов взаимоотношений между генами: белокбелковые взаимодействия их продуктов, взаимодействия белковых доменов, ко-экспрессия
генов, наличие паралогов в других организмах, коцитирование генов в литературе и др. Для
каждой пары генов рассчитывается интегральная оценка, величина которой зависит от наличия
или отсутствия соответствующих взаимодействий, а также их количественных характеристик,
например коэффициента корреляции для ко-экспрессии или величины достоверности
регистрируемого ББВ. Сети функциональной взаимосвязи генов обладают преимуществом по
сравнению с наиболее широко используемыми исследователями сетями ББВ, поскольку
отличаются максимальной полнотой по взаимодействиям [174, 175].
5.
Сети сходства химических структур. Сети данного вида могут быть построены
на основе различных метрик сходства химических структур в пространстве каких-либо
дескрипторов. В данных сетях вершинами являются химические структуры (в частности
структуры лекарственных соединений), а наличие или отсутствие рёбер между ними
определяется в соответствии с заданным порогом [135].
Широкое распространение получили сети, содержащие несколько типов вершин.
Например, такие ресурсы как STITCH [89, 90], ChemProt [93, 94], DTome [97, 98],
PROMISCUOUS [99, 100] предоставляют информацию о сетях, состоящих из белков и их
низкомолекулярных лигандов и включающих два типа взаимодействий: «лиганд-белок» и
«белок-белок». PROMISCUOUS предоставляет также информацию о побочных эффектах
38
лекарств и анатомико-терапевтико-химической классификации лекарственных соединений.
Плагин DisGeNET Cytoscape позволяет строить и визуализировать сети, отражающие связи
между генами и заболеваниями. Такие сети могут быть представлены в виде двудольного графа
с двумя множествами вершин: гены и заболевания [173].
Биологические
сети
характеризуются
рядом
общих
глобальных
и
локальных
топологических свойств, которые следует учитывать при поиске фармакологических мишеней
для новых лекарств. Одним из наиболее важных локальных свойств является степень вершины
сети, которая определяется как число взаимодействий с другими вершинами. В биологических
сетях распределение степеней вершин подчиняется степенному закону
, где
показатель степени γ зависит от конкретной сети. Это означает, что сеть содержит небольшое
число вершин с высокими степенями, в то время как остальные вершины имеют гораздо
меньшие степени. Белки в сетях ББВ с большим числом взаимодействий, чем в среднем по
сети, называются «хабами». Эти белки играют ключевую роль в клетке, участвуя в регуляции
многих биологических процессов, что делает их привлекательными мишенями для терапии
различных заболеваний. Однако воздействие на «хабы» в силу их важности для регуляции
клеточных процессов сопряжено с повышенной токсичностью их лигандов. Поэтому они
используются как мишени только для терапии опухолевых и инфекционных заболеваний, в то
время как остальные мишени известных лекарственных соединений имеют «среднюю» степень
в сети. Чен с соавторами выявили, что те белки, которые не используются в качестве
терапевтических мишеней, но для которых известны ассоциации с побочными эффектами,
имеют большую степень в сети ББВ [176]. Тем не менее, авторам не удалось выявить
корреляции между числом побочных эффектов, связанных с мишенью и её степенью в сети.
Этот факт может быть объяснён тем, что белки, связанные с большим количеством побочных
эффектов, чаще всего являются мембранными белками, для которых число ББВ, как правило,
небольшое. Однако мембранные белки, представляющие собой в основном рецепторы,
регулируют большое количество биологических процессов и являются функционально
значимыми [176]. Поэтому оценка возможных последствий ингибирования/активации белка на
основе определения его степени в сети ББВ подходит только для внутриклеточных белков.
Другим топологическим свойством биологических сетей является их модульное строение.
Модуль в сети – это набор вершин, которые характеризуются большим числом взаимодействий
друг с другом, чем с другими вершинами сети. Часто модули содержат белки или гены,
выполняющие общие функции в клетке. Например, модули в сети ББВ могут соответствовать
белковым комплексам или фрагментам сигнальных путей. Белки или гены, связанные с
определённым заболеванием, также имеют тенденцию находиться в одном или нескольких
39
модулях [135]. Исходя из данного факта, были созданы различные методы поиска генов/белков,
связанных с заболеваниями, на основе топологии биологических сетей [135, 177]. Эти методы
подразделяются на методы, основанные на локальных и глобальных топологических свойствах
сети. Первые основаны на принципе ближайшего соседа: если белок непосредственно
взаимодействует с белками, для которых известна связь с заболеванием, то он также может
быть связан с этим заболеванием. Вероятность такой ассоциации тем выше, чем с большим
количеством белков с известной связью он взаимодействует. Например, оценка связи белкакандидата с заболеванием может быть выражена следующим образом:
,
(1.5)
где Km – веса рёбер, которые отражают достоверность белок-белковых взаимодействий; Nd –
количество белков, для которых известна связь с заболеванием и с которыми взаимодействует
искомый белок-кандидат; N – общее число белков, с которыми взаимодействует белоккандидат [177]. Помимо первых, могут рассматриваться вторые, третьи и др. соседи в сети.
Среди методов, которые учитывают глобальную топологию сети, наибольшую группу
составляют алгоритмы, основанные на случайном блуждании в сети [178]. В этих алгоритмах
оценка связи белка-кандидата с заболеванием рассчитывается как вероятность оказаться в
данной вершине после большого числа итераций в ходе случайного блуждания по сети, если в
начальный момент времени стартовать с одного из белков, для которых известна связь с
заболеванием. Одним из наиболее простых алгоритмов, основанных на данном принципе,
является алгоритм случайного блуждания с возвратом, который позволяет начать «блуждание»
по новой с исходного узла в любой момент времени. Формально случайное блуждание с
возвратом может быть определено как:
,
(1.6)
где W – нормализованная матрица смежности графа, pt – вектор, в котором элемент i
представляет собой вероятность оказаться в вершине i на шаге t. Значения элементов вектора p0
рассчитываются следующим образом. Вершины, соответствующие белкам, для которых
известна связь с заболеванием, получают равные значения вероятностей, в сумме дающие 1.
Всем остальным вершинам сети присваивается значение 0. Гены/белки-кандидаты получают
окончательные оценки в соответствии с вектором p∞. Этот вектор соответствует шагу итерации,
при котором Манхэттенское расстояние (расстояние между двумя точками равное сумме
модулей разностей их координат) между векторами pt и pt+1 составляет меньше чем 10-6.
Наибольшие оценки получают белки, которые входят в состав того же модуля(лей), что и
белки, для которых известны связи с заболеванием, так как вероятность выйти за пределы
40
модуля в ходе случайного блуждания меньше вероятности остаться в этом модуле. Оценки,
полученные белками модуля тем выше, чем выше вероятность возврата в исходную вершину r.
В качестве примера других алгоритмов, основанных на глобальных топологических
свойствах сети, можно привести алгоритм, разработанный Дезсо с соавторами [179]. В этом
алгоритме белок-кандидат получает тем большую оценку, чем на большем количестве
кратчайших путей, соединяющих белки, для которых известна связь с заболеванием, он лежит.
В этом алгоритме наиболее высокие оценки также получают белки, которые находятся в том же
функциональном модуле, что и белки с известными ассоциациями с заболеванием.
Информация о взаимном расположении белков в сети и её топологии может
использоваться для оценки белков, связанных с побочным действием лекарственных
соединений. Уэнг с соавторами показали, что чем меньше расстояние в сигнальной сети от
белков-мишеней лекарственных соединений до белков, связанных с заболеваниями, тем более
вероятно их побочное действие [180]. Бергер с соавторами [181] идентифицировали
функциональный модуль в сети ББВ, который содержит белки, предположительно
ассоциированные
с
удлинением
интервала
QT
на
ЭКГ
и
Torsade
de
Pointes.
Идентифицированный модуль включает белки, для которых известны ассоциации с этой
патологией, и их окружение в сети. Известные ассоциации с желудочковыми аритмиями
представляли в основном данные по полиморфизмам генов ионных каналов, полученные в ходе
широкомасштабных генетических исследований. С целью идентификации модуля был
использован алгоритм, основанный на вычислении величин MFPTs (mean first-passage times)
для каждой пары белков в сети, которые определяются как среднее число итераций при
случайном блуждании, которое необходимо, чтобы стартовав с одной вершины прийти в
другую. Далее для каждого белка-кандидата сравниваются средние величины MFPTs белков,
для которых известны ассоциации с аритмиями, со средними величинами MFPTs для всех
остальных белков сети:
,
(1.7)
где Tij – оценки MFPTs для пары белков сети i и j; C – группа белков, для которых известны
ассоциации с удлинением интервала QT и желудочковыми аритмиями; D – все остальные белки
сети, для которых не известны такие ассоциации. Все белки, которые получили положительные
оценки Sj, вошли в предполагаемый модуль. Лекарственные соединения, которые действуют на
белки из этого модуля, потенциально могут вызывать желудочковые аритмии. Авторы показали
применимость полученных результатов для правильной классификации лекарственных
соединений, вызывающих и не вызывающих аритмии. Вначале они отобрали известные
41
мишени лекарственных соединений из DrugBank, которые входили в сеть ББВ. Далее каждому
соединению была приписана максимальная оценка Sj среди его мишеней. Сравнение
полученных оценок для соединений, вызывающих аритмии, с оценками, полученными для
соединений, не вызывающих аритмии, позволило вычислить площадь под ROC кривой, которая
составила 0,67 (величина p = 0,002 при сравнении со случайными данными по оценкам Sj).
Азуаэ с соавторами [182] построили сеть, состоящую из структур лекарственных
соединений, предназначенных для терапии инфаркта миокарда, и их белковых мишеней. На
следующем этапе эта сеть была расширена за счёт известных межлекарственных и белокбелковых взаимодействий. Эта сеть имела модульное строение, при этом каждый модуль
соответствовал ряду биологических процессов и путей, в которых участвовали белки-мишени
лекарств. Авторы использовали эту сеть для предсказания индукции инфаркта миокарда
лекарственными соединениями и предсказания потенциально опасных межлекарственных
взаимодействий. Эти предсказания были выполнены за счёт оценки вхождения исследуемого
соединения в те или иные модули сети. На основе анализа роли белков модулей в
биологических процессах можно также сделать вывод о возможных механизмах индукции
инфаркта миокарда конкретными лекарственными соединениями.
Таким образом, оптимальным способом оценки новых ассоциаций между белками и
побочными эффектами является поиск корреляций между действием лекарственных
соединений на белок и индукцией побочного эффекта с последующим анализом биологических
сетей для оценки причинно-следственного характера выявленных корреляций. Оценка
причинно-следственного характера ассоциаций может быть выполнена на основе сравнения
положения в сети выявленных белков и белков, для которых известны связи с
соответствующими заболеваниями, при помощи вышеописанных методов.
1.4.6 Анализ биологических путей и процессов
Генная онтология (Gene Ontology). Быстрый рост знаний о функциях белков в
организме человека и животных потребовал создание единой терминологии, описывающей
биологические процессы, для эффективного обмена, хранения и систематизации информации.
В 1998 году была создана «Генная онтология» (Gene Ontology) – универсальная онтология
терминов, отражающих функции генов [183, 184]. Gene Ontology содержит три онтологии
терминов:
биологический
процесс,
молекулярная
функция
и
клеточный
компонент.
Биологический процесс – это набор молекулярных событий или функций, имеющих начало и
конец во времени, важных для функционирования клетки, ткани или органа. Молекулярная
42
функция – это элементарное событие на молекулярном уровне, такое как катализ или
связывание. Клеточный компонент характеризует локализацию белкового продукта в
определённом компартменте клетки или внеклеточной среды. Терминология Gene Ontology
имеет иерархическую структуру, которую можно представить в виде ациклического графа.
Например, терминология биологических процессов имеет, по меньшей мере, 20 уровней
иерархии: от самых общих до максимально конкретных. Например, одна из функций белка
PTPRB (протеин тирозин фосфатаза бета) может быть представлена в следующем виде:
биологический процесс –> биологическая регуляция –> регуляция биологических процессов –>
регуляция процессов развития –> регуляция анатомической структуры морфогенеза –>
регуляция ангиогенеза –> позитивная регуляция ангиогенеза –> позитивная регуляция
клеточной миграции при прорастании кровеносных сосудов [184]. Каждый ген или белок может
быть проаннотирован терминами из одного или нескольких уровней иерархии, в зависимости
от полноты экспериментальных данных о его роли в конкретном биологическом процессе.
Основными общедоступными источниками по функциям белков, стандартизованными в
соответствии с терминологией Gene Ontology, являются Uniprot [185] и веб-сайт Gene Ontology
[184], который предоставляет информацию из разных источников, включая Uniprot.
Биологические пути. Биологический путь представляет собой совокупность белков,
генов и низкомолекулярных веществ, выполняющих общую роль в клетке и участвующих в
передаче сигнала с мембраны в ядро клетки (сигнальный путь) или в синтезе и деградации
метаболитов (метаболический путь). Подробно биологические пути описаны в предыдущем
разделе (1.3.5 Анализ биологических сетей).
Методы
анализа.
Результатами
широкомасштабных
генетических
исследований,
экспериментов по генетическому нокауту на мышах или транскриптомных исследований
являются списки генов или белков, предположительно связанных с тем или иным
заболеванием. Установление общих биологических путей и процессов, в которых участвуют
эти белки, служит основанием для оценки этиологии и патогенеза заболевания. Наличие
стандартной терминологии Gene Ontology и ресурсов, содержащих большое количество
сигнальных и метаболических путей, позволяет использовать разнообразные методы
статистического анализа [186]. Наибольшее распространение получили методы, основанные на
так называемом анализе перепредставленности или анализе обогащения путей и процессов
исследуемыми белками или генами. В целом эти методы основаны на статистическом анализе
таблиц 2x2:
43
Число исследуемых генов, участвующих в
Общее число исследуемых генов
пути или процессе
Число генов референсной выборки,
Общее число генов референсной выборки
участвующих в пути или процессе
Сущность идентификации обогащённых путей или процессов состоит в следующем: чем
больший процент исследуемых генов участвует в биологическом пути или процессе по
сравнению с генами референсной выборки, тем более вероятно, что этот путь или процесс
является общим для исследуемых генов и может иметь отношение к этиопатогенезу
заболевания. Референсной выборкой может служить любая совокупность генов, например все
известные гены человека или гены, для которых в настоящее время известно участие в
сигнальных и метаболических путях. Статистическая значимость идентификации обогащённых
биологических путей или процессов определяется при помощи разнообразных статистических
тестов, основанных на гипергеометрическом, хи-квадрат или биномиальных распределениях
[186]. Примерами программ и ресурсов, которые позволяют осуществлять анализ обогащения
биологических путей и процессов являются: DAVID [187-189], GOToolBox [190], BiNGO
Cytoscape [191], ClueGO Cytoscape [192] и многие другие [186].
В настоящее время одним из основных способов оценки генной экспрессии при
различных условиях является оценка при помощи технологии ДНК микрочипов (DNA
microarrays). Эта технология основана на измерении взаимодействий фрагментов ДНК,
иммобилизированных на поверхности биочипа, с комплементарными кДНК, которые получают
путём обратной транскрипции мРНК. ДНК микрочипы позволяют измерять уровень тотальной
мРНК клетки. Величина сигнала, регистрируемая прибором, соответствует количеству
связавшейся кДНК и, соответственно, концентрации мРНК в образце. Величиной сигнала
может служить, например, интенсивность флуоресценции меченной кДНК под действием
лазерного
излучения.
Величина
сигнала
по
всем
измеряемым
транскриптам
после
нормализации определяет профиль генной экспрессии при определённых условиях. Условиями
могут являться: организм, тип клеток или ткани, норма или патология, действие химических
соединений.
Профиль изменения генной экспрессии по сравнению с нормой может использоваться для
оценки биологических путей или процессов, наиболее значимых для этиопатогенеза
заболевания или ответа клетки на какое-либо воздействие (например, действие лекарственных
веществ). С этой целью часто используется метод обогащения генных выборок (Gene Set
Enrichment Analysis) [186, 193], который в отличие от анализа перепредставленности, позволяет
44
оценить полный профиль изменения генной экспрессии, включающий, как правило, более
10000 генов, и учитывает количественную характеристику изменений величины сигнала для
каждого гена. Суть метода заключается в следующем. Вначале создаётся выборка генов S i,
которые участвуют в одном биологическом процессе/пути. Далее строится лист оценок
изменения генной экспрессии, который получают при делении величин сигналов по каждому
гену при определённом условии (заболевание, действие лекарственного вещества) к
соответствующим величинам в норме. Этот лист сортируется по убыванию или возрастанию
оценок в зависимости от того, в каком направлении изменена экспрессия генов выборки S i
(гипер- или гипоэкспрессия). Основная гипотеза, лежащая в основе анализа, заключается в том,
что гены, участвующие в одном биологическом процессе/пути, должны кластеризоваться по
преимуществу в верхней или нижней части отсортированного списка. Для каждого гена из
списка вычисляется величина:
(N  N s )
Ns
Cij 
(1.8)
,
если ген j входит в выборку Si;
Cij  
Ns
(N  N s )
(1.9)
,
если ген j не входит в выборку Si.
Далее находится сумма этих оценок по всем генам списка:
N
SUM   SUMij  Cij
(1.10)
j 1
Так как оценки Cij для генов могут иметь как положительные, так и отрицательные
значения, то при суммировании добавление каждой новой Cij величины изменяет сумму, как в
большую сторону, так и в меньшую. На определённом шаге суммирования j величина SUM ij
будет максимальной. Эта максимальная величина и будет служить оценкой влияния условия на
биологический процесс/путь.
В настоящее время разрабатываются методы анализа биологических путей, которые
учитывают не только количественные характеристики полного профиля изменения генной
экспрессии, но также внутреннюю структуру пути. Однако в настоящее время они ещё не
нашли широкого применения [186].
Анализ биологических путей и процессов может использоваться для оценки причинноследственного характера выявляемых корреляций между действием лекарственных соединений
на белки человека и индукцией побочных эффектов. Например, Янг с соавторами использовали
информацию о генах, связанных с соответствующими заболеваниями, которая была получена
45
при помощи методов text-mining из публикаций в PubMed, и идентифицировали обогащённые
ими биологические процессы Gene Ontology при помощи анализа перепредставленности. Далее
они классифицировали белки-мишени, действие на которые коррелирует с индукцией ряда
побочных эффектов, на две группы: белки, которые участвуют в выявленных биологических
процессах, и белки, которые не участвуют в них [15]. Пэн с соавторами [12] использовали
похожий подход, только вместо данных о генах, связанных со сходными по фенотипу
заболеваниями,
они
использовали
белки,
для
которых
известны
ассоциации
с
соответствующими побочными эффектами из базы данных DITOP [37], и биологические пути
из KEGG [158, 159] вместо процессов Gene Ontology.
Помимо
проявлениями
идентификации
побочного
соответствующих
белков-мишеней,
действия
биологических
лекарств,
путей
и
в
ассоциированных
ряде
процессов.
работ
с
конкретными
осуществлялась
Информация
о
оценка
сигнальных
и
метаболических путях и биологических процессах, нарушение которых способно приводить к
индукции побочных эффектов, может быть полезна для отбора и оценки правомерности
использования клеточных линий при оценке побочного действия на клеточных культурах, а
также для общего понимания патофизиологических механизмов развития побочных эффектов.
С другой стороны, возможности в идентификации белков-мишеней, связанных с конкретными
побочными эффектами ограничены сравнительно небольшим разнообразием структур
лекарственных соединений с изученными побочными эффектами. Новое соединение-лидер
может действовать на мишени, на которые не действуют хорошо изученные лекарственные
соединения, но эти мишени могут входить в пути или участвовать в процессах, для которых
известны ассоциации с побочными эффектами. Можно выделить, по крайней мере, четыре
работы, в которых проводилась оценка сигнальных и метаболических путей и процессов Gene
Ontology, ассоциированных с побочными эффектами лекарств.
Шейбер с соавторами провели оценку профилей воздействий лекарственных соединений
на белки человека на основе взаимосвязей «структура-активность». Далее используя
информацию об участии этих белков в биологический путях из MetaCore, они вычислили
оценки по каждому пути для соединений, вызывающих побочный эффект, как сумму оценок
прогноза для всех белков-мишеней, входящих в путь, по всем соединениям. Та же процедура
была выполнена для соединений, не вызывающих побочный эффект. В результате отбирались
значимые пути - те, для которых отношение полученных оценок было больше 1. Более того, в
качестве примера, авторы нашли в литературе данные об участия в этиопатогенезе
соответствующих заболеваний для многих белков-мишеней из нескольких путей, связанных с
рабдомиолизом и гипотензией [13].
46
Работа Дюран-Фригола с соавторами посвящена идентификации белков-мишеней,
сигнальных и метаболических путей из KEGG, процессов Gene Ontology, а также структурных
фрагментов, ассоциированных с побочными эффектами 992 лекарственных соединений из
SIDER. Авторы
использовали
данные об
известных
белках-мишенях
лекарственных
соединений, полученных из STITCH [89, 90]. Каждому белку были сопоставлены
соответствующие сигнальные и метаболические пути из KEGG и биологические процессы Gene
Ontology. Далее, используя точный тест Фишера, авторы идентифицировали белки-мишени,
сигнальные и метаболические пути, биологические процессы Gene Ontology и структурные
фрагменты соединений, предположительно ассоциированные с побочными эффектами лекарств
[78].
Уоллак с соавторами использовали похожий подход, который был основан на оценке
белков-мишеней лекарственных соединений при помощи докинга и метода выявления
ассоциаций
между
биологическими
путями
и
побочными
эффектами
при
помощи
регуляризованной логистической регрессии [14].
Ли с соавторами [194] использовали данные о профилях изменения генной экспрессии под
действием лекарственных соединений на опухолевых клеточных линиях, полученных из
общедоступного ресурса Connectivity Map [195, 196]. Оценка биологических процессов,
нарушенных под действием соединений, производилась при помощи анализа обогащения
генных
выборок
[193].
Авторы
отбирали
биологические
процессы
со
значением
нормализованных оценок больше 3, что соответствовало величине p < 0,001. Далее для каждого
биологического процесса вычислялась величина оценки взаимосвязи с побочным эффектом:
Величина 
Nij
Ni ,
(1.11)
где Nij – количество соединений выборки, проявляющих побочный эффект i и воздействующих
на процесс j, Ni – количество соединений, проявляющих побочный эффект i.
По аналогии рассчитывались величины для случайных данных по побочным эффектам в
выборке. Отбор биологических процессов, ассоциированных с побочными эффектами,
производился на основании пороговой величины p < 0,05.
Тем не менее, не смотря на достигнутые успехи в функциональной аннотации выявленных
белков-мишеней, в опубликованных работах не проводилась систематическая интерпретация
полученных результатов. В большинстве работ не использовались методы оценки причинноследственного характера выявляемых ассоциаций между белками и побочными эффектами.
Кроме того, в большинстве работ для анализа использовались либо небольшое количество
лекарственных соединений либо сравнительно небольшое количество белков, что не позволило
47
выявить многие ассоциации. Например, не смотря на то, что побочные эффекты, связанные с
воздействием на сердечно-сосудистую систему, являются одними из наиболее частых и
опасных для жизни пациентов побочных эффектов лекарств, среди всех проанализированных
работ только в четырёх работах были выявлены потенциально связанные с ними белки-мишени
(Таблица 1.4).
Таблица 1.4 – Белки-мишени, потенциально связанные с индукцией наиболее серьёзных
побочных эффектов, связанных с воздействием на сердечно-сосудистую систему.
№
Белок-мишень
1
5-hydroxytryptamine receptor 1A (HTR1A)
2
5-hydroxytryptamine receptor 1B (HTR1B)
3
5-hydroxytryptamine receptor 1D (HTR1D)
4
5-hydroxytryptamine receptor 1E (HTR1E)
СКА [78, 79], ЖТ [78, 79], ФЖ [78]
5
5-hydroxytryptamine receptor 1F (HTR1F)
СКА [78, 79], ЖТ [78, 79], ИШМ [78], ФЖ [78]
6
5-hydroxytryptamine receptor 2A (HTR2A)
СН [79], ПКС [11, 79], ЖТ [78]
7
5-hydroxytryptamine receptor 2B (HTR2B)
ПКС* [79]
8
5-hydroxytryptamine receptor 2C (HTR2C)
TdS, СН, ПКС [79], ЖТ [78], QT [11]
9
Alpha-1A adrenergic receptor (ADRA1A)
QT [78, 79], TdS [79], ЖА [77], ЖТ [78]
10
Alpha-1B adrenergic receptor (ADRA1B)
СТ [79]
11
ATP-binding cassette sub-family G member 2 (ABCG2)
ДЛЖ [78]
12
ATP-sensitive potassium channel
ИНМ, СН [11]
13
Adenosine receptor A2a (ADORA2A)
СТ [77], QT [11]
14
Amine oxidase [flavin-containing] A (MAOA)
СКА [78, 79]
15
Angiotensin-converting enzyme (ACE)
СТ [78, 79]
16
Apoptosis regulator BAX (BAX)
СН [78]
17
Baculoviral IAP repeat-containing protein 5 (BIRC5)
СН [78]
18
Beta-1 adrenergic receptor (ADRB1)
СТ [77], СН* [11, 77-79], АРМ [11]
19
Beta-2 adrenergic receptor (ADRB2)
ИНМ [77], СТ [77], ЖА [77], СН* [11, 77, 79], TdS [11]
20
Beta-3 adrenergic receptor (ADRB3)
СТ [77], СН [11, 77, 79], TdS [11], ИНМ [11]
21
cGMP-specific 3',5'-cyclic phosphodiesterase (PDE5A)
СТ [79], ЖА [78, 79], НСС [78, 79]
22
Canalicular multispecific organic anion transporter 2
(ABCC3)
Побочные эффекты (публикация)
СН [77], СКА [78, 79], ЖТ [78, 79], ПКС [79], ФЖ [78], QT [11],
TdS [11]
ИШМ* [78, 79], СТ [78, 79], СКА* [78, 79], ЖТ* [78, 79], ПКС
[79], ИНМ [78], ИШМ, ОКС [78], ФЖ [78]
ИШМ [78, 79], ИНМ [78, 79], СТ [78, 79], СКА* [78, 79], ЖТ
[78, 79], ПКС [79], ОКС [78], ФЖ [78], QT [11]
ГКМП [78]
23
Caspase-3 (CASP3)
СН [78]
24
Cathepsin B (CTSB)
СН, ИНМ [11]
25
Corticosteroid-binding globulin (SERPINA6)
ГКМП [78]
26
Cytochrome P450 1A2 (CYP1A2)
ИНМ [78, 79], ЖТ [78, 79], TdS [78, 79], ОКС [78]
27
Cytochrome P450 2B6 (CYP2B6)
TdS [79]
28
Cytochrome P450 2C9 (CYP2C9)
ИНМ [78, 79], СН [78, 79], СТ [78], ОКС [78]
29
Cytochrome P450 3A4 (CYP3A4)
30
Cytochrome P450 3A5 (CYP3A5)
TdS [78, 79], ДЛЖ [78]
31
Cytochrome P450 3A7 (CYP3A7)
QT, TdS, ДЛЖ [78, 79]
ИШМ [78, 79], QT [79], TdS [78, 79], ОКС, ЖТ [78], СН [78],
КМГ [78]
48
Продолжение таблицы 1.4
№
Белок-мишень
Побочные эффекты (публикация)
32
Cytochrome P450 2D6 (CYP2D6)
QT, TdS [78, 79], СН [79], ЖТ [78]
33
D[77] dopamine receptor (DRD1)
СН, ПКС [79], QT [11]
34
D[79] dopamine receptor (DRD2)
35
D[11] dopamine receptor (DRD3)
СН [79], ПКС [78, 79]
36
D[78] dopamine receptor (DRD4)
ЖТ, TdS, СН, ПКС [79], QT [11]
37
D(5) dopamine receptor (DRD5)
СН, ПКС [79]
38
DNA topoisomerase 2-alpha (TOP2A)
КМП [79]
39
Glucocorticoid receptor (NR3C1)
ГКМП, КМП, КМГ [78]
40
Histamine H1 receptor (HRH1)
QT [11], TdS [11]
41
Histamine H2 receptor (HRH2)
QT [11]
42
Interleukin-1 beta (IL1B)
QT [11], TdS [11]
43
Interleukin-8 (CXCL8)
СН [79], ГКМП [78]
44
Interleukin-10 (IL10)
СН [78]
45
Intermediate conductance calcium-activated potassium
channel protein 4 (KCNN4)
СТ [79], СН [79], ПКС [11, 78, 79], ЖТ [78], TdS [11, 78], QT
[11], ИНМ [11]
ИНМ [11]
46
Mast/stem cell growth factor receptor Kit (KIT)
ДЛЖ [78]
47
Mineralocorticoid receptor (NR3C2)
ГКМП [78]
48
Multidrug resistance protein 1 (ABCB1)
TdS [78, 79], ИНМ, ОКС, ЖТ [78], СН [78], КМП [78], ДЛЖ [78]
49
Platelet-derived growth factor receptor beta (PDGFRB)
ДЛЖ [78]
50
Potassium voltage-gated channel subfamily H
member 2 (KCNH2)
QT [77, 79], ЖТ* [78, 79], ФЖ [79], TdS* [78, 79]
51
Prostaglandin G/H synthase 1 (PTGS1)
ИНМ, СН* [78, 79]
52
Prostaglandin G/H synthase 2 (PTGS2)
ИНМ [79], СН* [78, 79], ОКС [78]
53
Renin (REN)
СТ [78]
54
Serum albumin (ALB)
СН [77]
55
Squalene synthase (FDFT1)
QT [11]
56
Sodium-dependent dopamine transporter (SLC6A3)
QT [11]
57
Sodium-dependent serotonin transporter (SLC6A4)
TdS [78, 79], ИНМ, ОКС [78], QT [11]
58
59
Sodium channel protein type 5 subunit alpha
(SCN5A)
Solute carrier organic anion transporter family member
1A2 (SLCO1A2)
ФЖ [77], СН [79]
ГКМП [78]
60
Substance-P receptor (TACR1)
ПКС [11]
61
Tyrosine-protein kinase ABL1 (ABL1)
ДЖ [78]
62
63
Voltage-dependent L-type calcium channel subunit
alpha-1C (CACNA1C)
Voltage-dependent calcium channel subunit alpha2/delta-1 (CACNA2D1)
СН* [79]
ИНМ, ОКС [78]
* – ассоциации между белками и побочными эффектами, для которых установлен причинно-следственный характер. Жирным выделены белки,
для которых ранее были известны ассоциации хотя бы с одним из перечисленных эффектов. Известные ассоциации описаны в базах данных
DART, DITOP и соответствующих публикациях (см. Таблицу 1.1). АРМ – аритмия; ГКМП – гипертрофичекая кардиомиопатия; ДЛЖ –
дисфункция левого желудочка; ДЖ – дисфункция желудочков; ЖА – желудочковые аритмии; ЖТ – желудочковая тахикардия; ИНМ – инфаркт
миокарда; ИШМ – ишемия миокарда; КМГ – кардиомегалия; КМП – кардиомиопатия; НСС – неожиданная сердечная смерть; ОКС – острый
коронарный синдром; ПКС – патологии клапанов сердца; СКА – спазм коронарных артерий; СН – сердечная недостаточность; СТ –
стенокардия; ФЖ – фибрилляция желудочков; QT – удлинение интервала QT на ЭКГ; TdS – torsade de pointes.
49
Лоункин с соавторами использовали экспериментально определённые профили 656
лекарственных соединений из 73 белков-мишеней, входящих в панели фирмы Novartis. При
помощи статистического анализа они выявили более 3000 ассоциаций с побочными эффектами
этих соединений. Однако, учитывая общее количество исследуемых белков-мишеней, авторы
выявили лишь незначительное количество ассоциаций с наиболее серьёзными побочными
эффектами, связанными с воздействием на сердечно-сосудистую систему: инфаркт и ишемия
миокарда – 1 мишень, сердечная недостаточность – 5 мишеней, аритмии – 4 мишени [77].
Работа Мэтьюс и Фрид, помимо прочего, посвящена идентификации молекулярных
механизмов действия лекарств (молекулярные механизмы учитывают тип действия соединения
на мишень: активация или ингибирование), ассоциированных с побочным действием на
сердечно-сосудистую систему. Для выявления ассоциаций они использовали профили 1632
лекарств из 432 молекулярных механизмов действия, предсказанных при помощи программы
BioEpistemeTM. В ходе статистического анализа авторы выявлили следующие ассоциации:
инфаркт и ишемия миокарда – 5 мишеней, середчная недостаточность – 8 мишеней, аритмии –
16 мишеней [11].
В упомянутой выше работе Дюран-Фригола с соавторами были выявлены следующие
ассоциации с побочными эффектами, связанными с воздействием на сердце: инфаркт и ишемия
миокарда – 11 мишеней, сердечная недостаточность – 23 мишени, аритмии – 18 мишеней [78].
Кун с соавторами использовали профили 550 лекарственных соединений из 296 мишеней,
данные о которых были получены из STITCH [89, 90]. При помощи статистического анализа
авторы выявили ассоциации между мишенями и побочными эффектами этих соединений. Более
того, анализ экспериментальных данных, в том числе по генетическому нокауту на мышах,
позволил установить причинно-следственный характер для многих из выявленных ассоциаций.
В данной работе были выявлены следующие ассоциации с побочными эффектами, связанными
с воздействием на сердце (количество ассоциаций для которых установлена причинноследственная связь): инфаркт и ишемия миокарда – 7 мишеней (1 мишень), сердечная
недостаточность – 22 мишени (6 мишеней), аритмии – 17 мишеней (2 мишени) [79].
Тем не менее, не смотря на значительный прогресс в решении поставленной задачи, в этих
работах было выявлено лишь незначительное количество новых ассоциаций, большая часть из
которых являются тривиальными. Например, среди выявленных мишеней (Таблица 1.4)
содержится большое количество адренорецепторов, рецепторов для серотонина и дофамина,
для которых хорошо известна роль в функционировании сердечно-сосудистой системы и их
идентификация не является неожиданной. Более того, за исключением работы Куна авторы не
проводили оценку причинно-следственного характера выявленных ассоциаций. Также в этих
50
работах за исключением исследования Дюран-Фригола не проводилось исследования общих
свойств выявленных мишеней, включая их участие в патофизиологических процессах, лежащих
в основе побочного действия на сердечно-сосудистую систему. Дюран-Фригола с соавторами
идентифицировали биологические процессы Gene Ontology и пути из KEGG, которые могут
быть ассоциированы с побочными эффектами, включая эффекты данной группы. Однако
авторы этого исследования не проводили анализ связи выявленных путей и процессов с
индукцией побочных эффектов.
Исходя из вышесказанного, целью диссертационной работы является разработка подхода
к оценке механизмов побочного действия лекарств на сердечно-сосудистую систему, который
позволил бы в значительной мере преодолеть указанные недостатки. Этот подход основан на
компьютерной оценке взаимодействия большого количества лекарственных соединений с
большим количеством белков, что позволит выявить значительное количество новых
ассоциаций. Оценка функционального сходства выявленных белков-мишеней с белками, для
которых известны ассоциации с соответствующими заболеваниями позволит приоритизировать
выявленные мишени по вероятности наличия связи с побочным действием на сердечнососудистую систему. Оценка сигнальных и метаболических путей и процессов, в которых
участвуют выявленные белки-мишени, в сочетании с анализом литературы позволит установить
патофизиологические процессы, лежащие в основе побочного действия на сердечнососудистую систему. На основе выявленных сигнальных путей будет построена регуляторная
сеть кардиомиоцита. Дискретное моделирование поведения сети при условии ингибирования её
вершин позволит выявить новые ассоциации между белками и побочным действием на сердце,
а также провести дополнительную верификацию белков-мишеней, выявленных при помощи
анализа предсказанных мишеней лекарственных соединений. Используя информацию о связи
белков-мишеней с заболеваниями, их участии в выявленных патофизиологических процессах и
роли в регуляторной сети кардиомиоцита, выявленные мишени будут классифицированы на
категории достоверности, отражающие степень уверенности относительно их участия в
индукции побочных эффектов, связанных с воздействием на сердечно-сосудистую систему.
51
ГЛАВА 2. МАТЕРИАЛЫ И МЕТОДЫ ИССЛЕДОВАНИЯ
2.1 Выборки структур лекарственных соединений с информацией о побочных эффектах
На первом этапе исследования были созданы выборки структур лекарственных
соединений с информацией об их способности вызывать инфаркт миокарда, сердечную
недостаточность и желудочковые аритмии, представляющие собой наиболее опасные
осложнения фармакотерапии. Эта информация была получена из следующих источников:
1. SIDER (версия 2) – общедоступный ресурс, содержащий информацию о побочных
эффектах лекарств, выявленных в ходе клинических испытаний и, в меньшей степени,
постмаркетинговых исследованиях [50, 61].
2. Веб-сайт RxList – общедоступный ресурс, содержащий информацию о продаваемых в
США лекарствах, включая подробное описание их побочных эффектов [197].
3. Энциклопедия
информацию
побочных
о
эффектов
побочных
лекарственных
эффектах
лекарств,
средств,
которая
полученную
путём
содержит
анализа
соответствующих публикаций и проанализированную экспертами [198].
4. Веб-сайт CredibleMeds – общедоступный ресурс, содержащий информацию о
лекарствах, которые вызывают удлинение интервала QT на ЭКГ и желудочковую
тахикардию типа Torsade de Pointes [199]. Torsade de Pointes или «пируэтная тахикардия»
является разновидностью желудочковой тахикардии и характеризуется различной
формой QRS комплексов на ЭКГ. Torsade de Pointes часто переходит в фибрилляцию
желудочков сердца, что заканчивается летальным исходом. Удлинение интервала QT на
ЭКГ является основным фактором риска для Torsade de Pointes. Лекарственные
соединения в CredibleMeds разделены на три категории: (1) соединения, для которых
известна связь с индукцией Torsade de Pointes; (2) соединения, для которых известна
связь с удлинением интервала QT, но для установления связи с индукцией Torsade de
Pointes в настоящее время недостаточно данных; (3) соединения, которые вызывают
Torsade de Pointes только в специфических условиях, например у пациентов с такими
факторами риска как врождённое удлинение интервала QT, электролитные нарушения,
сердечная недостаточность, гипотироидизм и др. [24].
5. Публикации в PubMed о результатах постмаркетинговых исследований и результатах
статистического анализа общедоступных баз данных по спонтанным сообщениям.
52
При создании выборок учитывались способы применения лекарственных веществ.
Лекарственные вещества, которые используются только местно, не были включены в выборки,
поскольку для индукции исследуемых побочных эффектов необходима их достаточная
концентрация в крови.
Информация о структурных формулах лекарственных соединений была получена из
общедоступного ресурса ChemIDplus [200]. В выборки не вошли неорганические, комплексные,
металлоорганические и заряженные соединения, а также соединения с молекулярной массой
больше 1250 а.е.м. и меньше 50 а.е.м., поскольку для этих соединений нельзя было выполнить
прогноз воздействия на белки человека при помощи используемых в данной работе методов.
Всего для дальнейшего анализа было отобрано 848 соединений.
На основании данных о структурах лекарственных соединений и исследуемых побочных
эффектах были созданы выборки, содержащие положительные и отрицательные примеры по
каждому побочному эффекту.
Инфаркт миокарда. Информация о способности лекарственных соединений вызывать
инфаркт миокарда была получена из SIDER, RxList, Энциклопедии и публикаций в PubMed.
Выборка содержала 828 структур лекарственных соединений, из которых 254 обладают
способностью вызывать инфаркт миокарда, а 574 соединения не проявляют такого эффекта.
Сердечная недостаточность. Информация о способности лекарственных соединений
вызывать сердечную недостаточность была получена из тех же источников, что и для инфаркта
миокарда. Выборка содержала 828 структур лекарственных соединений, из которых 236
обладают
способностью
вызывать
de
novo
или
усугублять
имеющуюся
сердечную
недостаточность, в то время как 592 соединения не проявляют такого эффекта.
Желудочковые аритмии. Информация о способности лекарственных соединений
вызывать
желудочковые
аритмии
была
получена
из
CredibleMeds,
SIDER,
RxList,
Энциклопедии и публикаций в PubMed. Категории в CredibleMeds отражают степень
уверенности относительно того, вызывает ли конкретное соединение желудочковую
тахикардию. Однако они также могут отражать различие в механизмах побочного действия
лекарств. Например, первая категория содержит большое количество антиаритмиков, для
которых известно воздействие на ионные каналы сердца и связь с индукцией Torsade de Pointes,
в то время как вторая категория содержит большое количество ингибиторов киназ, которые не
действуют на ионные каналы, но, тем не менее, ассоциированы с удлинением интервала QT на
ЭКГ. На основе этой информации были созданы три выборки, состоящие из соединений трёх
категорий в CredibleMeds и общего отрицательного контроля из 577 соединений, при
53
использовании которых в клинике по данным SIDER, RxList, Энциклопедии не наблюдалось
удлинения интервала QT и желудочковой тахикардии.
Первая выборка содержала 617 соединений, из которых 40 соединений обладают
способностью вызывать Torsade de Pointes.
Вторая выборка содержала 634 соединения, из которых 57 соединений обладают
способностью вызывать удлинение интервала QT и, возможно, Torsade de Pointes.
Третья выборка содержала 604 соединения, из которых 27 соединений обладают
способностью вызывать Torsade de Pointes у пациентов с факторами риска.
Сто сорок три соединения, которые вызывают желудочковые аритмии или удлинение
интервала QT по данным SIDER, RxList, Энциклопедии или публикаций в PubMed, но
отсутствуют в CredibleMeds, были помещены в четвёртую
выборку. Эта выборка
использовалась в дальнейшем для валидации полученных результатов по выявленным белкаммишеням лекарственных соединений, связанным с индукцией желудочковых аритмий.
Информация о способности 848 лекарственных соединений вызывать инфаркт миокарда,
сердечную недостаточность и желудочковые аритмии представлена в Таблице 1 Приложения.
2.2 Предсказание и анализ профилей воздействия лекарственных соединений на белки
человека
2.2.1 Программа PASS
PASS (Prediction of Activity Spectra for Substances) позволяет осуществлять качественный
прогноз спектров биологической активности лекарственноподобных соединений по их
структурной формуле [113, 114, 201-203]. Текущая версия PASS (PASS 2014) позволяет
осуществлять прогноз 7157 видов биологической активности: фармакотерапевтические и
побочные эффекты, биохимические механизмы действия (учитывают тип действия соединений
на белок: активация или ингибирование), взаимодействие с нежелательными мишенями
(antitargets – мишени, для которых известны ассоциации с серьёзными побочными эффектами),
транспортёрами и ферментами метаболизма, изменение генной экспрессии.
Главный принцип, который лежит в основе используемого в PASS подхода, заключается в
предположении, что биологическая активность соединений является функцией их структуры. В
PASS используются 2D структурные формулы, поскольку эта информация доступна для
большей части соединений с известной биологической активностью, а данные об активности
конкретных стереоизомеров сильно ограничены. Структуры соединений описываются в PASS
54
при помощи дескрипторов множественных атомных окрестностей (Multilevel Neighbourhoods of
Atoms - MNA). MNA дескрипторы позволяют описывать структуры молекул, которые
включают атомы водорода, в соответствии с валентностями и частичными зарядами атомов без
указания характера связей между ними. Эти дескрипторы представляют собой линейную запись
атом-центрированных фрагментов структуры органической молекулы [201]. MNA дескрипторы
генерируются как рекурсивно заданные последовательности:

MNA дескрипторы нулевого уровня представляют собой атомы как таковые.

MNA дескрипторы всех последующих уровней для конкретного атома A представляют
собой линейную запись фрагментов структуры молекулы A(D1D2..Di…), где Di
дескриптор предыдущего уровня для i-го ближайшего соседа атома A.
В настоящее время в PASS для предсказания биологической активности используются
дескрипторы 1-го и 2-го уровня. Пример представления структуры органического соединения в
виде MNA дескрипторов дан на рисунке 2.1 для рофекоксиба (Vioxx).
O
O
O S O
Структурная формула
HC
CHHHS
CHHCO
CHCC
CCCC
CCCS
CCOO
OC
OCC
OS
SCCOO
MNA дескрипторы
1-го уровня
C(C(CCC)C(CCC)C(CO-H-H))
C(C(CCC)C(CCC)C(CO-O))
C(C(CCC)C(CC-H)C(CC-H))
C(C(CCC)C(CC-H)-H(C))
C(C(CCC)O(CC)-H(C)-H(C))
C(C(CCC)O(CC)-O(C))
C(C(CC-H)C(CC-H)-H(C))
C(C(CC-H)C(CC-H)-S(C-C-O-O))
C(C(CC-H)C(CC-S)-H(C))
O(C(CO-H-H)C(CO-O))
-H(C(CC-H))
-H(C(CO-H-H))
-H(-C(-H-H-H-S))
-C(-H(-C)-H(-C)-H(-C)-S(C-C-O-O))
-O(C(CO-O))
-O(-S(C-C-O-O))
-S(C(CC-S)-C(-H-H-H-S)-O(-S)-O(-S))
MNA дескрипторы
2-го уровня
Рисунок 2.1 – Структурная формула рофекоксиба (Vioxx) и её представление в виде MNA дескрипторов.
Генерация MNA дескрипторов и выполнение прогноза биологической активности
происходит только в том случае, если структура органического соединения удовлетворяет
следующим требованиям:

Атомы должны быть записаны в виде символов периодической таблицы Менделеева,
другие символы не допускаются.

Молекула должна содержать только ковалентные связи (одинарные, двойные или
тройные).
55

Структура должна содержать не менее трёх атомов углерода.

Структура должна содержать только один компонент. Использование двух и более
компонентных структур не допускается.

Структура должна быть электронейтральна.

Структура не должна иметь молекулярную массу более 1250 а.е.м. и менее 50 а.е.м.
Структуры в PASS считаются эквивалентными, если они описываются одинаковым
набором MNA дескрипторов, поэтому разные стереоизомеры представляются как одна
структура.
Оценка спектра биологической активности для исследуемого соединения выполняется
PASS на основе данных, содержащихся в SAR Base (Structure-Activity Relationships database).
SAR Base содержит информацию о взаимосвязях структура-активность, полученную в ходе
процедуры обучения на основе данных об известных биологических активностях органических
соединений. Алгоритм оценки биологической активности в PASS разработан Филимоновым
Д.А. [202] и основан на наивном Байесовском подходе с некоторыми модификациями.
Оценка точности прогноза по каждому виду биологической активности осуществляется в
ходе обучения на основе процедуры скользящего контроля с исключением по одному.
Величиной оценки точности служит инвариантная точность прогноза, численно равная
площади под ROC кривой. Эта оценка может быть представлена как оценка вероятности того,
что при выборе случайным образом из генеральной совокупности пары соединений, одно из
которых проявляет в эксперименте данную активность, а другое нет, они будут
классифицированы правильно.
Результатом прогноза PASS является список биологических активностей, каждая из
которых характеризуется двумя вероятностями: Pa – вероятность наличия у соединения данной
активности и Pi – вероятность отсутствия у соединения данной активности. Соединения с PaPi>0 могут быть потенциально активными и чем больше эта разность, тем вероятнее
обнаружить активность в эксперименте.
Оценка белков-мишеней лекарственных соединений, связанных с индукцией побочных
эффектов, требует анализа профилей воздействия соединений на максимально большое число
белков человека. Поэтому в данной работе использовалась специальная версия PASS,
позволяющая осуществлять прогноз воздействия лекарственноподобных соединений на 1738
белков-мишеней человека без учёта характера этих воздействий (активация или ингибирование)
[204, 205]. В качестве обучающей выборки в этой версии используются данные о воздействии
227379 органических соединений с белками-мишенями человека, полученные из баз данных
ChEMBLdb_16 [85, 86] и DrugBank 3.0 [81, 82]. Структурные формулы этих соединений
56
удовлетворяют всем вышеописанным требованиям PASS, таким как молекулярная масса,
характер связей, электронейтральность и др. Данные о взаимодействиях лекарственноподобных
соединений с белками-мишенями человека в DrugBank представлены в качественном виде
(активен или неактивен) и включены в обучающую выборку без изменений. Количественные
данные из ChEMBL переведены в качественные на основании следующих критериев (Таблица
2.1).
Таблица 2.1 – Экспериментальные оценки взаимодействий «лиганд-белок» и соответствующие
пороги, предназначенные для классификации соединений на активные и неактивные.
Характеристики взаимодействий «лиганд-белок» Порог для активных соединений
EC50
IC50
Ki
DC50
Ингибирование
Инактивация
< 10-5 M
< 10-5 M
< 10-5 M
< 10-5 M
> 50 %
> 50 %
IC50 – 50-процентная ингибирующая концентрация; EC50 – 50-процентная эффективная концентрация; Ki –
константа ингибирования; DC50 – 50-процентная деполимеризующая концентрация; ингибирование/инактивация –
процент ингибирования функции белка при концентрации соединения 10-5М.
Средняя точность прогноза (площадь под ROC кривой, %) по 1738 мишеням, вычисленная
на основе скользящего контроля с исключением по одному, составляет 97%. Минимальная
точность прогноза среди 1738 мишеней составляет 85%. Пример прогноза белков-мишеней
человека для рофекоксиба представлен на рисунке 2.2.
57
Рисунок 2.2 – Результаты прогноза действия рофекоксиба (Vioxx) на белки-мишени человека.
Звездочкой в результатах прогноза помечены известные взаимодействия Vioxx с белками-мишенями
человека.
2.2.2 Статистический анализ
Белки-мишени, потенциально ассоциированные с индукцией исследуемых побочных
эффектов, были выявлены на основе сравнения величин Pa-Pi для каждой мишени между
соединениями, вызывающими и не вызывающими побочный эффект. Это сравнение было
выполнено при помощи статистики Манна-Уитни (U-статистика) [206]. На основе величин PaPi для каждой мишени были вычислены значения модифицированной U*-статистики, которая
может быть получена из U-статистики при её делении на произведение количеств соединений
вызывающих и не вызывающих побочный эффект:
U* = U/(Nэ*Nнэ),
(2.1)
где Nэ – число соединений, вызывающих побочный эффект, Nнэ – число соединений, не
вызывающих
побочный
эффект.
При
нулевой
гипотезе
U*-статистика
хорошо
аппроксимируется нормальным распределением со средним 0,5 и σ2 = (Nэ+Nнэ+1) / (12*Nэ*Nнэ).
Приблизительная верхняя граница 95%-ного доверительного интервала равная 0,5+1.96*σ была
использована в качестве порога для отбора мишеней, предположительно ассоциированных с
индукцией исследуемых побочных эффектов. Поскольку побочному эффекту «желудочковые
58
аритмии» соответствовали три выборки соединений, то для дальнейшего анализа были
отобраны только те мишени, для которых значения U*-статистики преодолевали порог не менее
чем на двух выборках.
2.3 Оценка биологических процессов
2.3.1 Оценка функционального сходства генов
Ассоциации между белками-мишенями и побочными эффектами, выявленные при
помощи статистического анализа результатов прогноза PASS, не всегда могут иметь причинноследственный характер. Вследствие этого для генов, кодирующих выявленные белки, была
проведена оценка функционального сходства с генами, для которых известны ассоциации с
соответствующими
патологиями:
инфаркт
миокарда,
сердечная
недостаточность
и
желудочковые аритмии. Информация об известных ассоциациях была получена из базы данных
PROTEOMETM
BIOBASE GmbH [165]: инфаркт миокарда
– 130 генов, сердечная
недостаточность – 224 гена, желудочковые аритмии – 40 генов. Известные ассоциации были в
основном получены при помощи экспериментов по генетическому нокауту на мышах и в ходе
широкомасштабных генетических исследований по выявлению полиморфизмов, влияющих на
риск заболеваний.
Оценка функционального сходства каждого из генов, которые кодируют выявленные
белки-мишени, с генами, для которых известны ассоциации с заболеваниями, производилась
при помощи алгоритма случайного блуждания с возвратом в сети функциональной взаимосвязи
генов, реализованного Ли и Квон в плагине GPEC Cytoscape [207]. Вычисления в GPEC
выполняются на основе сети функциональной взаимосвязи генов, которая была получена
Лингху с соавторами на основе интеграции 16 различных типов взаимосвязей между генами
[174]. В силу большого размера этой сети в плагине используется только топ 1%
взаимодействий с наибольшими интегральными оценками, что позволяет существенно
повысить скорость вычислений. Таким образом, в GREC используется фрагмент сети
функциональной взаимосвязи генов, состоящий из 14230 вершин и 263884 рёбер. Алгоритм
случайного блуждания с возвратом позволяет проводить оценку функционального сходства
генов на основе глобальной топологии сети. Он подробно описан в Литературном обзоре.
Оценка точности алгоритма выполняется на основе процедуры скользящего контроля с
исключением по одному. В ходе этой процедуры каждый из генов, для которых известны
ассоциации с соответствующим заболеванием, исключается из списка и получает оценку
59
наравне со всеми остальными генами сети. Далее вычисляется площадь под ROC кривой,
отражающая
точность
оценки
функционального
сходства
для
каждого
конкретного
заболевания.
Исследуемым белкам-мишеням присваивалась оценка, полученная для соответствующего
гена. В случае если мишень представляет собой комплекс белков, то вычислялось среднее
значение оценок отдельных белков. Таким образом, был получен ранжированный список
мишеней, в верхней части которого находились белки, которые участвуют в тех же
биологических процессах, что и белки с известными ассоциациями с заболеванием. Это
означает, что они с большей вероятностью могут участвовать в этиопатогенезе побочного
эффекта, чем белки-мишени из нижней части ранжированного списка.
При построении распределений оценок алгоритма случайного блуждания для групп генов
использовался разработанный Д.А. Филимоновым метод полиномиальных оценок выборочных
распределений [202].
2.3.2 Анализ обогащения биологических путей и процессов
Анализ обогащения биологических путей и процессов был выполнен при помощи плагина
ClueGO Cytoscape [192]. Анализ обогащения в ClueGO основан на использовании
гипергеометрического распределения, при котором вероятность того, что случайная величина X
примет конкретное значение k может быть рассчитана как:
,
(2.2)
где N – размер референсной выборки генов, K – общее число генов, входящих в биологический
путь/процесс, n – число генов в исследуемой выборке, k – число генов исследуемой выборки,
которые входят в путь/процесс,
,
, и
– соответствующие биномиальные
коэффициенты. Чем больший процент исследуемых генов участвует в биологическом
пути/процессе по сравнению с генами референсной выборки, тем более значимым является
результат. В ClueGO по умолчанию в качестве генов референсной выборки используются все
гены, для которых известно участие в биологических путях или процессах из выбранного
пользователем источника.
Задача оценки биологических путей/процессов, обогащённых исследуемыми генами,
представляет
собой
статистическую
задачу
множественной
проверки
гипотез.
При
множественной проверке гипотез групповая вероятность ошибки первого рода может быть
достаточно велика. Другими словами окончательный список обогащённых путей или процессов
60
может содержать в себе достаточно большой процент путей и процессов, не имеющих
отношения к этиопатогенезу побочных эффектов или заболеваний. Минимизация доли ложных
отклонений при множественной проверке гипотез осуществляется при помощи различных
процедур, обеспечивающих контроль над групповой вероятностью ошибок первого рода. Такой
контроль означает, что при множественном тестировании вероятность совершить хотя бы одну
ошибку первого рода удерживается в пределах ≤α, где α – общепринятый в статистике уровень
значимости. ClueGo позволяет использовать поправки Бонферрони и Беньямини-Хохберга. Для
оценки биологических путей и процессов, лежащих в основе этиопатогенеза исследуемых
побочных эффектов, был использован метод Беньямини-Хохберга [208], поскольку он обладает
большей мощностью при тестировании большого количества гипотез. В методе БеньяминиХохберга вместо контроля над групповой вероятностью ошибок первого рода используется
контроль над ожидаемой долей ложных отклонений среди всех отклонённых гипотез. Для
каждого биологического пути или процесса по аналогии с величиной p рассчитывается
величина q, которая представляет собой минимальную ожидаемую долю ложных отклонений,
при которой обогащение пути или процесса может считаться значимым.
Для каждого из побочных эффектов при помощи ClueGo были построены сети сходства
сигнальных и метаболических путей, в которых вершинами являлись пути из KEGG и
REACTOME, а рёбра отражали процент общих генов между ними. Построение этих сетей
включает следующие этапы:
1. Идентификация сигнальных и метаболических путей, обогащённых генами, которые
кодируют белки-мишени, выявленные в ходе анализа прогноза PASS.
2. Идентификация сигнальных и метаболических путей, обогащенных генами, для которых
известны ассоциации с соответствующим заболеванием.
3. Оценка каппа коэффициента Коэна для каждой пары путей. Каппа коэффициент зависит
от наличия общих генов между путями. Наличие или отсутствие ребра между
вершинами в сети определяется пороговым значением этого коэффициента, которое
подбиралось индивидуально для каждого побочного эффекта.
Аналогичные сети для каждого побочного эффекта были построены из обогащённых
биологических процессов Gene Ontology.
Для построения сетей сходства биологических путей и процессов были выбраны
следующие параметры.
Сети сходства биологических путей из KEGG и REACTOME. Значения величины q<0.05 и
каппа коэффициента 0,4 для всех побочных эффектов. Из сетей удалены пути KEGG,
отражающие этиопатогенез заболеваний. Подписи вершин, отражающих общие и наиболее
61
специфические пути, были удалены, например «Регуляция транспорта инсулиноподобного
фактора роста» из REACTOME.
Сети сходства биологических процессов Gene Ontology. Сети включают в себя только
процессы Gene Ontology с 7-го по 15-й уровни иерархии. Значения каппа коэффициента 0,4 для
всех побочных эффектов. Величина q меньше 0,01 для инфаркта миокарда, 0,05 для сердечной
недостаточности и 0,1 для желудочковых аритмий. При построении сетей сходства
биологических процессов Gene Ontology при помощи плагина ClueGo Cytoscape использовалась
опция “Fusion”, что позволило объединять в один сходные по смыслу термины. Подписи
вершин, отражающих общие и наиболее специфические процессы, были удалены.
2.4 Регуляторная сеть кардиомиоцита
Регуляторная сеть кардиомиоцита (РСК) представляет собой теоретическую абстракцию
биохимических
реакций и
межмолекулярных
взаимодействий, которые протекают в
кардиомиоцитах сердца. РСК является сигнальной регуляторной сетью, описывающей передачу
сигнала с рецепторов в ядро кардиомиоцита и регуляцию изменения экспрессии генов в ответ
на внешнее воздействие. Вершины этой сети представляют собой белки, белковые комплексы,
гены, низкомолекулярные соединения и ионы. Рёбра представлены двумя основными типами
«активация» и «ингибирование», и отражают различные виды биохимических реакций и
взаимодействий между молекулами и генами: фосфорилирование и другие посттрансляционные
модификации, связывание с белком или комплексом, протеолиз, связывание с промотором гена,
экспрессия гена в белок и др. РСК была построена на основе данных из трёх источников:
1. Все сигнальные и регуляторные пути из KEGG [158, 159], из секций «передача сигнала»
и «межклеточная коммуникация», поскольку они необходимы для нормального
функционирования любой клетки. В сеть включались также пути из других секций, если
они являлись специфичными для сердца или были выявлены в ходе оценки
биологических процессов, лежащих в основе этиологии исследуемых побочных
эффектов. Эти пути включали в себя: «апоптоз», «сигнальный путь p53», «регуляция
актинового
цитоскелета»,
адипоцитокинов»,
«сокращение
«сигнальный
сердечной
кардиомиоцитах»,
«сигнальный
путь
мышцы»,
путь
инсулина»,
эстрогенов»,
«сигнальный
«адренергический
«гипертрофическая
«сигнальный
путь
сигнальный
кардиомиопатия»,
кардиомиопатия правого желудочка» и «дилатационная кардиомиопатия».
путь
PPAR»,
путь
в
«аритмогенная
62
2. Все свободно-доступные пути из MetaCoreTM Thomson Reuters [160] за исключением
путей, связанных с клетками иммунной системы, нейрофизиологическими процессами и
клеточным циклом.
3. Информация о биохимических реакциях и межмолекулярных взаимодействиях,
полученная из PROTEOMETM BIOBASE GmbH [165]. Эта информация была
экстрагирована только для молекул и белков, входящих в отобранные пути из KEGG и
MetaCoreTM.
Для построения и хранения РСК использовалась общедоступная программа Cytoscape
[209] (версия 2.8.2) (Рисунок 2.3). Окончательная версия РСК содержит 1026 вершин и 2952
направленных рёбер. Информация о вершинах РСК представлена в Таблице 2 Приложения.
Рисунок 2.3 – Визуализация регуляторной сети кардиомиоцита в Cytoscape 2.8.2.
2.5 Дихотомическое моделирование
Алгоритм дискретного дихотомического моделирования, разработанный Коборовой с
соавторами, позволяет исследовать поведение больших регуляторных сетей, содержащих
несколько тысяч вершин, в зависимости от условий [210]. Этот алгоритм был использован для
дополнительной
верификации
желудочковыми
аритмиями
выявленных
и
сердечной
мишеней,
предположительно
недостаточностью,
а
также
связанных
для
с
поиска
дополнительных белков-мишеней, которые не могли быть найдены на основе анализа прогноза
PASS. Например, это белки, на которые не действуют исследуемые соединения, или белки,
63
воздействия на которые не может предсказывать PASS. В данном подходе РСК была
представлена как дихотомическая регуляторная сеть, в которой каждая вершина S может
находиться в двух состояниях: 1 – активна или 0 – неактивна. Направленные рёбра в
дихотомической модели имеют веса: 1 – активация и -1 – инактивация. Последовательность
состояний S(0), S(1), S(2)…S(n) называется траекторией, а подмножество состояний вершин
{S}ϵ2n называется событием. Моделирование регуляторных процессов основано на вычислении
траекторий S(0), S(1), S(2)…S(n). Состояние каждой вершины на каждом шаге моделирования
S(t) вычисляется при помощи дихотомических функций:
,
где, S(t+1) – текущее состояние вершины, Sk(t) – состояния вышележащих вершин на
предыдущем шаге моделирования, bk – веса входящих рёбер: 1 (активация) и -1 (инактивация).
Параметр ai может использоваться для более точной настройки модели в соответствии с
известными данными о регуляторных процессах и может отражать влияние неизвестной части
регуляторной сети. По умолчанию этому параметру присваивается значение 0 для каждой
вершины. В модели РСК значения ai параметра были изменены для 21 узла (Таблица 3
Приложения). Пороговая функция θ(z) = 1, если z>0, и θ(z) = 0, если z≤0. Иными словами, если
на данном шаге моделирования количество активирующих воздействий на вершину превышает
количество ингибирующих, то вершине присваивается значение 1, в противном случае 0.
Входными данными в дихотомической модели являются данные о её начальном
состоянии S(0). В модели РСК значения S(0) = 1 были присвоены 60 вершинам, которые
соответствовали генам домашнего хозяйства (Таблица 4 Приложения). Эти гены необходимы
для нормального функционирования клетки и активны во всех тканях и типах клеток.
Информация о генах домашнего хозяйства человека была получена из базы данных ExPlainTM
BIOBASE GmbH [211, 212]. Для 60 вершин, которые были активны в начальном состоянии,
использовались другие пороговые функции: θ(z) = 1, если z≥0, и θ(z) = 0, если z<0. Иными
словами активность этих вершин поддерживалась в отсутствии каких-либо воздействий.
Алгоритм дихотомического моделирования может использоваться для оценки изменения
поведения регуляторной сети в зависимости от условий. Таким условием может являться
ингибирование/активация отдельных вершин сети или их комбинаций. Алгоритм позволяет
быстро вычислять большое количество траекторий, что может быть использовано при поиске
вершин, ингибирование или активация которых приводят к желаемому или ключевому
событию в сети. Таким событием может являться активация или инактивация фрагментов сети
или
отдельных
вершин.
При
моделировании
ингибирования
вершин
их
определяются как S(0) = S(1) = S(2) = … = S(n) = 0 (аналогично S = 1 для активации).
состояния
64
В модели РСК ключевым событием может являться активация или инактивация вершины,
для которой известна связь с соответствующей патологией: аритмиями или дисфункцией
сердца, приводящей к сердечной недостаточности. Таким образом, при помощи моделирования
могут
быть
идентифицированы
белки,
ингибирование
которых
приводит
к
активации/инактивации белков с известной взаимосвязью с соответствующей патологией.
Например, можно идентифицировать белки, ингибирование которых приводит к снижению
активности HERG калиевых каналов, что ассоциировано с повышенным риском желудочковых
аритмий.
Информация об известных связях между белками сети, желудочковыми аритмиями и
сердечной недостаточностью была получена методом text-mining с использованием программы
Anni 2.1 [213]. Полученные публикации были проверены вручную. В качестве вершин РСК,
связанных с ключевыми событиями, были выбраны вершины, удовлетворяющие следующим
условиям:
1. Если вершина сети при моделировании в норме активна, а ингибирование
соответствующего белка в эксперименте приводит к патологии (аритмии или сердечная
недостаточность), то в качестве ключевого события выбирается инактивация вершины.
2. Если
вершина
сети
при
моделировании
в
норме
неактивна,
а
активация
соответствующего белка в эксперименте приводит к патологии (аритмии или сердечная
недостаточность), то в качестве ключевого события выбирается активация вершины.
С целью поиска белков, воздействие на которые может приводить к развитию побочных
эффектов, было выполнено моделирование ингибирования белковых вершин РСК по одной и в
комбинациях по две, и отбирались вершины, ингибирование которых приводило хотя бы к
одному ключевому событию. Количество шагов моделирования было выбрано равным 100,
поскольку при моделировании регуляторных процессов РСК приходила в стационарное
состояние уже после 20 шагов моделирования.
В рамках данной работы алгоритм дихотомического моделирования, ранее разработанный
Коборовой с соавторами [210], был реализован в виде компьютерной программы Net2Target
(Рисунок 2.4).
Эта программа позволяет загружать текстовые файлы с информацией о сети и начальном
состоянии модели, выбирать параметры моделирования, сохранять и загружать данные о
начальном состоянии программы, включая все опции, выбранные пользователем, а также
сохранять результаты моделирования в виде текстовых файлов.
65
Рисунок 2.4 – Интерфейс программы Net2Target. Каждая ячейка таблицы обозначает активность
вершины на определённом шаге моделирования: красный цвет – активна, голубой цвет – неактивна.
66
ГЛАВА 3. РЕЗУЛЬТАТЫ И ОБСУЖДЕНИЕ
3.1 Общая схема разработанного подхода
Основной причиной развития побочного действия лекарственных соединений является их
неселективное
взаимодействие
с
белками-мишенями
человека.
Одним
из
наиболее
распространённых и опасных для жизни человека видов побочного действия лекарств является
побочное действие на сердечно-сосудистую систему. Целью данной работы является
идентификация белков-мишеней, воздействие на которые приводит к индукции инфаркта
миокарда, сердечной недостаточности и желудочковых аритмий как наиболее серьёзных
побочных эффектов данной группы. Понимание общих патофизиологических механизмов
побочного действия также необходимо для его оценки на ранних этапах разработки
лекарственных средств. В рамках данной работы помимо белков-мишеней были выявлены
биологические процессы на уровне клетки, ткани, органа или организма, нарушение которых
под действием лекарств приводит к индукции исследуемых побочных эффектов. Для решения
поставленных задач был разработан подход in silico, который включает следующие этапы
(Рисунок 3.1):
1. Создание выборок структур лекарственных соединений, включающих положительные и
отрицательные примеры по следующим побочным эффектам: инфаркт миокарда,
сердечная недостаточность и желудочковые аритмии.
2. Компьютерная оценка профилей воздействия исследуемых соединений на белки-мишени
человека.
3. Выявление статистически значимых отличий по прогнозируемым взаимодействиям с
белками-мишенями между соединениями, вызывающими исследуемый побочный
эффект, и соединениями, не вызывающими побочного эффекта.
4. Оценка функционального сходства генов, кодирующих выявленные белки-мишени, с
генами, для которых известны ассоциации с соответствующими заболеваниями, при
помощи алгоритма случайного блуждания в сети функциональной взаимосвязи генов.
5. Идентификация
биологических
процессов,
лежащих
в
основе
этиопатогенеза
исследуемых побочных эффектов, на основе анализа обогащения биологических
процессов Gene Ontology и биологических путей из KEGG и REACTOME с
последующим анализом литературы.
67
6. Создание регуляторной сети кардиомиоцита (РСК), описывающей выявленные
процессы.
7. Идентификация
ассоциаций
между
белками
РСК
и
индукцией
сердечной
недостаточности и желудочковых аритмий при помощи дискретного моделирования
поведения РСК при условии ингибирования её вершин.
8. Классификация
выявленных
белков-мишеней
на
три
категории
достоверности
относительно их участия в этиопатогенезе исследуемых побочных эффектов.
Рисунок 3.1 – Общая схема разработанного подхода к оценке механизмов побочного действия
лекарственных веществ на сердечно-сосудистую систему.
68
3.2 Оценка ассоциаций «белок - побочный эффект» на основе анализа предсказанных
профилей
Результатом прогноза PASS для каждого соединения по каждому белку-мишени являются
величины вероятности: Pa – вероятность того, что соединение действует на данный белок, Pi –
вероятность того, что соединение не действует на данный белок. Соединения со значением PaPi>0 потенциально могут действовать на данный белок-мишень. Оценка наиболее значимых
отличий по белкам-мишеням между соединениями, вызывающими и не вызывающими
исследуемый побочный эффект, проводилась на основе сравнения величин разности Pa-Pi по
каждому белку. Для каждого белка вычислялось значение модифицированной статистики
Манна-Уитни и для дальнейшего анализа отбирались белки-мишени со значением статистики
больше 1,96 стандартных отклонений от среднего.
Инфаркт миокарда. Выборка структур лекарственных соединений с информацией об их
способности вызывать инфаркт миокарда включала 828 соединений, из которых 254
соединения ассоциированы с этим эффектом. На основе статистического анализа прогноза
PASS было выявлено 155 белков-мишеней, воздействие на которые потенциально может влиять
на риск развития инфаркта миокарда.
Сердечная
недостаточность.
Выборка
структур
лекарственных
соединений
с
информацией об их способности вызывать сердечную недостаточность включала 828
соединений, из которых 236 соединений ассоциированы с этим эффектом. На основе
статистического анализа прогноза PASS было выявлено 362 белка-мишени, воздействие на
которые
потенциально
может
вызывать
или
усугублять
имеющуюся
сердечную
недостаточность.
Желудочковые аритмии. На основе общедоступной информации о способности
лекарственных соединений вызывать удлинение интервала QT на ЭКГ и желудочковую
тахикардию типа Torsade de Pointes были созданы три выборки структур. Каждая выборка
включала общий отрицательный контроль из 577 соединений и различные положительные
примеры соединений, ассоциированные с риском желудочковых аритмий (40, 57 и 27
соединений соответственно). Первая выборка включала 40 соединений, для которых точно
известно, что они вызывают Torsade de Pointes. Вторая выборка включала 57 соединений, для
которых точно известно, что они вызывают удлинение интервала QT на ЭКГ, однако для
оценки их способности вызывать Torsade de Pointes на данный момент недостаточно данных.
Третья выборка включала 27 соединений, для которых известно, что они способны вызывать
69
Torsade de Pointes, но только в специфических условиях, например при наличии факторов
риска. Значения модифицированной статистики Манна-Уитни были вычислены по каждому
белку-мишени для каждой из трёх выборок отдельно. Для дальнейшего анализа отбирались
белки-мишени, для которых значения статистики Манна-Уитни преодолевали порог не менее
чем на двух выборках, что снижает вероятность выявления ложных ассоциаций. В результате
анализа были выявлены 203 белка-мишени, воздействие на которые потенциально способно
приводить к индукции желудочковых аритмий.
Наиболее распространённым классом белков-мишеней, ассоциированных с инфарктом
миокарда, являлись GPCR (G protein-coupled receptors) рецепторы, в то время как наиболее
распространённым классом белков-мишеней, ассоциированных с сердечной недостаточностью
и желудочковыми аритмиями, являлись киназы (Рисунок 3.2).
Рисунок 3.2 – Классы белков-мишеней, потенциально ассоциированных с индукцией инфаркта
миокарда, сердечной недостаточности и желудочковых аритмий.
Поскольку не все выявленные ассоциации могут иметь причинно-следственный характер,
далее
был
выполнен
анализ
биологических
процессов,
в
которых
участвуют
идентифицированные белки-мишени, и оценка их связи с этиологией соответствующих
заболеваний.
70
3.3 Оценка биологических процессов
3.3.1 Инфаркт миокарда
В ходе статистического анализа было выявлено 155 белков-мишеней лекарственных
соединений, предположительно ассоциированных с индукцией инфаркта миокарда, что
соответствует 159 кодирующим их генам. Для каждого из этих 159 генов была выполнена
оценка функционального сходства со 130 генами, для которых известны ассоциации с
инфарктом миокарда как заболеванием (см. Материалы и Методы). Списки из 159 и 130 генов
содержали 6 общих генов: CYP11B2, ITGB3, PPARG, ALOX5AP, BDKRB1 и GHRL. Эти гены
были исключены из списка 130 генов, а оставшиеся 124 гена были использованы для оценки
функционального сходства со 159 генами. Оценка функционального сходства производилась
при помощи алгоритма случайного блуждания в сети функциональной взаимосвязи генов (см.
Материалы и Методы). Вначале была определена точность оценки функционального сходства
при помощи процедуры скользящего контроля с исключением по одному среди 124 генов.
Вычисленное значение площади под ROC кривой составило 0,89, что свидетельствует о
высокой точности оценки. Далее оценка функционального сходства со 124 генами была
выполнена для каждого из 159 генов. Пять из 6-ти общих генов (CYP11B2, ITGB3, PPARG,
ALOX5AP и GHRL) попали в топ 50 генов с наибольшими оценками. Оценки сходства, которые
получили 159 генов, были сопоставлены с оценками для всех остальных генов сети (13938
генов) (Рисунок 3.3).
Рисунок 3.3 – Сравнение оценок функционального сходства 159 и 13938 генов в отрицательной
логарифмической шкале. Наиболее низкие оценки в логарифмической шкале соответствуют наиболее
высоким оценкам функционального сходства.
71
Рисунок 3.3 демонстрирует, что гены, кодирующие выявленные белки-мишени, получают
более высокие оценки сходства, чем в среднем по сети. Это означает, что большинство из
выявленных 155 белков-мишеней, участвуют в тех же биологических процессах, что и белки,
для которых известны ассоциации с инфарктом миокарда. Таким образом, многие из 155
белков-мишеней могут участвовать в этиопатогенезе инфаркта миокарда, индуцируемого
лекарствами.
Оценка биологических процессов, лежащих в основе этиопатогенеза инфаркта миокарда,
индуцируемого лекарствами, была выполнена при помощи анализа обогащения биологических
процессов Gene Ontology и биологических путей из KEGG и REACTOME. Анализ обогащения
был выполнен при помощи плагина ClueGO Cytoscape. Анализ обогащения сигнальных и
метаболических путей из KEGG и REACTOME, а также биологических процессов Gene
Ontology, производился отдельно для 159 и 124 генов. На основе выявленных путей и
процессов были построены две сети сходства: сеть сходства сигнальных и метаболических
путей из KEGG и REACTOME и сеть сходства биологических процессов Gene Ontology
(Рисунки 3.4 и 3.5). Для анализа обогащения и построения сетей сходства использовались
параметры, описанные в Материалах и Методах.
Рисунки 3.4 и 3.5 демонстрируют, что выявленные в ходе анализа 159 генов в целом
участвуют в тех же биологических путях и процессах, что и 124 гена, для которых известны
ассоциации с инфарктом миокарда. Тем не менее, 124 гена специфически обогащают пути и
процессы, связанные со свёртыванием крови и метаболизмом липопротеидов, в то время как
пути и процессы, обогащенные выявленными 159 генами более разнообразны. Например, это
такие процессы как регуляция секреции инсулина, метаболизм стероидных гормонов, секреция
желчных кислот и апоптоз. Анализ построенных сетей сходства в сочетании с анализом
литературы позволил идентифицировать ключевые биологические процессы, нарушение
которых под действием лекарственных веществ может приводить к индукции инфаркта
миокарда. В результате анализа были выявлены следующие процессы:
1. воспалительный ответ;
2. регуляция артериального давления;
3. ангиогенез;
4. регуляция целостности эндотелиального барьера артерий;
5. регуляция секреции инсулина и формирование инсулинорезистентности;
6. пролиферация, миграция и апоптоз гладкомышечных клеток стенки сосудов;
7. апоптоз эндотелиальных клеток;
8. регуляция гемостаза;
72
9. регуляция сокращений сердца;
10. метаболизм и транспорт стероидных гормонов;
11. регуляция тонуса коронарных артерий;
12. секреция и метаболизм желчных кислот;
13. метаболизм и транспорт холестерина и липопротеидов.
Рисунок 3.4 – Сеть сходства сигнальных и метаболических путей из KEGG и REACTOME, обогащённых
159 генами, которые кодируют выявленные в ходе анализа белки-мишени, и 124 генами, для которых
известны ассоциации с инфарктом миокарда. Зелёные вершины представляют собой пути, специфически
обогащённые 159 генами. Красные вершины представляют собой пути, специфически обогащённые 124
генами. Белые вершины – пути, неспецифически обогащённые генами из обоих списков в равном
процентном отношении. Интенсивность цвета отражает специфичность обогащения.
Большинство из выявленных процессов ассоциировано с атеросклерозом. Связь с
индукцией инфаркта лекарствами для таких процессов как воспалительный ответ, регуляция
артериального давления, регуляция гемостаза, регуляция сокращений сердца, регуляция тонуса
коронарных артерий была известна ранее и описана в разделе 1.3 «Механизмы побочного
действия лекарств на сердечно-сосудистую систему» Обзора литературы. Для остальных
73
процессов установлена связь с атеросклерозом, но ранее не было известно, что их нарушение
под действием лекарств может приводить к индукции инфаркта миокарда.
Рисунок 3.5 – Сеть сходства биологических процессов Gene Ontology, обогащённых 159 генами, которые
кодируют выявленные в ходе анализа белки-мишени, и 124 генами, для которых известны ассоциации с
инфарктом миокарда. Зелёные вершины представляют собой процессы, специфически обогащённые 159
генами. Красные вершины представляют собой процессы, специфически обогащённые 124 генами.
Белые вершины – процессы, неспецифически обогащённые генами из обоих списков в равном
процентном отношении. Интенсивность цвета отражает специфичность обогащения.
Апоптоз эндотелиальных клеток интимы коронарных артерий приводит к экспозиции
отрицательно заряженных компонентов матрикса и тромбозам [214, 215]. Нарушение
функционирования эндотелиальных клеток артерий ассоциировано с повышением их
проницаемости для липопротеидов и лейкоцитов, повышением секреции провоспалительных
цитокинов и генерации активных форм кислорода, что усиливает атерогенез [216].
Гладкомышечные клетки артерий при атеросклерозе обладают способностью к пролиферации и
секреции цитокинов и белков межклеточного матрикса, что приводит к ремоделированию
74
стенки сосуда и прогрессии атеросклеротических изменений [217]. Апоптоз гладкомышечных
клеток в капсуле атеросклеротической бляшки приводит к её истончению и разрыву с
последующим
тромбозом.
Ангиогенез
в
атеросклеротических
бляшках,
вызванный
хроническим воспалением и гипоксией, ассоциирован с формированием новых микрососудов
по типу vasa vasorum, которые прорастают бляшку. Однако новые сосуды характеризуются
сниженной целостностью эндотелиального барьера, что ассоциировано с возникновением
множественных
кровоизлияний
в
бляшку,
усилением
трансэндотелиальной
миграции
липопротеинов и лейкоцитов и, в конечном счете, снижением стабильности бляшки [218].
Инсулинорезистентность, гиперинсулинемия и гипергликемия приводят к функциональным
изменениям в эндотелиальных клетках, гладкомышечных клетках и макрофагах, что ведёт к
прогрессии атеросклеротических изменений в стенках коронарных артерий [219, 220].
Гиперинсулинемия также ассоциирована с такими патологиями как дислипидемия, ожирение и
артериальная гипертензия. Изменение уровня стероидных гормонов в крови, таких как
эстрогены, андрогены, прогестины, глюко- и минералокортикоиды, ассоциировано с
повышенным риском инфаркта миокарда [221, 222]. Снижение экскреции желчных кислот и
повышение их уровня в крови ассоциировано с прогрессией атеросклеротических изменений в
коронарных артериях [223]. Нарушения транспорта и метаболизма жирных кислот
ассоциировано с такими патологиями как инсулинорезистентность, дислипидемия, нарушение
гемостаза и усиление воспаления, что также может усиливать атерогенез и повышать риск
развития инфаркта [224-226].
Анализ публикаций в PubMed выявил, что 155 белков-мишеней, предположительно
ассоциированных с индукцией инфаркта миокарда, наиболее часто участвуют в таких
процессах как воспалительный ответ, регуляция артериального давления, ангиогенез и
регуляция секреции инсулина/формирование инсулинорезистентности (Рисунок 3.6).
Выявленные белки-мишени были классифицированы на три категории в зависимости от
степени достоверности относительно их участия в этиопатогенезе инфаркта миокарда,
индуцируемого лекарствами.
1. Категория
мишеней
с
высокой
степенью
достоверности
(первая
категория
достоверности) включает 49 белков-мишеней, для которых в литературе удалось найти
данные об их участии в этиопатогенезе атеросклероза и инфаркта миокарда (Таблица
3.1). Среди 49 белков-мишеней были выявлены 2 мишени (ADRA2B и ADRA2С), для
которых связь с инфарктом миокарда, индуцируемым лекарствами, была известна ранее
[6].
75
2. Категория
мишеней
со
средней
степенью
достоверности
(вторая
категория
достоверности) включает 66 белков-мишеней, для которых в литературе не было
непосредственных данных об участии в этиопатогенезе атеросклероза или инфаркта, но
были данные об их участии в выявленных процессах (см. рисунок 3.6) (Таблица 3.2).
3. Категория мишеней с низкой степенью достоверности (третья категория достоверности)
включает 40 белков-мишеней, для которых в литературе не нашлось никаких данных,
подтверждающих их связь с инфарктом миокарда или выявленными процессами
(Таблица 3.3). Для белков-мишеней из этой категории, имеющих высокие оценки
функционального сходства, связь с инфарктом миокарда наиболее вероятна. Третья
категория
также
включает
белки-мишени,
ингибирование
которых
согласно
экспериментальным данным потенциально способно снижать риск развития инфаркта.
Их идентификация может являться ошибкой, либо их связь с индукцией инфаркта
миокарда опосредована участием в биологических процессах, о которых в настоящее
время нет данных.
Рисунок 3.6 – Биологические процессы, ассоциированные с индукцией инфаркта миокарда, в которых
участвуют выявленные 155 белков-мишеней.
Таблица 3.1 – Белки-мишени, ассоциированные с индукцией инфаркта миокарда, из первой категории достоверности.
Белок-мишень
Ген
Кол.
акт.
соед.
Umстат
Величина P
-Log2
(Оценка
сходства)
Класс
мишеней
Биологические процессы
5-lipoxygenase activating protein
ALOX5AP
5
0,559
0,0034
12,74
ДБ
ВОСП
CHRNA1
28
0,559
0,0032
15,14
ИК
АНГ, КОР
SOAT1
5
0,549
0,0121
15,01
ДФ
ХОЛ
SOAT2
58
0,558
0,0039
15,08
ДФ
ХОЛ
Alpha-1a adrenergic receptor
ADRA1A
56
0,544
0,0206
14,52
GPCR
Alpha-1d adrenergic receptor
ADRA1D
60
0,547
0,0148
15,0
GPCR
Alpha-2a adrenergic receptor
ADRA2A
71
0,545
0,0183
15,02
GPCR
ДАВЛ, ГЕМСТ, ИНСН
Alpha-2b adrenergic receptor*
ADRA2B
88
0,565
0,0013
15,24
GPCR
ДАВЛ, ГЕМСТ
Стимуляция вызывает усиление пролиферации гладкомышечных
клеток и увеличение атеросклеротических изменений.
Стимуляция потенциирует агрегацию тромбоцитов. Возможно,
играет роль в атеросклерозе.
Входит в панели in vitro. Известная связь с инфарктом миокарда.
Alpha-2c adrenergic receptor*
ADRA2C
68
0,556
0,005
14,44
GPCR
ДАВЛ, ГЕМСТ, ИНСН
Входит в панели in vitro. Известная связь с инфарктом миокарда.
Androgen Receptor
AR
21
0,57
0,0007
13,53
ЯР
АНГ, ДАВЛ, ВОСП,
ИНСН, ГМКЛ
Apoptosis regulator Bcl-X
BCL2L1
7
0,552
0,0086
14,2
ДБ
-
Appetite-regulating hormone
GHRL
3
0,559
0,0032
12,09
ДБ
АНГ, ДАВЛ, ВОСП,
ИНСН, СТЕРД
Сниженная экспрессия в плазме при инфаркте миокарда.
ATP-binding cassette sub-family G
member 2
ABCG2
78
0,566
0,0011
17,35
Т
ХОЛ, СТЕРД
Ингибирование снижает транспорт холестерина из макрофагов.
Acetylcholine receptor protein alpha
chain
Acyl coenzyme A:cholesterol
acyltransferase 1
Acyl coenzyme A:cholesterol
acyltransferase 2
ДАВЛ, МИОКД, КОР,
ВОСП, ГМКЛ
АНГ, ДАВЛ, КОР, ВОСП,
ГМКЛ
#
Усиливает продукцию лейкотриенов и воспаление в сосудистой
стенке.
Генетический нокаут снижает рост атеросклеротических бляшек и
их неоваскуляризацию.
Ингибирование усиливает формирование кристаллов холестерина и
поэтому снижает устойчивость бляшек.
Ингибирование усиливает формирование кристаллов холестерина и
поэтому снижает устойчивость бляшек.
Стимуляция вызывает усиление атерогенеза.
Полиморфизмы коррелируют с атеросклерозом коронарных
артерий и инсулинорезистентностью у мужчин и дислипидемией у
женщин.
Увеличенная экспрессия коррелирует со снижением апоптоза,
который является важным звеном патогенеза при атеросклерозе.
Связан с провоспалительным эффектом в атерогенезе.
Bradykinin B1 receptor
BDKRB1
3
0,559
0,0032
16,72
GPCR
C5a anaphylatoxin chemotactic
receptor
C5AR1
5
0,555
0,0058
12,64
GPCR
CDK-interacting protein 1
CDKN1A
10
0,554
0,0068
15,81
ДБ
ГМКЛ
Контролирует клеточную пролиферацию в атеросклеротических
бляшках.
C-X-C chemokine receptor type 3
CXCR3
5
0,572
0,0004
11,74
GPCR
АНГ, АПТЭН, ВОСП
Играет роль в регуляции Т-хелперов 1-го типа и атерогенезе.
Cysteinyl leukotriene receptor 1
CYSLTR1
4
0,547
0,0158
15,36
GPCR
АНГ, КОР, ВОСП
Cytochrome P450 2J2
CYP2J2
44
0,545
0,0201
12,31
Цит P450
Endothelin receptor ET-B
EDNRB
7
0,573
0,0004
13,17
GPCR
Estrogen receptor alpha
ESR1
33
0,574
0,0003
12,81
ЯР
ДАВЛ, КОР, ГЕМСТ,
ВОСП, ИНСН, ГМКЛ
АНГ, ДАВЛ, КОР,
МИОКД, ВОСП, ГМКЛ
АНГ, ДАВЛ, ВОСП,
ИНСН, ГМКЛ
Активирует атеросклеротические бляшки в коронарных артериях.
Участвует в индукции паттерна генной экспрессии в
гладкомышечных клетках, ассоциированного с атеросклерозом.
Полиморфизмы коррелируют с риском инфаркта миокарда. Роль в
атеросклерозе коронарных артерий.
Играет роль в атерогенезе.
Регулирует
пролиферацию
гладкомышечных
клеток
в
атеросклеротических бляшках. Метилирование гена увеличено в
атеросклеротических бляшках.
76
АНГ, ДАВЛ, КОР, ВОСП,
ИНСН, ГМКЛ
МИОКД, ДАВЛ, ГЕМСТ,
ВОСП
Краткое описание
Продолжение таблицы 3.1
Белок-мишень
Ген
Кол.
акт.
соед.
Umстат
Величина P
-Log2
(Оценка
сходства)
Класс
мишеней
Биологические процессы
Fibroblast growth factor receptor 2
FGFR2
39
0,564
0,0016
13,21
Киназа
АНГ, ГМКЛ
Histamine H1 receptor
HRH1
37
0,547
0,0148
14,87
GPCR
АНГ, КОР, ГЕМСТ, ВОСП,
СОССТ
Histone deacetylase 7
HDAC7
4
0,543
0,0242
13,5
ДФ
СОССТ, ГМКЛ
Hypoxia-inducible factor 1 alpha
HIF1A
ITGAV;
ITGB3
14
0,548
0,0143
12,51
ДБ
11
0,55
0,0102
11,41
ДБ
АНГ, ВОСП, ГМКЛ
АНГ, ВОСП, ГЕМСТ,
ГМКЛ
Играет важную роль в атерогенезе.
Полиморфизм коррелирует с ранним атеросклерозом. Роль в
поддержании гемостаза.
Interleukin-2
IL2
46
0,553
0,0077
10,66
ДБ
АНГ, ВОСП, ГМКЛ
Увеличенная концентрация в плазме при атеросклерозе.
Lipoxin A4 receptor
FPR2
1
0,557
0,0044
16,31
GPCR
АНГ, ВОСП
MAP kinase p38 beta
MAPK11
16
0,555
0,0058
15,53
Киназа
ГМКЛ, СОССТ
Melatonin receptor 1B
MTNR1B
6
0,593
< 1E-5
19,61
GPCR
ИНСН
Mineralocorticoid receptor
NR3C2
27
0,597
< 4E-6
15,92
ЯР
АНГ, ДАВЛ, ГЕМСТ,
ВОСП, СОССТ, ГМКЛ
Mitogen-activated protein kinase 7
MAPK7
7
0,555
0,006
12,27
Киназа
АНГ, СОССТ
Neurokinin 1 receptor
TACR1
6
0,567
0,001
15,15
GPCR
АНГ, ДАВЛ, КОР,
МИОКД, ГЕМСТ, ВОСП
Дисфункция эндотелия сосудов и усиление атерогенеза при
генетическом нокауте.
Способствует формированию тромба. Способствует
дестабилизации атеросклеротических бляшек.
Neuropeptide Y receptor type 5
NPY5R
4
0,559
0,0033
15,57
GPCR
АНГ, ГМКЛ, ИНСН
Усиливает ангиогенез и атеросклеротические изменения.
Nuclear receptor subfamily 4 group A
member 2
NR4A2
3
0,547
0,0162
14,13
ЯР
АНГ, ГМКЛ
Orphan nuclear receptor LRH-1
NR5A2
2
0,579
0,0001
13,45
ЯР
ХОЛ, СТЕРД
Oxytocin receptor
OXTR
5
0,555
0,0056
15,01
GPCR
АНГ, ДАВЛ, МИОКД,
ВОСП, ИНСН
Регулирует пролиферацию гладкомышечных клеток при
атеросклерозе.
Транскрипционная активация гена адипонектина, который обладает
антидиабетическими и антиатерогенными свойствами.
Снижает оксидативный стресс и воспаление в атеросклеротических
бляшках.
P2X purinoceptor 7
P2RX7
2
0,551
0,01
16,92
ИК
ВОСП
Играет роль в воспалительном ответе при атеросклерозе.
Peroxisome proliferator-activated
receptor gamma
PPARG
26
0,548
0,0141
13,35
ЯР
АНГ, ХОЛ, ВОСП, ИНСН,
ГМКЛ
Progesterone receptor
PGR
18
0,585
< 5E-5
14,46
ЯР
ВОСП, ГМКЛ
Prostanoid EP4 receptor
PTGER4
11
0,548
0,0138
16,03
GPCR
Prostanoid FP receptor
PTGFR
23
0,562
0,0022
16,52
GPCR
Prostanoid IP receptor
PTGIR
16
0,548
0,0143
16,51
GPCR
Integrin alpha-V/beta-3
Краткое описание
#
Факторы роста фибробластов усиливают гиперплазию интимы
сосудов и неоваскуляризацию бляшек.
Увеличенная экспрессия в коронарных артериях усиливает
атерогенез. Гистамин играет роль в атерогенезе, регуляции
коронарного кровотока и артериального давления.
siРНК усиливает формирование неоинтимы в атеросклеротических
бляшках.
Играет роль в воспалительном патогенезе при атеросклерозе.
Антагонист предотвращает формирование пенистых клеток.
Ингибирование нарушает антиатерогенный и антитромботический
эффекты эстрогенов на эндотелий сосудов.
Ассоциирован с повышенным уровнем глюкозы в крови и
атеросклерозом.
АНГ, ДАВЛ, ГЕМСТ,
ВОСП
АНГ, ДАВЛ, ВОСП
Полиморфизмы коррелируют со сниженным риском атеросклероза
коронарных артерий. Активация вызывает удаление холестерина их
пенистых клеток.
Прогестерон ингибирует пролиферацию гладкомышечных клеток
артерий.
Гиперэкспрессия ассоциирована с усилением воспаления в
атеросклеротических бляшках.
Генетический нокаут замедляет атерогенез.
АНГ, ДАВЛ, ГЕМСТ,
ВОСП
Стимуляция вызывает усиление синтеза гиалуроновой кислоты в
атеросклеротических бляшках.
77
Роль в атеросклерозе коронарных артерий.
Продолжение таблицы 3.1
Белок-мишень
Ген
Кол.
акт.
соед.
Umстат
Величина P
-Log2
(Оценка
сходства)
Класс
мишеней
Биологические процессы
Retinoic acid receptor alpha
RARA
5
0,543
0,0247
16,0
ЯР
ВОСП
Serotonin 2a (5-HT2a) receptor
HTR2A
46
0,591
< 2E-5
14,0
GPCR
ДАВЛ, МИОКД, КОР,
ГЕМСТ, ВОСП, ГМКЛ
Steryl-sulfatase
STS
18
0,552
0,0082
13,67
ДФ
СТЕРД
Thyroid hormone receptor beta-1
THRB
4
0,546
0,018
15,96
ЯР
ХОЛ
Transforming growth factor beta-1
TGFB1
1
0,545
0,0202
10,28
ДБ
АНГ, ДАВЛ, ВОСП, ИНСН
Краткое описание
#
Усиливает способность макрофагов фагоцитировать
апоптотические клетки в атеросклеротических бляшках.
Стимулирует синтез интерлейкина 6 гладкомышечными клетками,
что ассоциировано с усилением атерогенеза.
Увеличение экспрессии в гладкомышечных клетках приводит к
снижению атерогенеза.
Активация улучшает метаболизм липидов, усиливает элиминацию
атеросклероза и снижает атерогенез.
Способствует росту атеросклеротических бляшек.
ДАВЛ, КОР, МИОКД,
Индуцирует гиперплазию и гипертрофию гладкомышечных клеток
Vasopressin V1a receptor
AVPR1A
6
0,552
0,0088
14,74
GPCR
ГЕМСТ, ИНСН, ГМКЛ
в коронарных артериях.
* – белок-мишень, для которого ассоциация с инфарктом миокарда как побочным эффектом лекарств была известна ранее; # – ссылки на соответствующие публикации даны в таблице 5 Приложения; АНГ –
ангиогенез; АПТЭН – апоптоз эндотелиоцитов; ВОСП – воспалительный ответ; ГЕМСТ – гемостаз; ГМКЛ – пролиферация или апоптоз гладкомышечных клеток стенки сосудов; ДАВЛ – регуляция
артериального давления; ИНСН – регуляция секреции инсулина или формирование инсулинорезистентности; КОР – регуляция тонуса коронарных артерий; МИОКД – регуляция сокращений миокарда; СОССТ –
регуляция проницаемости сосудистой стенки; СТЕРД – метаболизм и транспорт стероидных гормонов; ХОЛ – метаболизм и транспорт холестерина и липопротеинов; ИК – ионный канал; ДБ – другой белок; ДФ
– другой фермент; ЯР – ядерный рецептор; Т – транспортёр; Кол. акт. соед. – количество соединений, вызывающих инфаркт миокарда, для которых было предсказано взаимодействие с данной мишенью с PaLog2(Оценка сходства) – значения оценок функционального сходства со 124 генами в отрицательной логарифмической шкале.
78
Pi>0; Um-stat – значения модифицированной статистики Манна-Уитни; P величина – значение правосторонней альтернативы величины P, вычисленное на основе модифицированной статистики Манна-Уитни; -
Таблица 3.2 – Белки-мишени, ассоциированные с индукцией инфаркта миокарда, из второй категории достоверности.
Кол.
акт.
соед.
Umстат
Величина
P
-Log2
(Оценка
сходства)
Класс
мишеней
Биологические процессы
HSD3B1
27
0,547
0,016
14,03
ДФ
ДАВЛ, СТЕРД
ACHE
42
0,548
0,0134
11,99
ДФ
ДАВЛ, ВОСП
ADAM10
ADAM10
4
0,597
< 4E-6
12,76
Протеаза
ГЕМСТ
ADAM17
ADAM17
1
0,545
0,0196
14,32
Протеаза
ГЕМСТ
Aldo-keto-reductase family 1 member C3
AKR1C3
38
0,543
0,0237
14,49
ДФ
СТЕРД
Bile acid transporter
SLC10A1
85
0,552
0,0087
14,63
Т
ЖК
Bombesin receptor subtype-3
BRS3
5
0,561
0,0024
16,38
GPCR
ИНСН
Calcium-independent phospholipase A2
PLA2G6
6
0,565
0,0014
16,13
ДФ
ИНСН
Caspase-9
CASP9
18
0,551
0,0093
14,02
Протеаза
ГМКЛ
Cholecystokinin A receptor
CCKAR
4
0,574
0,0003
14,83
GPCR
ВОСП, ИНСН
Cholesterol esterase
CEL
25
0,566
0,0011
11,47
ДФ
ХОЛ, ГЕМСТ
Cytochrome P450 11B2
CYP11B2
10
0,555
0,0055
12,31
Цит P450
ДАВЛ, СТЕРД
Cytochrome P450 24A1
CYP24A1
25
0,546
0,0174
13,36
Цит P450
Cytochrome P450 26A1
CYP26A1
8
0,547
0,0148
11,82
Цит P450
Cytochrome P450 2D6
CYP2D6
94
0,569
0,0008
12,49
Цит P450
СТЕРД
Cytochrome P450 3A4
CYP3A4
84
0,576
0,0002
11,87
Цит P450
ЖК, ХОЛ, СТЕРД
Dopamine D3 receptor
DRD3
38
0,546
0,0179
15,17
GPCR
ДАВЛ, ВОСП
Epoxide hydrolase 1
EPHX1
41
0,564
0,0016
13,22
Протеаза
ЖК
Estrogen-related receptor beta
ESRRB
23
0,566
0,0012
17,67
ЯР
Регуляция активности рецептора глюкокортикоидов.
4
0,552
0,0084
17,16
ИК
Полиморфизм в GABRG2 коррелирует с риском атеросклероза коронарных
артерий.
4
0,578
0,0002
17,07
ИК
Полиморфизм в GABRG2 коррелирует с риском атеросклероза коронарных
артерий.
МИОКД, ИНСН, СТЕРД
3-beta-hydroxysteroid dehydrogenase/delta 5-->4isomerase type I
Acetylcholinesterase
GABA A receptor alpha-4/beta-3/gamma-2
GABA-A receptor; alpha-3/beta-3/gamma-2
GABRG2;
GABRB3;
GABRA4
GABRG2;
GABRB3;
GABRA3
Galanin receptor 1
GALR1
8
0,592
< 1E-5
15,69
GPCR
Geranylgeranyl pyrophosphate synthetase
GGPS1
1
0,546
0,0166
18,56
ДФ
Gonadotropin-releasing hormone receptor
GNRHR
3
0,583
< 7E-5
16,33
GPCR
Участвует в метаболизме витамина D3, влияя на риск сердечно-сосудистых
заболеваний.
Участвует в метаболизме ретиноевой кислоты, которая обладает
протективным эффектом при атеросклерозе.
Продукт реакции активирует LXR.RXR комплекс ядерных рецепторов,
который связан с дислипидемией и атеросклерозом.
ВОСП, ИНСН
79
Ген
Белок-мишень
Продолжение таблицы 3.2
Ген
Кол.
акт.
соед.
Umстат
Величина
P
-Log2
(Оценка
сходства)
Класс
мишеней
Биологические процессы
HERG
KCNH2
35
0,558
0,0037
13,53
ИК
МИОКД, ИНСН
Histone-lysine N-methyltransferase, H3 lysine-9 specific 3
EHMT2
11
0,559
0,0033
17,53
ДФ
Регуляция активности ESR1, AR и PPARG ядерных рецепторов.
Homeodomain-interacting protein kinase 1
HIPK1
17
0,544
0,0213
15,02
Киназа
АНГ
Isoprenylcysteine carboxyl methyltransferase
ICMT
4
0,545
0,0193
18,25
ДФ
АПТЭ, ИНСН
Matrix metalloproteinase 10
MMP10
15
0,574
0,0003
11,59
Протеаза
ГЕМСТ
Matrix metalloproteinase 16
MMP16
5
0,547
0,0147
11,75
Протеаза
ГЕМСТ
Melanin-concentrating hormone receptor 1
MCHR1
5
0,554
0,0066
15,37
GPCR
МИОКД, ВОСП, ИНСН
Multidrug resistance-associated protein 1
ABCC1
85
0,545
0,0192
17,11
Т
ХОЛ
Muscarinic acetylcholine receptor M3
CHRM3
42
0,568
0,0009
14,3
GPCR
АНГ, МИОКД, ВОСП, ИНСН, СОССТ
Muscarinic acetylcholine receptor M4
CHRM4
71
0,592
< 1E-5
15,28
GPCR
МИОКД
Myosin light chain kinase, smooth muscle
MYLK
41
0,545
0,0204
15,74
Киназа
ДАВЛ, МИОКД
Neurokinin 2 receptor
TACR2
35
0,558
0,0037
15,39
GPCR
ВОСП
Neuromedin B receptor
NMBR
4
0,568
0,0008
17,01
GPCR
АНГ, ВОСП
Neuropilin-1
NRP1
5
0,56
0,0029
14,34
Киназа
АНГ
Nociceptin receptor
OPRL1
15
0,572
0,0005
17,22
GPCR
ДАВЛ, МИОКД, ВОСП
Orexin receptor 2
HCRTR2
3
0,573
0,0004
15,78
GPCR
ВОСП, ИНСН
Peroxisome proliferator-activated receptor gamma/Nuclear
receptor coactivator 2
NCOA2
21
0,544
0,0216
13,99
ДБ
NCOA2 активирует PPARG
P-glycoprotein 1
ABCB1
129
0,591
< 1,5E-5
15,47
Т
ДАВЛ, ИНСН, СТЕРД
Phosphodiesterase 10A
PDE10A
7
0,563
0,0018
18,02
ДФ
ИНСН
PI3-kinase p110-alpha/p85-alpha
PIK3R1;
PIK3CA
4
0,563
0,002
13,45
ДФ
ИНСН, СОССТ
Potassium/sodium hyperpolarization-activated cyclic
nucleotide-gated channel 4
HCN4
22
0,575
0,0003
13,42
ИК
МИОКД
Prolyl endopeptidase
PREP
10
0,556
0,0049
13,73
Протеаза
Участвует в протеолизе пептидных гормонов, таких как вазопрессин,
ангиотензин и окситоцин.
Prostanoid DP receptor
PTGDR
14
0,549
0,0125
14,82
GPCR
АНГ, ДАВЛ, ГЕМСТ, ВОСП
Proto-oncogene protein Wnt-3
WNT3
1
0,556
0,0049
14,37
ДБ
ВОСП, ИНСН
Serine/threonine-protein kinase PAK 2
PAK2
26
0,545
0,0197
15,4
Киназа
СОССТ
Serotonin 1a (5-HT1a) receptor
HTR1A
41
0,586
< 4E-5
12,52
GPCR
ДАВЛ, МИОКД, ВОСП
80
Белок-мишень
Продолжение таблицы 3.2
Ген
Кол.
акт.
соед.
Umстат
Величина
P
-Log2
(Оценка
сходства)
Класс
мишеней
Биологические процессы
Serotonin 1d (5-HT1d) receptor
HTR1D
35
0,547
0,0162
14,97
GPCR
КОР
Serotonin 1e (5-HT1e) receptor
HTR1E
73
0,56
0,0028
15,11
GPCR
ВОСП
Serotonin 2b (5-HT2b) receptor
HTR2B
64
0,551
0,0102
15,15
GPCR
АНГ, ДАВЛ, ВОСП
Serotonin 2c (5-HT2c) receptor
HTR2C
48
0,547
0,015
14,47
GPCR
ДАВЛ
Serotonin 7 (5-HT7) receptor
HTR7
30
0,566
0,0012
14,32
GPCR
ДАВЛ, МИОКД, ВОСП
Serotonin transporter
SLC6A4
45
0,547
0,0161
16,12
Т
ДАВЛ, ГЕМСТ
Sigma opioid receptor
SIGMAR1
41
0,57
0,0006
18,31
ДБ
МИОКД, ВОСП, СТЕРД
Sphingosine 1-phosphate receptor Edg-8
S1PR5
15
0,551
0,0093
17,5
GPCR
ВОСП, СОССТ
Sulfonylurea receptor 2, Kir6.2
KCNJ11;
ABCC9
38
0,547
0,0153
18,43
ИК
ДАВЛ, ИНСН
Synaptic vesicular amine transporter
SLC18A2
63
0,591
< 1E-5
15,71
Т
ИНСН
Thyroid hormone receptor alpha
THRA
6
0,543
0,0229
16,01
ЯР
ДАВЛ, КОР, МИОКД
UDP-glucuronosyltransferase 1-8
UGT1A8
123
0,549
0,0116
17,58
ДФ
СТЕРД
UDP-glucuronosyltransferase 2B4
UGT2B4
27
0,56
0,0028
14,06
ДФ
ЖК, СТЕРД
Vasopressin V2 receptor
AVPR2
8
0,555
0,006
13,03
GPCR
ДАВЛ, ГЕМСТ
Voltage-dependent L-type calcium channel subunit beta-2
CACNB2
50
0,58
0,0001
18,33
ИК
ДАВЛ, МИОКД
Voltage-dependent L-type calcium channel subunit beta-3
CACNB3
94
0,591
< 1E-5
17,61
ИК
ДАВЛ, ИНСН
АНГ – ангиогенез; АПТЭН – апоптоз эндотелиоцитов; ВОСП – воспалительный ответ; ГЕМСТ – гемостаз; ГМКЛ – пролиферация или апоптоз гладкомышечных клеток стенки сосудов; ДАВЛ – регуляция
артериального давления; ИНСН – регуляция секреции инсулина или формирование инсулинорезистентности; КОР – регуляция тонуса коронарных артерий; МИОКД – регуляция сокращений миокарда; СОССТ –
регуляция проницаемости сосудистой стенки; СТЕРД – метаболизм и транспорт стероидных гормонов; ХОЛ – метаболизм и транспорт холестерина и липопротеинов; ЖК – экскреция и метаболизм желчных
кислот; ИК – ионный канал; ДБ – другой белок; ДФ – другой фермент; ЯР – ядерный рецептор; Т – транспортёр; Кол. акт. соед. – количество соединений, вызывающих инфаркт миокарда, для которых было
предсказано взаимодействие с данной мишенью с Pa-Pi>0; Um-stat – значения модифицированной статистики Манна-Уитни; P величина – значение правосторонней альтернативы величины P, вычисленное на
основе модифицированной статистики Манна-Уитни; -Log2(Оценка сходства) – значения оценок функционального сходства со 124 генами в отрицательной логарифмической шкале.
81
Белок-мишень
Таблица 3.3 – Белки-мишени, ассоциированные с индукцией инфаркта миокарда, из третьей категории достоверности.
Ген
Кол.
акт.
соед.
Umстат
Величина
P
-Log2
(Оценка
сходства)
Класс
мишеней
ADAM9
ADAM9
6
0,551
0,0101
12,19
Протеаза
ADAMTS1
ADAMTS1
4
0,557
0,0046
12,67
Протеаза
Cathepsin L2
CTSL2
8
0,556
0,0053
16,01
Протеаза
c-Jun N-terminal kinase 3
MAPK10
4
0,546
0,0166
13,49
Киназа
D1 dopamine receptor-interacting protein calcyon
CALY
78
0,551
0,0093
18,44
ДБ
Elongation of very long chain fatty acids protein 3
ELOVL3
18
0,562
0,002
20,2
ДФ
Fatty acid transport protein 4
SLC27A4
6
0,55
0,0109
18,32
ДФ
G protein-coupled receptor kinase 7
GRK7
37
0,546
0,0182
15,41
Киназа
Galanin receptor 2
GALR2
15
0,577
0,0002
17,22
GPCR
Geranylgeranyl transferase type I
FNTA;
PGGT1B
5
0,545
0,02
19,55
ДФ
Insulin receptor-related protein
INSRR
31
0,547
0,0148
14,79
Киназа
Malonyl-CoA decarboxylase
MLYCD
2
0,551
0,0093
18,47
ДФ
Matrix metalloproteinase 11
MMP11
47
0,557
0,0043
11,79
Протеаза
Matrix metalloproteinase 26
MMP26
3
0,561
0,0026
12,35
Протеаза
Melanin-concentrating hormone receptor 2
MCHR2
19
0,568
0,001
19,26
GPCR
Mitogen-activated protein kinase kinase kinase 11
MAP3K11
11
0,552
0,0086
14,77
Киназа
Mitogen-activated protein kinase kinase kinase 9
MAP3K9
26
0,545
0,0185
16,79
Киназа
Motilin receptor
MLNR
4
0,552
0,0088
17,77
GPCR
Muscarinic acetylcholine receptor M5
CHRM5
56
0,549
0,0121
14,29
GPCR
Non-receptor tyrosine-protein kinase TNK1
TNK1
8
0,544
0,0219
14,18
Киназа
Phosphodiesterase 9A
PDE9A
5
0,543
0,0229
17,79
ДФ
Phosphorylase kinase gamma subunit 1
PHKG1
23
0,544
0,0226
15,41
Киназа
Poly [ADP-ribose] polymerase 2
PARP2
19
0,544
0,0209
14,9
ДФ
Poly [ADP-ribose] polymerase 3
PARP3
54
0,547
0,016
17,91
ДФ
6
0,559
0,0034
19,17
ДФ
36
0,557
0,0044
19,76
ДФ
Protein farnesyltransferase
Protein farnesyltransferase beta subunit
FNTA;
FNTB
FNTB
Краткое описание
Экспрессия увеличена в атеросклеротических бляшках,
ассоциировано с усилением атерогенеза.
Является
эластазой,
секретируемой
макрофагами
атеросклеротических бляшках.
что
в
82
Белок-мишень
Гиперактивность в атеросклеротических бляшках.
Продолжение таблицы 3.3
Кол.
акт.
соед.
Umстат
Величина
P
-Log2
(Оценка
сходства)
Класс
мишеней
FNTA
42
0,564
0,0017
18,59
ДФ
PTPRCAP
15
0,543
0,0245
18,7
ДФ
Puromycin-sensitive aminopeptidase
NPEPPS
8
0,546
0,0182
12,79
Протеаза
Serine/threonine-protein kinase RAF
RAF1
9
0,556
0,0051
11,87
Киназа
Serotonin 1f (5-HT1f) receptor
HTR1F
19
0,565
0,0015
14,54
GPCR
Thromboxane-A synthase
TBXAS1
32
0,568
0,0009
12,31
ДФ
Tubulin alpha-3 chain
TUBA1A
80
0,553
0,0072
15,15
ДБ
Tubulin beta-1 chain
TUBB1
14
0,568
0,0009
17,97
ДБ
Tubulin beta-5 chain
TUBB
64
0,559
0,0034
17,51
ДБ
Tyrosine-protein kinase JAK1
JAK1
9
0,547
0,0154
12,77
Киназа
Tyrosine-protein kinase YES
YES1
25
0,548
0,0129
13,4
Киназа
Tyrosine-protein kinase ZAP-70
ZAP70
10
0,543
0,0233
11,25
Киназа
Voltage-dependent L-type calcium channel subunit beta-1
CACNB1
87
0,579
0,0001
16,82
ИК
Voltage-dependent L-type calcium channel subunit beta-4
CACNB4
94
0,591
< 1E-5
18,15
ИК
Protein farnesyltransferase/geranylgeranyltransferase type
I alpha subunit
Protein tyrosine phosphatase receptor type C-associated
protein
Краткое описание
Катализирует образование тромбоксана А2, который усиливает
атерогенез.
Увеличение экспрессии коррелирует с более выраженной формой
атеросклероза.
Кол. акт. соед. – количество соединений, вызывающих инфаркт миокарда, для которых было предсказано взаимодействие с данной мишенью с Pa-Pi>0; Um-stat – значения модифицированной статистики МаннаУитни; P величина – значение правосторонней альтернативы величины P, вычисленное на основе модифицированной статистики Манна-Уитни; -Log2(Оценка сходства) – значения оценок функционального
сходства со 124 генами в отрицательной логарифмической шкале. ИК – ионный канал; ДБ – другой белок; ДФ – другой фермент.
83
Ген
Белок-мишень
84
3.3.2 Сердечная недостаточность
В ходе статистического анализа было выявлено 362 белка-мишени лекарственных
соединений, предположительно ассоциированных с индукцией сердечной недостаточности, что
соответствует 363 кодирующим их генам. Для каждого из 363 генов была выполнена оценка
функционального сходства с 223 генами, для которых известны ассоциации с индукцией
сердечной недостаточности (см. Материалы и Методы). Списки из 363 и 223 генов содержали
24 общих гена. Эти гены были исключены из списка 223 генов, а оставшиеся 199 генов были
использованы для оценки функционального сходства с 363 генами, которые были выявлены в
ходе анализа. Оценка функционального сходства производилась при помощи алгоритма
случайного блуждания в сети функциональной взаимосвязи генов (см. Материалы и Методы).
Величина площади под ROC кривой, вычисленная при помощи процедуры скользящего
контроля с исключением по одному среди 199 генов составила 0,9, что свидетельствует о
высокой точности оценки. Далее была выполнена оценка функционального сходства для
каждого из 363 генов с 199 генами, в результате гены были ранжированы по её убыванию.
Десять из 24 общих генов попали в топ 100 генов с наибольшими оценками. Оценки, которые
получили 363 гена, были сопоставлены с оценками для всех остальных генов сети (13672 гена).
Показано, что большинство генов, кодирующих выявленные белки-мишени, получают более
высокие оценки сходства, чем в среднем по сети (Рисунок 3.7).
Рисунок 3.7 – Сравнение оценок функционального сходства 363 и 13672 генов в отрицательной
логарифмической шкале. Наиболее низкие оценки в логарифмической шкале соответствуют наиболее
высоким оценкам функционального сходства.
85
Это означает, что большинство из выявленных 362 белков-мишеней, участвуют в тех же
биологических процессах, что и белки, для которых известны ассоциации с сердечной
недостаточностью, и, следовательно, также могут участвовать в её этиопатогенезе.
Оценка биологических процессов, лежащих в основе этиопатогенеза сердечной
недостаточности, индуцируемой лекарствами, была выполнена при помощи анализа
обогащения биологических процессов Gene Ontology и биологических путей из KEGG и
REACTOME и построения сетей их сходства по аналогии с тем, как это было сделано для
инфаркта миокарда (см. Материалы и Методы). Результаты представлены на рисунках 3.8 и 3.9.
Рисунок 3.8 – Сеть сходства сигнальных и метаболических путей из KEGG и REACTOME, обогащённых
363 генами, которые кодируют выявленные в ходе анализа белки-мишени, и 199 генами, для которых
известны ассоциации с сердечной недостаточностью. Зелёные вершины представляют собой пути,
специфически обогащённые 363 генами. Красные вершины представляют собой пути, специфически
обогащённые 199 генами. Белые вершины – пути, неспецифически обогащённые генами из обоих
списков в равном процентном отношении. Интенсивность цвета отражает специфичность обогащения.
86
Рисунок 3.9 – Сеть сходства биологических процессов Gene Ontology, обогащённых 363 генами, которые
кодируют выявленные в ходе анализа белки-мишени, и 199 генами, для которых известны ассоциации с
сердечной недостаточностью. Зелёные вершины представляют собой процессы, специфически
обогащённые 363 генами. Красные вершины представляют собой процессы, специфически обогащённые
199 генами. Белые вершины – процессы, неспецифически обогащённые генами из обоих списков в
равном процентном отношении. Интенсивность цвета отражает специфичность обогащения.
Рисунки 3.8 и 3.9 демонстрируют, что выявленные в ходе анализа 363 гена в целом
участвуют в тех же биологических путях и процессах, что и 199 генов, для которых известны
ассоциации с индукцией сердечной недостаточности. Анализ построенных сетей сходства в
сочетании с анализом литературы позволил идентифицировать ключевые биологические
процессы, нарушение которых под действием лекарственных веществ может приводить к
индукции сердечной недостаточности. В результате анализа были выявлены следующие
процессы:
1. апоптоз кардиомиоцитов,
87
2. гипертрофия и фиброз сердца,
3. ангиогенез,
4. регуляция сокращений сердца,
5. регуляция цитоскелета в кардиомиоцитах,
6. регуляция функций митохондрий,
7. метаболизм жирных кислот,
8. защита от активных форм кислорода,
9. регуляция синтеза оксида азота,
10. регуляция артериального давления,
11. регуляция активности симпатической и парасимпатической нервных систем,
12. регуляция экскреции натрия и воды в почках,
13. регуляция секреции инсулина и формирование инсулинорезистентности,
14. метаболизм и транспорт стероидных гормонов.
Связь с индукцией сердечной недостаточности лекарствами для таких процессов как
апоптоз кардиомиоцитов, регуляция сокращений сердца, регуляция артериального давления,
регуляция активности симпатической и парасимпатической нервных систем, регуляция
экскреции натрия и воды в почках была известна ранее и описана в разделе 1.3 «Механизмы
побочного действия лекарств на сердечно-сосудистую систему» Обзора литературы. Для
остальных процессов установлена связь с сердечной недостаточностью, но ранее не было
известно, что их нарушение под действием лекарств может приводить к индукции такого
эффекта.
Патологическая гипертрофия сердца обычно развивается в ответ на патологические
стимулы, такие как стеноз аорты, воспаление или высокое артериальное давление, и первое
время
позволяет
скомпенсировать
недостаточность
миокарда.
Однако
недостаточное
кровоснабжение миокарда, возникающее вследствие сниженного по сравнению со скоростью
гипертрофии формирования новых сосудов (ангиогенеза) приводит к возникновению очагов
апоптоза и некроза в миокарде, фиброзу и развитию сердечной недостаточности [53-54].
Нарушение функцией митохондрий приводит к снижению бета-окисления жирных кислот в
кардиомиоцитах, снижению окислительного фосфорилирования, что ведёт к снижению уровня
АТФ и сократительной способности миокарда. Снижение уровня АТФ в кардиомиоците также
приводит к повышению внутриклеточного уровня кальция, усилению генерации активных
форм кислорода митохондриями, открытию митохондриальных пор и индукции апоптоза [227,
228]. Митохондрии являются одним из основных источников активных форм кислорода.
Увеличение генерации активных форм кислорода в кардиомиоцитах, называемое оксидативным
88
стрессом, приводит к усилению патологической гипертрофии, апоптозу кардиомиоцитов,
индукции фиброза миокарда и усугублению сердечной недостаточности [229]. Генерация
оксида азота в условия оксидативного стресса приводит к индукции так называемого
NO/ONOO цикла, ассоциированного с формированием токсичного пероксинитрита, и
включающего в себя взаимосвязанные патологические процессы, такие как усиление генерации
активных форм кислорода, индукция синтеза провоспалительных цитокинов, снижение уровня
АТФ, увеличение концентрации кальция в митохондриях и др. [230]. В то же время снижение
синтеза
оксида
азота
в
отсутствие
оксидативного
стресса
приводит
к
усилению
ремоделирования миокарда желудочков и усугублению сердечной недостаточности [53].
Формирование инсулинорезистентности приводит к нарушению гомеостаза кальция в
кардиомиоцитах, нарушению функций митохондрий и клеточного метаболизма, генерации
активных форм кислорода, снижению синтеза оксида азота, ингибированию ангиогенеза,
индукции апоптоза кардиомиоцитов, фиброза сердца и, в конечном счёте, индукции сердечной
недостаточности [231]. Нарушение метаболизма стероидных гормонов или функций их
рецепторов может приводить к развитию дисфункции миокарда и сердечной недостаточности
[232-234]. Нарушения цитоскелета кардиомиоцитов также ассоциированы с дисфункцией
миокарда [235].
Анализ публикаций в PubMed выявил, что 362 белка-мишени, предположительно
ассоциированные с индукцией сердечной недостаточности, чаще всего участвуют в таких
процессах
как
апоптоз
инсулинорезистентности,
кардиомиоцитов, регуляция
регуляция
гипертрофии
секреции
и
фиброза
инсулина/формирование
миокарда,
регуляция
артериального давления и сокращений сердца, а также регуляция ангиогенеза в сердце (Рисунок
3.10).
Выявленные белки-мишени были классифицированы на три категории в зависимости от
степени достоверности относительно их участия в этиопатогенезе сердечной недостаточности,
индуцируемой лекарствами.
1. Категория
мишеней
с
высокой
степенью
достоверности
(первая
категория
достоверности) включает 80 белков-мишеней, для которых в литературе удалось найти
данные об их участии в этиопатогенезе сердечной недостаточности (Таблица 3.4). Среди
80 белков-мишеней были выявлены 5 мишеней, для которых связь с сердечной
недостаточностью, индуцируемой лекарствами, была известна ранее: ADRA2A, ADRB1,
ERBB2, HTR2B и CACNA1C [5, 6, 36, 37].
2. Категория
мишеней
со
средней
степенью
достоверности
(вторая
категория
достоверности) включает 103 белка-мишени, для которых в литературе не было
89
непосредственных данных об их участии в этиопатогенезе сердечной недостаточности,
но были данные об участии в выявленных биологических процессах (Рисунок 3.10)
(Таблица 3.5).
3. Категория мишеней с низкой степенью достоверности (третья категория достоверности)
включает 179 белков-мишеней, для которых в литературе не нашлось никаких данных,
подтверждающих их связь с сердечной недостаточностью или выявленными процессами
(Таблица 3.6). Для белков-мишеней из этой категории, имеющих высокие оценки
функционального сходства, связь с сердечной недостаточностью наиболее вероятна. Эта
категория
включает
также
белки-мишени,
ингибирование
которых
согласно
экспериментальным данным протективно против развития сердечной недостаточности.
Их идентификация может являться ошибкой, либо их связь с индукцией сердечной
недостаточности опосредована участием в биологических процессах, о которых в
настоящее время нет данных в литературе, либо связь имеет место в каких-либо
специфических условиях, отличных от условий эксперимента.
Рисунок 3.10 – Биологические процессы, ассоциированные с индукцией сердечной недостаточности, в
которых участвуют выявленные 362 белка-мишени.
Таблица 3.4 – Белки-мишени, ассоциированные с индукцией сердечной недостаточности, из первой категории достоверности.
Белок-мишень
Ген
Кол.
акт.
соед.
Umстат
Величина P
-Log2
(Оценка
сходства)
Класс
мишеней
Биологические
процессы
Краткое описание
3-phosphoinositide dependent protein
kinase-1
PDPK1
13
0,551
0,0107
13,02
Киназа
АПТ, ГКМ, ИНСН, РСК
СН и летальный исход у мышей c генетическим нокаутом.
Activin receptor type-1
ACVR1
28
0,573
0,0005
12,23
Киназа
АПТ, ГКМ
Acyl-CoA desaturase
SCD
3
0,551
0,0111
13,27
ДФ
ОЖК
Aldehyde dehydrogenase
ALDH2
40
0,547
0,0172
14,3
ДФ
МТ
Активация протективна при СН.
ДАВЛ, МИОКД, ФМК,
АПТ
ДАВЛ, МИОКД, ФМК,
АПТ, ГКМ, ПОЧК
ДАВЛ, АПТ, ФМК, ГКМ,
ИНСН, СТЕРД, СИМП,
ПОЧК
ДАВЛ, ФМК, ГКМ,
ИНСН
У мышей с двойным нокаутом с 1В подтипом индукция апоптоза
и фиброза в сердце и СН.
У мышей с двойным нокаутом с 1A подтипом индукция апоптоза
и фиброза в сердце и СН.
#
Связь с СН, ремоделированием и гипертрофией миокарда и
апоптозом кардиомиоцитов.
Активность снижена при СН. Дефицит ненасыщенных жирных
кислот усугубляет СН.
Alpha-1a adrenergic receptor
ADRA1A
44
0,557
0,0053
12,94
GPCR
Alpha-1b adrenergic receptor
ADRA1B
35
0,546
0,0194
12,81
GPCR
Alpha-2a adrenergic receptor*
ADRA2A
63
0,564
0,0019
14,2
GPCR
Alpha-2c adrenergic receptor
ADRA2C
58
0,567
0,0013
12,43
GPCR
Androgen Receptor
AR
23
0,556
0,0056
12,1
ЯР
АПТ, ФМК, ГКМ, ИНСН
ATP-binding cassette sub-family G
member 2
ABCG2
70
0,549
0,0145
15,93
Т
АНГ, ГКМ, АФК
Beta-1 adrenergic receptor*
ADRB1
38
0,559
0,004
13,73
GPCR
Beta-2 adrenergic receptor
ADRB2
53
0,557
0,005
11,01
GPCR
Beta-3 adrenergic receptor
ADRB3
26
0,561
0,0032
13,44
GPCR
Calcium sensing receptor
CASR
17
0,554
0,0075
13,91
GPCR
Cannabinoid CB1 receptor
CNR1
11
0,547
0,0165
11,35
GPCR
ОЖК, ГКМ, ИНСН, МТ
Генетический нокаут усиливает ремоделирование миокарда.
cGMP-dependent protein kinase 1 beta
PRKG1
16
0,558
0,0047
12,34
Киназа
ДАВЛ, ГКМ, РСК
Делеция повышает риск дилатационной гипертрофии.
Cyclooxygenase-1
PTGS1
34
0,552
0,0101
13
ДФ
ДАВЛ, ПОЧК
Cyclooxygenase-2
PTGS2
24
0,544
0,023
11,46
ДФ
ДАВЛ, ПОЧК
Cytochrome P450 11B1
CYP11B1
11
0,552
0,0095
14,14
Цит P450
-
Cytochrome P450 19A1
CYP19A1
24
0,555
0,0071
13,24
Цит P450
ДАВЛ, ГКМ, СТЕРД
Dihydrofolate reductase
DHFR
4
0,55
0,0121
16,91
ДФ
NO, АФК
У мышей с генетическим нокаутом развивается СН при
констрикции аорты.
Андрогены протективны против апоптоза кардиомиоцитов и
фиброза сердца. Дефицит тестостерона ассоциирован с плохим
прогнозом при СН.
У мышей с генетическим нокаутом индукция гипертрофии
сердца, ремоделирование миокарда, нарушение ангиогенеза и
транспорта глутатиона.
Гиперактивность приводит к гипертрофии, фиброзу и
дисфункции сердца.
Стимуляция вызывает усиление фиброза миокарда и СН.
Стимуляция вызывает дисфункцию сердца при СН.
Стимуляция вызывает апоптоз кадиомиоцитов и СН.
Ингибирование усугубляет СН из-за снижения экскреции натрия
и воды в почках.
Ингибирование усугубляет СН из-за снижения экскреции натрия
и воды в почках.
При
дефиците
у
детей
развивается
дилатационная
кардиомиопатия.
Сниженная функция сердца и риск гипертрофии у мышей с
генетическим нокаутом.
Дефицит тетрагидробиоптерин усугубляет СН в связи с
увеличением генерации АФК.
90
ДАВЛ, АПТ, ФМК, ГКМ,
ИНСН
АНГ, ДАВЛ, АПТ, ФМК,
ГКМ, ИНСН, ПОЧК
АПТ, МИОКД, ГКМ,
NO, ИНСН
ДАВЛ, АПТ, ФМК, ГКМ,
ИНСН, ПОЧК
Дисфункция сердца, фиброз, гипертрофия и СН у мышей с
двойным генетическим нокаутом с 2С подтипом.
Продолжение таблицы 3.4
Белок-мишень
Ген
Кол.
акт.
соед.
Umстат
Величина P
-Log2
(Оценка
сходства)
Класс
мишеней
Биологические
процессы
DNA topoisomerase II beta
TOP2B
87
0,549
0,0141
15,34
ДФ
АПТ, МТ, АФК
Dopamine D3 receptor
DRD3
29
0,55
0,0126
14,18
GPCR
ДАВЛ, МИОКД, ФМК,
ИНСН, ПОЧК, СИМП
Ephrin type-A receptor 2
EPHA2
18
0,549
0,0136
14,38
Киназа
АНГ, ФМК
Epidermal growth factor receptor erbB1
EGFR
12
0,546
0,019
10,46
Киназа
АПТ, ФМК, ГКМ
Estrogen receptor beta
ESR2
36
0,554
0,0077
12,48
ЯР
Estrogen-related receptor alpha
ESRRA
11
0,549
0,0145
15,27
ЯР
Estrogen-related receptor gamma
ESRRG
47
0,548
0,0148
15,3
ЯР
Glucocorticoid receptor
NR3C1
22
0,557
0,0052
13,84
ЯР
АПТ, ФМК, ГКМ,
ИНСН, NO, РСК
Glycogen synthase kinase-3 alpha
GSK3A
16
0,552
0,0093
13,18
Киназа
ГКМ
Glycogen synthase kinase-3 beta
GSK3B
13
0,557
0,0054
12,96
Киназа
АПТ, ГКМ, ИНСН, АФК
Hepatocyte growth factor receptor
MET
12
0,573
0,0005
12,93
Киназа
АНГ, АПТ, ФМК, ГКМ,
АФК, РСК
HERG
KCNH2
27
0,555
0,0066
12,07
ИК
МИОКД, АПТ, ИНСН
Insulin receptor
INSR
15
0,555
0,0064
11,72
Киназа
АНГ, АПТ, ГКМ, ИНСН
Insulin-like growth factor I receptor
IGF1R
12
0,562
0,0025
11,63
Киназа
АПТ, МТ, ИНСН
Kruppel-like factor 5
KLF5
20
0,549
0,0134
15,4
ДБ
-
MAP kinase ERK1
MAPK3
75
0,549
0,0143
10,59
Киназа
ИНСН, РСК
Инактивация усиливает дисфункцию левого желудочка.
MAP kinase ERK2
MAPK1
30
0,569
0,0009
11,39
Киназа
АПТ, ИНСН, РСК
Инактивация усиливает дисфункцию левого желудочка.
MAP kinase p38 alpha
MAPK14
8
0,567
0,0012
12,33
Киназа
ГКМ, РСК
Гипертрофия сердца и летальная кардиомиопатия при
генетическом нокауте.
Mineralocorticoid receptor
NR3C2
25
0,557
0,0054
15,61
ЯР
Norepinephrine transporter
SLC6A2
45
0,551
0,0109
16,06
Т
АНГ, ДАВЛ, АПТ, ФМК,
ГКМ, NO, МТ, ИНСН,
РСК
ФМК, ОЖК, МТ, АФК,
РСК
ГКМ, МТ
Nuclear factor erythroid 2-related factor 2
NFE2L2
2
0,544
0,0229
13,7
ДБ
АНГ, АПТ, ФМК, ОЖК,
ГКМ, ИНСН, МТ, АФК,
РСК
Nuclear receptor subfamily 4 group A
member 2
NR4A2
5
0,549
0,014
13,56
ЯР
-
#
Ингибирование приводит к нарушению функций митохондрий,
генерации АФК и апоптозу кардиомиоцитов.
Увеличение артериального давления, ЧСС и фиброз сердца у
мышей с генетическим нокаутом.
Делеция вызывает фиброз, снижение плотности капилляров в
миокарде, прогрессию ишемической кардиомиопатии.
Блокада приводит к гипертрофии, ремоделированию и дилатации
сердца.
Фиброз миокарда и апоптоз кардиомиоцитов у мышей с
генетическим нокаутом.
При нагрузке у мышей с генетическим нокаутом развивается
фиброз, дилатация сердца и СН.
Связь с СН, стимуляция приводит к гипертрофии сердца.
Полиморфизм коррелирует с риском СН. Фиброз и дисфункция
сердца у мышей с генетическим нокаутом.
Генетический нокаут приводит к гипертрофии, дисфункции
сердца и СН.
У мышей с генетическим нокаутом развивается
гипертрофическая кардиомиопатия.
Гипертрофия, фиброз сердца, повышение генерации АФК у
мышей с генетическим нокаутом.
Блокада вызывает апоптоз кардиомиоцитов. Играет роль в
индукции кардиомиопатий.
Делеция усугубляет течение СН.
Важная роль в сердце. Снижение функции вызывает апоптоз
кардиомиоцитов.
При высоком артериальном давлении индукция СН и гибель
мышей с генетическим нокаутом.
Связь с фиброзом, гипертрофией сердца и СН.
Снижение функции усугубляет СН.
Гипертрофия, апоптоз, фиброз миокарда и СН у мышей с
генетическим нокаутом.
Снижение экспрессии при дилатационной кардиомиопатии.
91
ДАВЛ, АПТ, ФМК, ГКМ,
ПОЧК, АФК, ИНСН
СИМП
Краткое описание
Продолжение таблицы 3.4
Белок-мишень
Ген
Кол.
акт.
соед.
Umстат
Величина P
-Log2
(Оценка
сходства)
Класс
мишеней
P2X purinoceptor 4
P2RX4
33
0,568
0,001
17,17
ИК
PPARA
15
0,556
0,0061
12,35
ЯР
PPARD
14
0,564
0,0019
14,03
ЯР
PIK3C3
15
0,546
0,0198
16,22
ДФ
-
Phosphodiesterase 3A
PDE3A
19
0,546
0,0188
13,08
ДФ
АПТ, МИОКД, РСК
Phosphodiesterase 4D
PDE4D
7
0,549
0,0136
13,15
ДФ
МИОКД, РСК
PI3-kinase p110-alpha subunit
PIK3CA
5
0,552
0,0094
14,35
Киназа
МИОКД, ИНСН, РСК
PI3-kinase p110-alpha/p85-alpha
PIK3R1;PI
K3CA
2
0,585
0,0001
13,02
Киназа
МИОКД, ИНСН, РСК
PI3-kinase p110-beta subunit
PIK3CB
7
0,557
0,0049
13,77
Киназа
МИОКД, РСК
PI3-kinase p110-gamma subunit
PIK3CG
4
0,545
0,0211
13,87
Киназа
АНГ, РСК
Ингибирование усиливает ремоделирование миокарда и вызывает
снижение сократимости.
Ингибирование усиливает ремоделирование миокарда и вызывает
снижение сократимости.
Мыши с двойным генетическим нокаутом с альфа формой
погибали от СН.
У мышей с генетическим нокаутом усугубление СН.
PI4-kinase beta subunit
PI4KB
9
0,561
0,0029
17,6
ДФ
-
Уровень активности снижен при кардиомиопатии у хомяков.
PDGFRB
21
0,568
0,001
12,55
Киназа
АНГ
Генетический нокаут приводит к СН. Кардиотоксичность
ингибиторов.
HCN1
9
0,546
0,0187
13,06
ИК
МИОКД
Снижение сердечного выброса у мышей с генетическим
нокаутом.
HCN4
26
0,561
0,0032
12,62
ИК
МИОКД
Мутации приводят к развитию брадикардии и снижению
сердечного выброса.
Progesterone receptor
PGR
18
0,556
0,0061
14,32
ЯР
АПТ, ФМК
Protein-tyrosine sulfotransferase 2
TPST2
6
0,549
0,0142
21,99
ДФ
-
Receptor protein-tyrosine kinase erbB-2*
ERBB2
7
0,565
0,0017
12,48
Киназа
АНГ, АПТ, ЦСКТ, АФК,
РСК
Receptor protein-tyrosine kinase erbB-4
ERBB4
9
0,555
0,007
14,2
Киназа
АФК, РСК
Ribosomal protein S6 kinase alpha 3
RPS6KA3
16
0,551
0,0112
14,58
Киназа
-
Serine/threonine-protein kinase AKT2
AKT2
12
0,55
0,0124
13,16
Киназа
АПТ, МТ, ИНСН, NO,
РСК
Serine/threonine-protein kinase Aurora-B
AURKB
13
0,55
0,0119
14,5
Киназа
АПТ
Peroxisome proliferator-activated receptor
alpha
Peroxisome proliferator-activated receptor
delta
Phosphatidylinositol 3-kinase catalytic
subunit type 3
ДАВЛ, АПТ, МИОКД,
ГКМ
АПТ, ФМК, ОЖК, ГКМ,
ИНСН, МТ, РСК
АПТ, ФМК, ОЖК, ГКМ,
ИНСН, МТ, NO
Краткое описание
#
Гиперэкспрессия протективна при СН, генетический нокаут
снижает сократимость сердца.
Фиброз, воспаление, нарушение метаболизма и гипертрофия
сердца у мышей с генетическим нокаутом.
Генетический нокаут приводит к нарушению окисления жирных
кислот и кардиомиопатии.
Кардиомегалия и сниженная сократимость миокарда у мышей с
генетическим нокаутом.
Ингибирование вызывает апоптоз кардиомиоцитов и усугубление
СН.
Инактивация приводит к развитию кардиомиопатии и СН.
Стимуляция индуцирует апоптоз кардиомиоцитов и
ремоделирование миокарда.
Сердечно-лёгочная недостаточность при двойном генетическом
нокауте.
Кардиотоксичность ингибиторов, индукция СН.
Генетический нокаут приводит к дилатационной кардиомиопатии
и СН.
Мутация вызывает синдром Коффина-Лоури, при котором в
отдельных случаях развивается
рестриктивная кардиомиопатия и СН.
Генетический нокаут приводит к нарушению мембранного
потенциала митохондрий, нарушению сократимости и апоптозу
кардиомиоцитов.
Увеличение метилирования гена при дилатационной
кардиомиопатии. Вероятная кардиотоксичность ингибиторов.
92
Platelet-derived growth factor receptor
beta
Potassium/sodium hyperpolarizationactivated cyclic nucleotide-gated channel
1
Potassium/sodium hyperpolarizationactivated cyclic nucleotide-gated channel
4
Биологические
процессы
Продолжение таблицы 3.4
Белок-мишень
Ген
Кол.
акт.
соед.
Umстат
Величина P
-Log2
(Оценка
сходства)
Класс
мишеней
Биологические
процессы
Serine/threonine-protein kinase PIM1
PIM1
15
0,548
0,015
13,35
Киназа
АПТ, МТ, РСК
Serine/threonine-protein kinase RAF
RAF1
10
0,562
0,0028
11,16
Киназа
АПТ, РСК
Serotonin 2a (5-HT2a) receptor
HTR2A
32
0,571
0,0007
11,78
GPCR
Serotonin 2b (5-HT2b) receptor*
HTR2B
58
0,574
0,0004
13,92
GPCR
Serotonin transporter
SLC6A4
39
0,57
0,0008
15,13
Т
ФМК
Smoothened homolog
SMO
1
0,556
0,0058
14,62
GPCR
АПТ, ФМК
Sodium channel protein type V alpha
subunit
SCN5A
50
0,561
0,003
14,59
ИК
МИОКД
Мутации ассоциированы с СН.
Stem cell growth factor receptor
KIT
15
0,567
0,0013
12,56
Киназа
АПТ
Генетический нокаут приводит к дилатации сердца и СН.
Sulfonylurea receptor 2
ABCC9
13
0,552
0,0095
13,48
ИК
-
Мутации ассоциированы с дилатационной кардиомиопатией.
Sulfonylurea receptor 2, Kir6.2
ABCC9;
KCNJ11
48
0,546
0,02
15
ИК
ДАВЛ, АПТ, ФМК, ГКМ,
ИНСН, МТ
Ингибирование приводит к гипертрофии и фиброзу сердца.
Telomerase reverse transcriptase
TERT
18
0,544
0,0231
15,36
ДФ
АПТ, ГКМ
Thyroid hormone receptor alpha
THRA
9
0,554
0,0072
15,79
ЯР
ДАВЛ, МИОКД, ГКМ,
РСК
Гипертрофия миокарда, апоптоз кардиомиоцитов и СН у мышей с
генетическим нокаутом.
Делеция вызывает снижение ЧСС и силы сердечных сокращений.
Возможная связь с гипертрофией миокарда.
Toll-like receptor 9
TLR9
27
0,545
0,0215
13,95
ДБ
ФМК, ГКМ, МТ
Делеция вызывает усугубление СН.
Tyrosine-protein kinase JAK2
JAK2
18
0,557
0,005
11,46
Киназа
АПТ, ИНСН
Делеция приводит к СН.
Vanilloid receptor
TRPV1
5
0,564
0,002
13,94
ИК
АПТ, ФМК, ГКМ, ИНСН
Антагонисты используются для лечения СН.
ДАВЛ, АПТ, МИОКД,
ГКМ
ДАВЛ, АПТ, ФМК, ГКМ,
МТ, ПСИМП, ПОЧК
Краткое описание
#
Дилатация сердца и нарушение сократимости при генетическом
нокауте.
Апоптоз кардиомиоцитов и дилатация сердца у мышей с
генетическим нокаутом.
Ассоциирован с гипертрофией миокарда.
Кардиомиопатия у мышей с генетическим нокаутом.
Фиброз сердца и патологии клапанов у мышей с генетическим
нокаутом.
Ингибирование снижает дилатацию и фиброз левого желудочка
при ишемии, но усиливает апоптоз кардиомиоцитов.
усиливает апоптоз
АПТ – апоптоз кардиомиоцитов; АФК – защита от активных форм кислорода; ГКМ – гипертрофия кардиомиоцитов; ДАВЛ – регуляция артериального давления; ИНСН – регуляция секреции инсулина или
формирование инсулинорезистентности; МИОКД – регуляция сокращений миокарда; МТ – регуляция функционирования митохондрий; ОЖК – окисление жирных кислот; ПОЧК – регуляция экскреции натрия и
воды в почках; ПСИМП – регуляция тонуса парасимпатической нервной системы; СИМП – регуляция тонуса симпатической нервной системы; СТЕРД – метаболизм и транспорт стероидных гормонов; ФМК –
фиброз миокарда; ЦСКТ – регуляция цитоскелета кардиомиоцита; NO – регуляция синтеза оксида азота; РСК – данный белок входит в состав фрагмента регуляторной сети кардиомиоцита, идентифицированного
при помощи алгоритма дихотомического моделирования; ИК – ионный канал; ДБ – другой белок; ДФ – другой фермент; ЯР – ядерный рецептор; Т – транспортёр; СН – сердечная недостаточность; Кол. акт. соед.
– количество соединений, вызывающих сердечную недостаточность, для которых было предсказано взаимодействие с данной мишенью с Pa-Pi>0; Um-stat – значения модифицированной статистики Манна-Уитни;
P величина – значение правосторонней альтернативы величины P, вычисленное на основе модифицированной статистики Манна-Уитни; -Log2(Оценка сходства) – значения оценок функционального сходства с
199 генами в отрицательной логарифмической шкале.
93
Voltage-gated L-type calcium channel
ДАВЛ, ГКМ, ИНСН,
Делеция вызывает гипертрофию, снижение функции и дилатацию
CACNA1C
73
0,555
0,0066
13,15
ИК
alpha-1C subunit*
РСК
сердца.
* – белок-мишень, для которого известна связь с сердечной недостаточностью как побочным эффектом лекарств; # – ссылки на соответствующие публикации даны в таблице 6 Приложения; АНГ – ангиогенез;
Таблица 3.5 – Белки-мишени, ассоциированные с индукцией сердечной недостаточности, из второй категории достоверности.
Ген
Кол. акт.
соед.
Umстат
Величина P
-Log2 (Оценка
сходства)
Класс
мишеней
Биологические процессы
15-hydroxyprostaglandin dehydrogenase [NAD+]
HPGD
8
0,565
0,0018
15,65
ДФ
ДАВЛ, ПОЧК
Alpha-1d adrenergic receptor
ADRA1D
51
0,563
0,0024
14,18
GPCR
ДАВЛ
Alpha-2b adrenergic receptor
ADRA2B
80
0,575
0,0004
14,3
GPCR
ДАВЛ, ПОЧК
AMP-activated protein kinase, alpha-1 subunit
PRKAA1
23
0,55
0,0119
13,66
Киназа
ИНСН
Bone morphogenetic protein 4
BMP4
2
0,551
0,0104
11,19
ДБ
ИНСН
Casein kinase II alpha
CSNK2A1
14
0,545
0,021
13,63
Киназа
АПТ, РСК
Catechol O-methyltransferase
COMT
19
0,547
0,0173
13,07
ДФ
ДАВЛ, СТЕРД
CDK-interacting protein 1
CDKN1A
7
0,574
0,0005
12,98
ДБ
ГКМ
cGMP-dependent protein kinase 2
PRKG2
14
0,545
0,0204
14
Киназа
СТЕРД
c-Jun N-terminal kinase 1
MAPK8
16
0,573
0,0005
12,98
Киназа
РСК, ФМК
c-Jun N-terminal kinase 2
MAPK9
9
0,568
0,0011
13,24
Киназа
ГКМ, РСК
C-jun-amino-terminal kinase-interacting protein 1
MAPK8IP1
35
0,572
0,0006
15,23
ДБ
АПТ, ГКМ
Corticotropin releasing factor receptor 1
CRHR1
1
0,547
0,018
14,12
GPCR
ДАВЛ, ИНСН, ПСИМП, СТЕРД
Cytochrome P450 1A1
CYP1A1
134
0,603
<1E-5
14,95
Цит P450
СТЕРД
Cytochrome P450 1A2
CYP1A2
85
0,57
0,0009
14,63
Цит P450
СТЕРД
Cytochrome P450 1B1
CYP1B1
74
0,564
0,002
15,42
Цит P450
СТЕРД
Cytochrome P450 2A6
CYP2A6
103
0,562
0,0028
17,04
Цит P450
СТЕРД
Cytochrome P450 2B6
CYP2B6
132
0,544
0,0244
16,07
Цит P450
СТЕРД
Cytochrome P450 2C19
CYP2C19
122
0,585
0,0001
14,3
Цит P450
СТЕРД
Cytochrome P450 2C9
CYP2C9
85
0,574
0,0004
14,06
Цит P450
СТЕРД
Cytochrome P450 2D6
CYP2D6
77
0,558
0,0044
14,96
Цит P450
СТЕРД
Discoidin domain-containing receptor 2
DDR2
27
0,57
0,0008
15,05
Киназа
Снижение плотности коллагена в сердце у мышей с генетическим нокаутом,
влияние на структуру и функции миокарда.
DNA-dependent protein kinase
PRKDC
2
0,579
0,0002
13,67
Киназа
Активность увеличена при СН. Репарация ДНК.
Dopamine D1 receptor
DRD1
37
0,547
0,0173
11,7
GPCR
ДАВЛ, АПТ, ПОЧК
Dopamine D2 receptor
DRD2
27
0,551
0,0111
12,28
GPCR
ДАВЛ, АПТ, МИОКД, ГКМ, ИНСН, СИМП, ПОЧК, АФК
Dopamine D4 receptor
DRD4
20
0,552
0,0098
13,02
GPCR
ДАВЛ, ПОЧК
Dual specificity mitogen-activated protein kinase
kinase 1
MAP2K1
29
0,557
0,0054
12,38
Киназа
АПТ, ФМК, РСК
94
Белок-мишень
Продолжение таблицы 3.5
Ген
Кол. акт.
соед.
Umстат
Величина P
-Log2 (Оценка
сходства)
Класс
мишеней
Биологические процессы
Dual specificity mitogen-activated protein kinase
kinase 2
MAP2K2
38
0,565
0,0017
13,82
Киназа
РСК
Ephrin type-B receptor 4
EPHB4
10
0,554
0,0073
13,04
Киназа
АНГ
Estradiol 17-beta-dehydrogenase 1
HSD17B1
15
0,555
0,0066
16,88
ДФ
СТЕРД
Estrogen-related receptor beta
ESRRB
16
0,571
0,0007
17,54
ЯР
Регуляция активности глюкокортикоидного рецептора.
Fibroblast growth factor receptor 1
FGFR1
24
0,57
0,0008
13,26
Киназа
АНГ
Fibroblast growth factor receptor 2
FGFR2
38
0,602
<1E-5
13,63
Киназа
АПТ
Focal adhesion kinase 1
PTK2
16
0,57
0,0009
11,75
Киназа
АПТ, ИНСН, РСК
Galanin receptor 1
GALR1
7
0,577
0,0003
14,44
GPCR
ИНСН, ПСИМП, СТЕРД
Glucagon receptor
GCGR
5
0,544
0,0239
15,12
GPCR
ДАВЛ, МИОКД, ИНСН, ПОЧК
Heat shock protein HSP 90-beta
HSP90AB1
9
0,545
0,0205
12,57
ДБ
АПТ
Heparanase
HPSE
2
0,544
0,0238
17,8
ДФ
АНГ
Histamine H3 receptor
HRH3
9
0,545
0,0217
14,45
GPCR
СИМП
Homeodomain-interacting protein kinase 1
HIPK1
19
0,56
0,0033
13,48
Киназа
РСК
Lactotransferrin
LTF
130
0,556
0,006
14,23
Протеаза
ИНСН, АФК
LIM domain kinase 1
LIMK1
23
0,564
0,0021
13,15
Киназа
ЦСКТ
Macrophage colony stimulating factor receptor
CSF1R
12
0,56
0,0033
12,3
Киназа
Вероятно, связана с кардиотоксичностью ингибиторов киназ.
MAP kinase p38 beta
MAPK11
23
0,551
0,0106
13,87
Киназа
ГКМ
Melanin-concentrating hormone receptor 1
MCHR1
4
0,553
0,009
13,13
GPCR
МИОКД, ИНСН
Monoamine oxidase B
MAOB
16
0,558
0,0043
16,6
ДФ
ИНСН, СИМП
Muscarinic acetylcholine receptor M1
CHRM1
45
0,547
0,0179
13,09
GPCR
МИОКД, ПСИМП, СИМП
Muscarinic acetylcholine receptor M4
CHRM4
66
0,552
0,0093
14,25
GPCR
МИОКД, ПСИМП
Nerve growth factor receptor Trk-A
NTRK1
17
0,56
0,0034
12,83
Киназа
АНГ, АПТ
Neuropilin-1
NRP1
5
0,553
0,0083
15,84
Киназа
АНГ
Neurotrophic tyrosine kinase receptor type 2
NTRK2
20
0,569
0,0009
12,86
Киназа
АНГ, АПТ
P2X purinoceptor 2
Peroxisome proliferator-activated receptor
gamma/Nuclear receptor coactivator 1
Peroxisome proliferator-activated receptor
gamma/Nuclear receptor coactivator 2
P2RX2
PPARG;
NCOA1
PPARG;
NCOA2
11
0,557
0,005
18,81
ИК
ПСИМП
24
0,544
0,0229
13,33
ДБ
Активация PPARG.
25
0,552
0,0092
13,62
ДБ
Активация PPARG.
95
Белок-мишень
Продолжение таблицы 3.5
Ген
Кол. акт.
соед.
Umстат
Величина P
-Log2 (Оценка
сходства)
Класс
мишеней
Биологические процессы
P-glycoprotein 1
ABCB1
119
0,579
0,0002
14,39
Т
ИНСН, СТЕРД
Phosphatidylinositol-4-phosphate 3-kinase C2
domain-containing subunit alpha
PIK3C2A
8
0,545
0,0218
15,62
ДФ
ИНСН
Phosphodiesterase 3B
PDE3B
10
0,546
0,0192
13,44
ДФ
ИНСН, РСК
Phosphodiesterase 4A
PDE4A
9
0,548
0,0152
13,14
ДФ
ГКМ
Platelet-derived growth factor receptor alpha
PDGFRA
21
0,567
0,0013
12,7
Киназа
АНГ, ЦСКТ
Protein kinase C alpha
PRKCA
47
0,545
0,0216
10,87
Киназа
АНГ, ИНСН, РСК
Protein kinase C delta
PRKCD
17
0,555
0,0069
12,83
Киназа
ФМК, ЦСКТ, ИНСН, МТ, РСК
Protein kinase C iota
PRKCI
16
0,555
0,0069
13,13
Киназа
ИНСН
Protein kinase C mu
PRKD1
13
0,552
0,0102
13,62
Киназа
ИНСН
Quinone reductase 1)
NQO1
15
0,557
0,0049
14,64
ДФ
ДАВЛ, АПТ, АФК
Retinoblastoma-associated protein
RB1
8
0,546
0,0187
10,98
ДБ
АПТ, ГКМ
Ribosomal protein S6 kinase 1
RPS6KB1
21
0,58
0,0002
14,19
Киназа
Позитивная регуляция трансляции мРНК в кардиомиоцитах.
Ribosomal protein S6 kinase alpha 5
RPS6KA5
24
0,562
0,0027
14,76
Киназа
АПТ, АФК, РСК
Serine/threonine-protein kinase AKT
AKT1
18
0,556
0,0062
10,65
Киназа
АНГ, АПТ, ИНСН, NO, РСК
Serine/threonine-protein kinase PAK 4
PAK4
18
0,551
0,0112
13,41
Киназа
АНГ, МИОКД
Serine/threonine-protein kinase PIM3
PIM3
20
0,548
0,0149
14,83
Киназа
АПТ
Serine/threonine-protein kinase PLK1
PLK1
14
0,569
0,0009
13,69
Киназа
РСК
Serine/threonine-protein kinase RIPK2
RIPK2
31
0,571
0,0007
12,12
Киназа
АПТ
Serine/threonine-protein kinase Sgk1
SGK1
30
0,557
0,005
13,16
Киназа
АНГ, АПТ
Serotonin 1a (5-HT1a) receptor
HTR1A
33
0,566
0,0015
9,95
GPCR
ДАВЛ, ИНСН, ПСИМП, СИМП
Serotonin 1b (5-HT1b) receptor
HTR1B
26
0,569
0,001
12,91
GPCR
ДАВЛ, СИМП
Serotonin 1d (5-HT1d) receptor
HTR1D
18
0,562
0,0027
13,28
GPCR
ДАВЛ, СИМП
Serotonin 2c (5-HT2c) receptor
HTR2C
36
0,567
0,0012
12,97
GPCR
ДАВЛ, ИНСН, ПСИМП
Serotonin 5a (5-HT5a) receptor
HTR5A
52
0,544
0,0243
13,34
GPCR
СИМП
Sigma opioid receptor
SIGMAR1
39
0,565
0,0018
17,41
ДБ
ГКМ, МТ
Signal transducer and activator of transcription 6
STAT6
1
0,545
0,0207
12,6
ДБ
ИНСН
Sodium channel protein type III alpha subunit
SCN3A
33
0,545
0,0218
13,31
ИК
МИОКД
Sodium channel protein type X alpha subunit
SCN10A
19
0,547
0,0168
14,62
ИК
МИОКД
96
Белок-мишень
Продолжение таблицы 3.5
Ген
Кол. акт.
соед.
Umстат
Величина P
-Log2 (Оценка
сходства)
Класс мишеней
Биологические процессы
Solute carrier family 22 member 2
SLC22A2
127
0,544
0,023
16,98
Т
ДАВЛ
Thyroid hormone receptor beta-1
THRB
7
0,554
0,0072
15,39
ЯР
АНГ
Transient receptor potential cation channel
subfamily M member 8
TRPM8
98
0,552
0,01
15,88
ИК
ДАВЛ
Transitional endoplasmic reticulum ATPase
VCP
15
0,546
0,019
14,24
Т
АПТ, NO
Tyrosine-protein kinase BLK
BLK
16
0,559
0,0041
15,76
Киназа
ИНСН
Tyrosine-protein kinase FYN
FYN
44
0,593
0,00002
11,49
Киназа
РСК
Tyrosine-protein kinase LCK
LCK
21
0,558
0,0046
11,56
Киназа
АПТ, МТ
Tyrosine-protein kinase receptor FLT3
FLT3
10
0,573
0,0005
13,11
Киназа
АПТ
Tyrosine-protein kinase TIE-2
TEK
9
0,571
0,0007
15,37
Киназа
Tyrosine-protein kinase TYK2
TYK2
15
0,559
0,0041
12,78
Киназа
АНГ
Участвует в сигнальном пути STAT3. Уровень фосфорилированного
белка снижен при дилатационной кардиомиопатии.
Vascular endothelial growth factor receptor 1
FLT1
15
0,555
0,0069
11,98
Киназа
АНГ
Vascular endothelial growth factor receptor 2
KDR
8
0,567
0,0013
13,15
Киназа
АНГ
Vascular endothelial growth factor receptor 3
FLT4
13
0,557
0,0054
13,11
Киназа
АНГ
CACNB1
84
0,547
0,0175
15,66
ИК
МИОКД
CACNB3
91
0,559
0,0039
16,2
ИК
ДАВЛ, ИНСН, СИМП
CACNB4
91
0,559
0,0039
16,8
ИК
МИОКД
CACNA2D1
30
0,564
0,002
14,79
ИК
ДАВЛ, МИОКД
CACNA2D2
63
0,554
0,0072
18,74
ИК
ДАВЛ
KCNA1
78
0,548
0,0148
12,39
ИК
ПСИМП
KCNA5
14
0,56
0,0034
11,3
ИК
ДАВЛ, ГКМ
Voltage-dependent L-type calcium channel subunit
beta-1
Voltage-dependent L-type calcium channel subunit
beta-3
Voltage-dependent L-type calcium channel subunit
beta-4
Voltage-gated calcium channel alpha2/delta
subunit 1
Voltage-gated calcium channel alpha2/delta
subunit 2
Voltage-gated potassium channel subunit Kv1.1
Voltage-gated potassium channel subunit Kv1.5
Voltage-gated T-type calcium channel alpha-1H
CACNA1H
43
0,554 0,0079
13,36
ИК
ДАВЛ, МИОКД
subunit
АНГ – ангиогенез; АПТ – апоптоз кардиомиоцитов; АФК – защита от активных форм кислорода; ГКМ – гипертрофия кардиомиоцитов; ДАВЛ – регуляция артериального давления; ИНСН – регуляция секреции
инсулина или формирование инсулинорезистентности; МИОКД – регуляция сокращений миокарда; МТ – регуляция функционирования митохондрий; ПОЧК – регуляция экскреции натрия и воды в почках;
ПСИМП – регуляция тонуса парасимпатической нервной системы; СИМП – регуляция тонуса симпатической нервной системы; СТЕРД – метаболизм и транспорт стероидных гормонов; ФМК – фиброз миокарда;
ЦСКТ – регуляция цитоскелета кардиомиоцита; NO – регуляция синтеза оксида азота; РСК – данный белок входит в состав фрагмента регуляторной сети кардиомиоцита, идентифицированного при помощи
алгоритма дихотомического моделирования; ИК – ионный канал; ДБ – другой белок; ДФ – другой фермент; ЯР – ядерный рецептор; Т – транспортёр; СН – сердечная недостаточность; Кол. акт. соед. –
количество соединений, вызывающих сердечную недостаточность, для которых было предсказано взаимодействие с данной мишенью с Pa-Pi>0; Um-stat – значения модифицированной статистики Манна-Уитни;
97
Белок-мишень
P величина – значение правосторонней альтернативы величины P, вычисленное на основе модифицированной статистики Манна-Уитни; -Log2(Оценка сходства) – значения оценок функционального сходства с
199 генами в отрицательной логарифмической шкале.
Таблица 3.6 – Белки-мишени, ассоциированные с индукцией сердечной недостаточности, из третьей категории достоверности.
Ген
Кол. акт.
соед.
Um-стат
Величина P
-Log2
(Оценка
сходства)
Класс
мишеней
3-beta-hydroxysteroid-delta(8),delta(7)-isomerase
EBP
69
0,547
0,0168
18,6
ДФ
40S ribosomal protein S27
RPS27
6
0,548
0,0162
16,81
ДБ
Acetylcholinesterase
ACHE
36
0,568
0,001
13,23
ДФ
Activin receptor type-1B
ACVR1B
19
0,548
0,0163
12,9
Киназа
ADAM9
ADAM9
4
0,546
0,0203
13,13
Протеаза
ADAMTS1
ADAMTS1
4
0,582
0,0001
13,02
Протеаза
ALK tyrosine kinase receptor
ALK
17
0,571
0,0007
15,91
Киназа
Alpha-synuclein
SNCA
5
0,546
0,0191
16,43
ДБ
Amine oxidase, copper containing
AOC3
32
0,548
0,0156
16,31
ДФ
Autotaxin
ENPP2
13
0,56
0,0035
17,57
ДФ
Axin-2
AXIN2
10
0,572
0,0007
16,45
ДБ
Beta secretase 2
BACE2
24
0,561
0,003
13,78
Протеаза
Beta-secretase 1
BACE1
38
0,554
0,008
14,42
Протеаза
BR serine/threonine-protein kinase 1
BRSK1
20
0,556
0,0056
13,78
Киназа
Bromodomain-containing protein 2
BRD2
4
0,567
0,0014
19,02
Киназа
Bromodomain-containing protein 3
BRD3
4
0,578
0,0002
22,99
ДБ
Bromodomain-containing protein 4
BRD4
4
0,562
0,0025
17,22
Киназа
Butyrylcholinesterase
BCHE
59
0,567
0,0013
16,6
ДФ
CaM kinase I alpha
CAMK1
21
0,544
0,0243
14,12
Киназа
CaM kinase II alpha
CAMK2A
59
0,548
0,0161
14,2
Киназа
CaM kinase II beta
CAMK2B
24
0,55
0,0118
14,84
Киназа
Casein kinase I alpha
CSNK1A1
14
0,549
0,0134
14,73
Киназа
Краткое описание
Ингибирование препятствует развитию СН.
98
Белок-мишень
Увеличенная концентрация в крови коррелирует с
худшим прогнозом при СН.
Продолжение таблицы 3.6
Ген
Кол. акт.
соед.
Um-стат
Величина P
-Log2
(Оценка
сходства)
Класс
мишеней
Casein kinase I delta
CSNK1D
16
0,555
0,0066
13,92
Киназа
Casein kinase I gamma 2
CSNK1G2
12
0,568
0,0012
14,77
Киназа
Casein kinase I isoform gamma-3
CSNK1G3
15
0,552
0,01
13,52
Киназа
Cell division protein kinase 8
CDK8
36
0,562
0,0026
13,21
Киназа
Cholesteryl ester transfer protein
CETP
13
0,557
0,0049
14,9
ДБ
c-Jun N-terminal kinase 3
MAPK10
8
0,56
0,0035
12,93
Киназа
Coagulation factor V
F5
84
0,549
0,0143
13,84
ДБ
Coagulation factor X/antithrombin III
F10;
SERPINC1
1
0,545
0,0213
12,34
ДБ
Cyclin-dependent kinase 2
CDK2
10
0,563
0,0024
12,41
Киназа
Cyclin-dependent kinase 4
CDK4
11
0,581
0,0001
12,57
Киназа
Cyclin-dependent kinase 5
CDK5
11
0,547
0,0166
12,58
Киназа
Cyclin-dependent kinase 7
CDK7
27
0,549
0,0135
14,16
Киназа
Cytochrome P450 11B2
CYP11B2
8
0,564
0,0019
13,77
Цит P450
Death-associated protein kinase 3
DAPK3
19
0,561
0,0029
14,56
Киназа
Dihydrofolate reductase-like protein 1
DHFRL1
5
0,579
0,0002
20,53
ДФ
DNA topoisomerase II alpha
TOP2A
35
0,568
0,0011
14,52
ДФ
Dopamine transporter
SLC6A3
44
0,557
0,0055
16,37
Т
Dual specificity protein kinase CLK2
CLK2
14
0,555
0,0067
14,9
Киназа
Dual specificity protein kinase CLK4
CLK4
18
0,554
0,0073
14,94
Киназа
Dual specificity tyrosine-phosphorylation-regulated kinase 4
DYRK4
17
0,556
0,0057
13,99
Киназа
Dual-specificity tyrosine-phosphorylation regulated kinase 3
DYRK3
20
0,57
0,0009
15,49
Киназа
Dynamin-1
DNM1
6
0,545
0,0204
14,58
ДФ
Elongation of very long chain fatty acids protein 3
ELOVL3
25
0,581
0,0001
19,56
ДФ
Ephrin type-A receptor 5
EPHA5
18
0,56
0,0037
15,65
Киназа
Ephrin type-A receptor 8
EPHA8
17
0,555
0,0067
15,65
Киназа
Epoxide hydrolase 1
EPHX1
30
0,545
0,0223
13,27
ДФ
Краткое описание
Гиперактивность ассоцирована с прогрессией СН и
риском смертности.
Ингибирование обладает кардиопротективным
эффектом у крыс с диабетом 2 типа и сохраняет
функции митохондрий при ишемии/реперфузии.
99
Белок-мишень
Продолжение таблицы 3.6
Ген
Кол. акт.
соед.
Um-стат
Величина P
-Log2
(Оценка
сходства)
Класс
мишеней
Eukaryotic translation initiation factor 2-alpha kinase 1
EIF2AK1
4
0,568
0,0011
14,9
Киназа
Fibroblast growth factor receptor 3
FGFR3
19
0,552
0,0102
13,81
Киназа
Fibroblast growth factor receptor 4
FGFR4
38
0,549
0,0135
14,01
Киназа
GABA transporter 2
SLC6A13
2
0,558
0,0044
17,36
Т
Galanin receptor 2
GALR2
17
0,552
0,0101
15,84
GPCR
Galanin receptor 3
GALR3
16
0,557
0,005
14,91
GPCR
Glucose-6-phosphatase
G6PC
1
0,564
0,0021
15,18
ДФ
Glycine transporter 1
SLC6A9
5
0,552
0,0092
17,1
Т
Group IIE secretory phospholipase A2
PLA2G2E
57
0,548
0,0148
19,12
ДФ
Histone deacetylase 10
HDAC10
2
0,554
0,008
14,3
ДФ
Histone deacetylase 11
HDAC11
23
0,558
0,0046
14,33
ДФ
Histone deacetylase 7
HDAC7
3
0,546
0,0184
14,71
ДФ
Homeodomain-interacting protein kinase 2
HIPK2
12
0,56
0,0033
13,35
Киназа
Homeodomain-interacting protein kinase 4
HIPK4
13
0,576
0,0003
15,03
Киназа
IgE Fc receptor, alpha-subunit
FCER1A
4
0,548
0,016
15,64
ДБ
Indoleamine 2,3-dioxygenase
IDO1
17
0,559
0,0039
14,93
ДФ
Insulin receptor-related protein
INSRR
28
0,546
0,0198
14,02
Киназа
Intercellular adhesion molecule-1
ICAM1
5
0,548
0,0156
11,1
ДБ
Interleukin-1 receptor-associated kinase 1
IRAK1
20
0,552
0,0092
11,57
Киназа
Interleukin-1 receptor-associated kinase 4
IRAK4
15
0,552
0,0092
12,57
Киназа
Leucine-rich repeat serine/threonine-protein kinase 2
LRRK2
19
0,568
0,0011
13,49
Киназа
Leukocyte tyrosine kinase receptor
LTK
38
0,562
0,0027
14,03
Киназа
Lipoxin A4 receptor
FPR2
2
0,55
0,0121
16
GPCR
Macrophage-stimulating protein receptor
MST1R
27
0,55
0,0128
15,05
Киназа
MAP kinase p38 delta
MAPK13
21
0,556
0,006
13,95
Киназа
MAP kinase p38 gamma
MAPK12
40
0,551
0,0105
13,35
Киназа
Краткое описание
100
Белок-мишень
Высокий уровень растворимой формы в крови и
способность моноцитов к адгезии коррелируют с
худшим исходом при СН.
Инактивация у мышей с СН повышает их
выживаемость.
Активация в сердце приводит к гипертрофии и
дегенерации кардиомиоцитов.
Продолжение таблицы 3.6
Ген
Кол. акт.
соед.
Um-стат
Величина P
-Log2
(Оценка
сходства)
Класс
мишеней
MAP kinase signal-integrating kinase 2
MKNK2
13
0,563
0,0022
15,02
Киназа
MAP kinase-activated protein kinase 2
MAPKAPK2
10
0,546
0,0198
13,94
Киназа
MAP/microtubule affinity-regulating kinase 2
MARK2
16
0,557
0,005
14,91
Киназа
Maternal embryonic leucine zipper kinase
MELK
13
0,549
0,0144
13,52
Киназа
Melanin-concentrating hormone receptor 2
MCHR2
15
0,545
0,0207
17,38
GPCR
Melatonin receptor 1A
MTNR1A
3
0,547
0,0168
17,4
GPCR
Misshapen-like kinase 1
MINK1
13
0,557
0,0055
14,94
Киназа
Mitogen-activated protein kinase kinase kinase 9
MAP3K9
23
0,547
0,0173
15,12
Киназа
Mitogen-activated protein kinase kinase kinase kinase 2
MAP4K2
20
0,558
0,0046
14,71
Киназа
Mitogen-activated protein kinase kinase kinase kinase 4
MAP4K4
14
0,557
0,0049
14,74
Киназа
Mitogen-activated protein kinase kinase kinase kinase 5
MAP4K5
16
0,553
0,0083
14,89
Киназа
Mixed lineage kinase 7
ZAK
19
0,544
0,0232
13,92
Киназа
Muscarinic acetylcholine receptor M5
CHRM5
55
0,564
0,002
12,9
GPCR
Muscle, skeletal receptor tyrosine protein kinase
MUSK
19
0,561
0,0028
14,76
Киназа
NACHT, LRR and PYD domains-containing protein 3
NLRP3
74
0,56
0,0035
13,3
ДБ
Non-receptor tyrosine-protein kinase TNK1
TNK1
10
0,569
0,001
15,13
Киназа
21
0,556
0,0056
15,13
Киназа
18
0,556
0,006
12,54
Киназа
NPM/ALK (Nucleophosmin/ALK tyrosine kinase receptor)
NT-3 growth factor receptor
NPM1;
ALK
NTRK3
Nuclear factor NF-kappa-B p65 subunit
RELA
21
0,551
0,0108
11,63
ДБ
Perforin-1
PRF1
2
0,561
0,0029
13,77
ДБ
Phosphatidylinositol-4-phosphate 3-kinase C2 domaincontaining beta polypeptide
PIK3C2B
8
0,556
0,0057
14,15
ДФ
Phosphodiesterase 10A
PDE10A
4
0,567
0,0013
13
ДФ
Краткое описание
Генетический нокаут снижает гипертрофию, апоптоз
кардиомиоцитов и улучшает сократимость сердца
при СН.
101
Белок-мишень
Инактивация через ингибирование катепсина В
приводит к улучшению функций кардиомиоцита
после инфаркта миокарда, снижению гипертрофии и
фиброза. Генетический нокаут снижает воспаление в
миокарде, протективен при СН.
У мышей с генетическим нокаутом меньше
гипертрофия и ремоделирование миокарда.
Гиперэкспрессия вызывает ухудшение СН,
ремоделирование миокарда, усиливает фиброз,
воспаление и апоптоз кардиомиоцитов.
Продолжение таблицы 3.6
Белок-мишень
Ген
Кол. акт.
соед.
Um-стат
Величина P
-Log2
(Оценка
сходства)
Класс
мишеней
Phosphodiesterase 4B
PDE4B
11
0,547
0,0172
13,12
ДФ
Phosphodiesterase 7A
PDE7A
13
0,544
0,0232
13,63
ДФ
Phosphoethanolamine/phosphocholine phosphatase
PHOSPHO1
5
0,556
0,0057
22,18
ДФ
Phospholipase A-2-activating protein
PLAA
5
0,548
0,0147
16,82
ДБ
Phosphorylase kinase gamma subunit 1
PHKG1
21
0,569
0,0009
13,63
Киназа
Phosphorylase kinase gamma subunit 2
PHKG2
23
0,559
0,0042
13,63
Киназа
PI3-kinase p110-delta subunit
PIK3CD
7
0,551
0,0114
15,61
Киназа
1
0,572
0,0006
13,65
Киназа
5
0,565
0,0017
12,62
Киназа
PI3-kinase p110-delta/p85-alpha
Platelet-derived growth factor receptor
PIK3R1;
PIK3CD
PDGFRB;
PDGFRA
ATP4A
7
0,55
0,0116
14,28
Т
Protein kinase C nu
PRKD3
14
0,553
0,0088
13,3
Киназа
Protein kinase N2
PKN2
15
0,55
0,0125
12,72
Киназа
Protein tyrosine kinase 2 beta
PTK2B
28
0,547
0,0167
11,62
Киназа
Proto-oncogene tyrosine-protein kinase ROS
ROS1
15
0,563
0,0024
14,48
Киназа
Puromycin-sensitive aminopeptidase
NPEPPS
8
0,551
0,0115
16,86
Протеаза
Pyruvate kinase isozymes M1/M2
PKM2
4
0,547
0,0179
13,1
ДФ
Ras-related C3 botulinum toxin substrate 1
RAC1
46
0,575
0,0004
11,66
ДБ
Rho-associated protein kinase 1
ROCK1
14
0,564
0,002
13,03
Киназа
Rho-associated protein kinase 2
ROCK2
13
0,558
0,0044
12,65
Киназа
75
0,563
0,0024
13,87
Киназа
20
0,563
0,0023
14,64
Киназа
Ribosomal protein S6 kinase alpha 1
RPS6KB2;
RPS6KB1
RPS6KA1
Ribosomal protein S6 kinase alpha 4
RPS6KA4
33
0,555
0,0069
13,89
Киназа
Ribosomal protein S6 kinase alpha 6
RPS6KA6
35
0,547
0,0182
13,96
Киназа
Sentrin-specific protease 6
SENP6
16
0,55
0,013
21,05
Протеаза
Ribosomal protein S6 kinase (P70S6K)
102
Potassium-transporting ATPase alpha chain 1
Краткое описание
Инактивация снижает гипертрофию миокарда и
генерацию АФК. Участвует в позитивной регуляции
апоптоза кардиомиоцитов.
Генетический нокаут ингибирует апоптоз
кардиомиоцитов, снижает генерацию АФК, приводит
к стабилизации цитоскелета, улучшает сократимость
сердца.
Продолжение таблицы 3.6
Ген
Кол. акт.
соед.
Um-стат
Величина P
-Log2
(Оценка
сходства)
Класс
мишеней
Sentrin-specific protease 7
SENP7
11
0,546
0,0198
24,99
Протеаза
Serine/threonine protein kinase NLK
NLK
13
0,552
0,0096
13,9
Киназа
Serine/threonine-protein kinase 10
STK10
24
0,561
0,0032
14,85
Киназа
Serine/threonine-protein kinase 17A
STK17A
17
0,564
0,0021
14,95
Киназа
Serine/threonine-protein kinase 2
SLK
15
0,563
0,0024
14,97
Киназа
Serine/threonine-protein kinase 25
STK25
23
0,553
0,0085
15,24
Киназа
Serine/threonine-protein kinase 36
STK36
24
0,572
0,0006
14,91
Киназа
Serine/threonine-protein kinase AKT3
AKT3
18
0,556
0,0061
13,19
Киназа
Serine/threonine-protein kinase Aurora-A
AURKA
13
0,555
0,0068
14,06
Киназа
Serine/threonine-protein kinase Aurora-C
AURKC
19
0,555
0,0067
14,74
Киназа
Serine/threonine-protein kinase Chk1
CHEK1
14
0,554
0,0078
13,63
Киназа
Serine/threonine-protein kinase Chk2
CHEK2
13
0,556
0,0062
14,17
Киназа
Serine/threonine-protein kinase c-TAK1
MARK3
16
0,557
0,0049
14,57
Киназа
Serine/threonine-protein kinase D2
PRKD2
16
0,55
0,0124
14,67
Киназа
Serine/threonine-protein kinase DCLK1
DCLK1
27
0,554
0,0073
15,25
Киназа
Serine/threonine-protein kinase GAK
GAK
36
0,552
0,0097
13,36
Киназа
Serine/threonine-protein kinase haspin
GSG2
63
0,559
0,0039
14,09
Киназа
Serine/threonine-protein kinase MRCK-A
CDC42BPA
19
0,551
0,0114
14,34
Киназа
Serine/threonine-protein kinase MST2
STK3
13
0,553
0,0089
14,3
Киназа
Serine/threonine-protein kinase Nek4
NEK4
15
0,562
0,0027
13,97
Киназа
Serine/threonine-protein kinase NEK9
NEK9
9
0,563
0,0022
13,92
Киназа
Serine/threonine-protein kinase PAK 2
PAK2
28
0,553
0,0087
14,02
Киназа
Serine/threonine-protein kinase PLK2
PLK2
14
0,553
0,0082
14,97
Киназа
Serine/threonine-protein kinase PLK3
PLK3
18
0,554
0,0074
14,67
Киназа
Serine/threonine-protein kinase PLK4
PLK4
17
0,552
0,0091
13,61
Киназа
Serine/threonine-protein kinase PRKX
PRKX
18
0,552
0,0092
13,79
Киназа
Serine/threonine-protein kinase Sgk2
SGK2
16
0,568
0,0011
14,57
Киназа
Краткое описание
103
Белок-мишень
Продолжение таблицы 3.6
Ген
Кол. акт.
соед.
Um-стат
Величина P
-Log2
(Оценка
сходства)
Класс
мишеней
Serine/threonine-protein kinase SIK2
SIK2
43
0,552
0,0096
13,9
Киназа
Serine/threonine-protein kinase TAO1
TAOK1
17
0,55
0,0129
13,66
Киназа
Serine/threonine-protein kinase TBK1
TBK1
16
0,558
0,0043
13,12
Киназа
Serine/threonine-protein kinase tousled-like 1
TLK1
27
0,552
0,0096
14,91
Киназа
Serotonin 6 (5-HT6) receptor
HTR6
17
0,549
0,013
14,25
GPCR
Sodium channel protein type II alpha subunit
SCN2A
36
0,547
0,017
14,52
ИК
Sodium/hydrogen exchanger 2
SLC9A2
33
0,557
0,0053
16,83
Т
Tankyrase-2
TNKS2
2
0,57
0,0009
17,76
ДФ
Testis-specific serine/threonine-protein kinase 1
TSSK1B
17
0,564
0,002
Нет
Киназа
Testis-specific serine/threonine-protein kinase 2
TSSK2
35
0,566
0,0016
15,36
Киназа
Transcriptional regulator ERG
ERG
12
0,544
0,0239
18,44
ДБ
Tumour suppressor protein p53/Mdm4
TP53;
MDM4
15
0,553
0,0082
12,93
ДБ
Tyrosine kinase non-receptor protein 2
TNK2
34
0,563
0,0023
15,69
Киназа
Tyrosine-protein kinase BMX
BMX
20
0,552
0,0103
15,43
Киназа
Tyrosine-protein kinase BTK
BTK
29
0,548
0,0149
13,16
Киназа
Tyrosine-protein kinase CSK
CSK
49
0,561
0,003
12,82
Киназа
Tyrosine-protein kinase FER
FER
13
0,56
0,0035
16,06
Киназа
Tyrosine-protein kinase FES
FES
19
0,564
0,002
13,89
Киназа
Tyrosine-protein kinase FGR
FGR
21
0,565
0,0017
14,29
Киназа
Tyrosine-protein kinase FRK
FRK
14
0,546
0,0197
15,9
Киназа
Tyrosine-protein kinase HCK
HCK
14
0,561
0,0031
13,51
Киназа
Tyrosine-protein kinase JAK1
JAK1
9
0,551
0,0114
12,15
Киназа
Tyrosine-protein kinase JAK3
JAK3
12
0,56
0,0034
13,59
Киназа
Tyrosine-protein kinase Lyn
LYN
15
0,556
0,0061
13,05
Киназа
Tyrosine-protein kinase receptor RET
RET
16
0,561
0,0032
12,19
Киназа
Tyrosine-protein kinase receptor TYRO3
TYRO3
36
0,549
0,0136
15,23
Киназа
Tyrosine-protein kinase receptor UFO
AXL
14
0,545
0,0226
13,88
Киназа
Краткое описание
104
Белок-мишень
Гиперэкспрессия приводит к усугублению СН.
Продолжение таблицы 3.6
Белок-мишень
Ген
Кол. акт.
соед.
Um-стат
Величина P
-Log2
(Оценка
сходства)
Класс
мишеней
Tyrosine-protein kinase SYK
SYK
13
0,551
0,0106
12,22
Киназа
Tyrosine-protein kinase YES
YES1
23
0,545
0,0216
14,07
Киназа
Tyrosine-protein kinase ZAP-70
ZAP70
12
0,559
0,0039
12,67
Киназа
Voltage-gated L-type calcium channel alpha-1S subunit
CACNA1S
79
0,546
0,0193
13,97
ИК
Voltage-gated potassium channel subunit Kv1.2
KCNA2
19
0,569
0,001
12,57
ИК
Краткое описание
ИК – ионный канал; ДБ – другой белок; ДФ – другой фермент; Т – транспортёр; СН – сердечная недостаточность; Кол. акт. соед. – количество соединений, вызывающих сердечную недостаточность, для которых
было предсказано взаимодействие с данной мишенью с Pa-Pi>0; Um-stat – значения модифицированной статистики Манна-Уитни; P величина – значение правосторонней альтернативы величины P, вычисленное
на основе модифицированной статистики Манна-Уитни; -Log2(Оценка сходства) – значения оценок функционального сходства с 199 генами в отрицательной логарифмической шкале. ИК – ионный канал; ДБ –
другой белок; ДФ – другой фермент; Т – транспортёр.
105
106
3.3.3 Желудочковые аритмии
В ходе статистического анализа было выявлено 203 белка-мишени, предположительно
ассоциированных с индукцией желудочковых аритмий, что соответствует 209 кодирующим их
генам. Список из 209 генов был сопоставлен со списком из 40 генов, для которых известна
связь с желудочковыми аритмиями (см. Материалы и Методы). Списки из 40 и 209 генов
содержали только 2 общих гена: KCNH2 (HERG) и SCN5A. Эти гены были исключены из
списка 40 генов, а оставшиеся 38 генов использовались для оценки функционального сходства с
209 генами. Оценка функционального сходства производилась при помощи алгоритма
случайного блуждания в сети функциональной взаимосвязи генов (см. Материалы и Методы).
Величина площади под ROC кривой, вычисленная при помощи процедуры скользящего
контроля с исключением по одному среди 199 генов составила 0,89, что свидетельствует о
высокой точности оценки. Оценка функционального сходства с 38 генами была выполнена для
каждого из 209 генов. Среди них гены KCNH2 и SCN5A получили наивысшие оценки. Оценки
функционального сходства, которые получили 209 генов, были сопоставлены с оценками для
всех остальных генов сети (13945 генов). Показано, что большинство генов, кодирующих
выявленные белки-мишени, получают более высокие оценки сходства, чем в среднем по сети
(Рисунок 3.11).
Рисунок 3.11 – Сравнение оценок функционального сходства 209 и 13945 генов в отрицательной
логарифмической шкале. Наиболее низкие оценки в логарифмической шкале соответствуют наиболее
высоким оценкам функционального сходства.
107
Оценка биологических путей и процессов, нарушение которых под действием лекарств
потенциально может приводить к индукции желудочковых аритмий, была выполнена по
аналогии с тем, как это делалось при анализе механизмов индукции инфаркта миокарда и
сердечной недостаточности (см. Материалы и Методы) (Рисунки 3.12 и 3.13).
Рисунок 3.12 – Сеть сходства сигнальных и метаболических путей из KEGG и REACTOME,
обогащённых 209 генами, которые кодируют выявленные в ходе анализа белки-мишени, и 38 генами,
для которых известны ассоциации с желудочковыми аритмиями. Зелёные вершины представляют собой
пути, специфически обогащённые 209 генами. Красные вершины представляют собой пути,
специфически обогащённые 38 генами. Белые вершины – пути, неспецифически обогащённые генами из
обоих списков в равном процентном отношении. Интенсивность цвета отражает специфичность
обогащения.
108
Рисунок 3.13 – Сеть сходства биологических процессов Gene Ontology, обогащённых 209 генами,
которые кодируют выявленные в ходе анализа белки-мишени, и 38 генами, для которых известны
ассоциации с желудочковыми аритмиями. Зелёные вершины представляют собой процессы,
специфически обогащённые 209 генами. Красные вершины представляют собой процессы,
специфически обогащённые 38 генами. Белые вершины – процессы, неспецифически обогащённые
генами из обоих списков в равном процентном отношении. Интенсивность цвета отражает
специфичность обогащения.
Рисунки 3.12 и 3.13 демонстрируют, что 38 генов, для которых известны ассоциации с
желудочковыми аритмиями, участвуют в процессах, связанных с генерацией потенциала
действия и регуляцией сокращений сердца, в то время как 209 генов, кодирующих выявленные
в ходе анализа белки-мишени, участвуют в более разнообразных биологических процессах.
Литературный анализ позволил установить для многих биологических путей и процессов,
специфически обогащённых 209 генами, связь с этиопатогенезом желудочковых аритмий.
Связь с индукцией желудочковых аритмий была установлена для следующих процессов:
1. регуляция ионных токов,
2. регуляция функций митохондрий,
3. регуляция секреции инсулина и формирование инсулинорезистентности,
4. регуляция тонуса симпатической и парасимпатической нервных систем,
109
5. регуляция контактов между кардиомиоцитами,
6. апоптоз кардиомиоцитов,
7. нарушение электролитного баланса,
8. регуляция гипертрофии кардиомиоцитов.
Связь с индукцией желудочковых аритмий лекарствами для таких процессов как
регуляция ионных токов и электролитные нарушения была известна ранее и описана в разделе
1.3 «Механизмы побочного действия лекарств на сердечно-сосудистую систему» Обзора
литературы. Для остальных процессов установлена связь с желудочковыми аритмиями, но
ранее не было известно, что их нарушение под действием лекарств может приводить к
индукции аритмий.
Падение мембранного потенциала митохондрий и повышение их проницаемости может
приводить к флуктуациям уровня АТФ в клетке, что ведёт к изменению ионных токов через
АТФ-чувствительные
калиевые
каналы
и
индукции
желудочковых
аритмий
[236].
Митохондрии являются одним из основных источников активных форм кислорода в клетке.
Активные формы кислорода вступают в реакции с белками ионных каналов и щелевых
контактов между кардиомиоцитами, вызывая их модификации, что приводит к нарушению их
функций и индукции аритмий [237]. Активность белков митохондрий, участвующих в
метаболизме, регулируется AMPK киназой, которая является своего рода метаболическим
сенсором в кардиомиоцитах. Активация AMPK киназы происходит в ответ на снижение уровня
АТФ в клетке, что приводит к усилению метаболических процессов в митохондриях.
Изменения в активности этого фермента могут приводить к индукции аритмий. Нарушение
метаболизма
в
митохондриях
также
может
приводить
к
генерации
аритмогенных
промежуточных продуктов метаболических путей. Например, нарушение бета-окисления
жирных кислот приводит к накоплению длинноцепочечных ацилкарнитинов, которые
вызывают индукцию аритмий [238]. Сахарный диабет и инсулинорезистентность являются
одним из факторов риска для аритмий. Нарушение передачи сигнала с рецепторов для инсулина
приводит к нарушению экспрессии калиевых ионных каналов и желудочковой реполяризации,
что является основой для индукции желудочковых аритмий [239]. Острая гиперинсулинемия
[240], гипогликемия [241] и нарушение транспорта глюкозы в кардиомиоциты [242]
увеличивают риск индукции аритмий. Увеличение тонуса симпатической или снижение тонуса
парасимпатической нервной системы увеличивают риск аритмий [243]. Снижение уровня
коннексина 43, участвующего в формировании щелевых контактов между кардиомиоцитами,
приводит к нарушению проведения возбуждения в сердце и индукции желудочковой
тахикардии [244]. Апоптоз кардиомиоцитов приводит к возникновению участков миокарда с
110
нарушенной проводимостью, что является основой для индукции аритмий [245]. Гипертрофия
кардиомиоцитов ассоциирована с повышенным риском индукции желудочковых аритмий [246].
Анализ публикаций в PubMed выявил, что 203 белка-мишени, предположительно
ассоциированные с индукцией желудочковых аритмий, чаще всего участвуют в таких
процессах как регуляция ионных токов, регуляция секреции инсулина/формирование
инсулинорезистентности и регуляция тонуса симпатической нервной системы (Рисунок 3.14).
Рисунок 3.14 – Биологические процессы, ассоциированные с индукцией желудочковых аритмий, в
которых участвуют выявленные 203 белка-мишени.
Выявленные белки-мишени были классифицированы на три категории в зависимости от
степени достоверности относительно их участия в этиопатогенезе желудочковых аритмий,
индуцируемых лекарствами.
1. Категория
мишеней
с
высокой
степенью
достоверности
(первая
категория
достоверности) включает 32 белка-мишени, для которых в литературе удалось найти
данные об участии в этиопатогенезе желудочковых аритмий (Таблица 3.7). Среди 32
белков-мишеней были идентифицированы 4 мишени (ADRA1A, HERG, CHRM2 и
SLC6A2) для которых связь с желудочковыми аритмиями, индуцируемыми лекарствами,
была известна ранее [5, 6, 36, 37].
2. Категория
мишеней
со
средней
степенью
достоверности
(вторая
категория
достоверности) включает 72 белка-мишени, для которых в литературе не было
непосредственных данных об участии в этиопатогенезе желудочковых аритмий, но были
111
данные об их участии в выявленных биологических процессах (Рисунок 3.14) (Таблица
3.8).
3. Категория мишеней с низкой степенью достоверности (третья категория достоверности)
включает 99 белков-мишеней, для которых в литературе не нашлось никаких данных,
подтверждающих их связь с желудочковыми аритмиями или выявленными процессами
(Таблица 3.9). Для белков-мишеней из этой категории, имеющих высокие оценки
функционального сходства, связь с желудочковыми аритмиями наиболее вероятна.
Таблица 3.7 – Белки-мишени, ассоциированные с индукцией желудочковых аритмий, из первой категории достоверности.
Белок-мишень
Ген
Кол.
акт.
соед.
Umстат
Величина P
-Log2
(Оценка
сходства)
Класс
мишеней
Биологические
процессы
Acetylcholinesterase
ACHE
25
0,642
0,0051
15,24
ДФ
-
Advanced glycosylation end productspecific receptor
AGER
9
0,645
0,0053
15,76
ДБ
МК, ИНСН, МТ,
АФК
Alpha-1a adrenergic receptor*
ADRA1A
43
0,792
<1E-06
14,5
GPCR
ИТ, АПТ
Alpha-1b adrenergic receptor
ADRA1B
35
0,771
<1E-06
14,18
GPCR
ИТ, МК, МТ,
ГКМ
Гиперэкспрессия у мышей вызывает желудочковые аритмии.
Alpha-2b adrenergic receptor
ADRA2B
58
0,746
<1E-05
15,83
GPCR
СИМП
Полиморфизм коррелирует с индукцией атриовентрикулярных
блокад и синдромом слабости синусового узла.
Cannabinoid CB1 receptor
CNR1
9
0,717
<1E-05
14,63
GPCR
Cannabinoid CB2 receptor
CNR2
5
0,659
0,0011
18,69
GPCR
Dopamine D1 receptor
DRD1
42
0,724
<1E-05
11,76
GPCR
ИНСН, ОЖК,
МТ, ИТ
ИТ, ОЖК, МТ,
ИНСН
ИТ
Dopamine transporter
SLC6A3
37
0,734
<1E-05
11,17
Т
-
Hepatocyte growth factor receptor
MET
9
0,709
<1E-06
13,24
Киназа
АПТ, АФК, МК,
ГКМ
Изменения в способности связывать субстрат коррелируют с
удлинением интервала QT.
Генная терапия фактором роста оказывает антиаритмический эффект
при ишемии.
HERG*
KCNH2
53
0,887
0
6,27
ИК
ИТ, ИНСН, РСК
Блокада вызывает удлинений интервала QT и Torsade de Pointes.
Histamine H1 receptor
HRH1
42
0,733
<1E-05
14,6
GPCR
ИТ
Гистамин снижает порог для фибрилляции желудочков.
Histamine H2 receptor
HRH2
49
0,72
<1E-05
14,61
GPCR
ИТ, МТ, АПТ
Опосредует аритмогенный потенциал гистамина.
Histamine H3 receptor
HRH3
11
0,743
<1E-06
15,87
GPCR
СИМП
Блокада усиливает высвобождение норадреналина и аритмии при
ишемии/реперфузии.
Insulin receptor
INSR
16
0,667
0,0013
11,32
Киназа
ИТ, МК, ИНСН,
ГКМ, АПТ
Нокаут вызывает удлинение интервала QT.
Kappa opioid receptor
OPRK1
31
0,651
0,0007
15,5
GPCR
МК, АПТ
Muscarinic acetylcholine receptor M2*
CHRM2
46
0,724
<1E-05
15,3
GPCR
ИТ, ПСИМП
Muscarinic acetylcholine receptor M3
CHRM3
48
0,773
<1E-08
13,96
GPCR
МК, ИТ, ИНСН
Активация снижает риск аритмий.
Nociceptin receptor
OPRL1
7
0,784
3,00E-07
16,15
GPCR
ИТ, СИМП
Ноцицептин обладает антиаритмическими свойствами.
Norepinephrine transporter*
SLC6A2
38
0,72
<1E-05
11,14
Т
СИМП
Ассоциирован с аритмиями по данным DART.
Potassium/sodium hyperpolarizationactivated cyclic nucleotide-gated channel 4
HCN4
14
0,713
<1E-04
9,94
ИК
ИТ
Serine/threonine-protein kinase PAK 1
PAK1
12
0,67
<1E-04
14,33
Киназа
ИТ, АФК, ГКМ,
РСК
Serotonin 1a (5-HT1a) receptor
HTR1A
35
0,813
<1E-07
10,94
GPCR
СИМП, ПСИМП
Краткое описание
#
Ингибирование вызывает удлинение интервала QT и опасные для
жизни аритмии.
Усиливает перераспределение коннексина 43, что может быть
ассоциировано с повышенным риском аритмий при диабете.
Агонист вызывает удлинение интервала QT. Стимуляция повышает
риск аритмий при ишемии/реперфузии.
Активация может оказывать про- или антиаритмический эффект.
Активация может оказывать про- или антиаритмический эффект.
Антагонист снижает аритмогенный эффект кокаина.
Снижение функции приводит к дисфункции синусового узла и
желудочковым аритмиям.
Нокаут увеличивает продукцию активных форм кислорода при
ишемии и увеличивает риск аритмий. Входит в пути,
ассоциированные с аритмогенезом.
У мышей с генетическим нокаутом изменения в ЭКГ и выше риск
неожиданной сердечной смерти.
112
Агонист обладает про- или антиаритмическим эффектом в
зависимости от концентрации.
Таурохолат индуцирует аритмии, поскольку является частичным
агонистом этого рецептора.
Продолжение таблицы 3.7
Белок-мишень
Ген
Кол.
акт.
соед.
Umстат
Величина P
-Log2
(Оценка
сходства)
Класс
мишеней
Биологические
процессы
Serotonin 4 (5-HT4) receptor
HTR4
21
0,672
0,0001
13,93
GPCR
ИТ, МК
Serotonin transporter
SLC6A4
37
0,777
<1E-06
11,08
Т
СИМП
Sigma opioid receptor
Sodium channel protein type V alpha
subunit*
Sodium channel protein type VIII alpha
subunit
Sodium channel protein type X alpha
subunit
Translocator protein
SIGMAR1
42
0,784
<1E-09
18,93
ДБ
ИТ
SCN5A
22
0,637
0,0043
9,85
ИК
ИТ, РСК
SCN8A
7
0,667
0,0017
10,49
ИК
ИТ
SCN10A
7
0,617
0,02
10,44
ИК
ИТ
Блокада вызывает нарушение проводимости в сердце.
TSPO
16
0,654
0,0033
18,72
ДБ
МТ, АФК, ГКМ
Ингибирование снижает риск аритмий.
Уротензин II усиливает сократимость миокарда и может вызывать
аритмии.
Антагонист увеличивает риск аритмий при ишемии/реперфузии.
Urotensin II receptor
UTS2R
5
0,677
0,0009
17,39
GPCR
СИМП, ИНСН,
ГКМ
Vasopressin V1a receptor
AVPR1A
5
0,712
0,0001
16,1
GPCR
ИТ, ИНСН
Краткое описание
#
Стимуляция усиливает сократимость желудочков и может приводить
к аритмиям.
Изменения в способности связывать субстрат коррелируют с
удлинением интервала QT.
Агонист проявляет проаритмические свойства.
Мутация, приводящая к увеличению натриевых токов, вызывает
удлинение интервала QT.
Нарушения проводимости в сердце у мышей с генетическим
нокаутом.
* – белок-мишень, для которого известна связь с желудочковыми аритмиями как побочным эффектом лекарств; # – ссылки на соответствующие публикации даны в таблице 7 Приложения; АПТ – апоптоз
токов; МК – регуляция межклеточных контактов; МТ – регуляция функционирования митохондрий; ОЖК – окисление жирных кислот; ПСИМП – регуляция тонуса парасимпатической нервной системы; СИМП
– регуляция тонуса симпатической нервной системы; РСК – данный белок входит в состав фрагмента регуляторной сети кардиомиоцита, идентифицированного при помощи алгоритма дихотомического
моделирования; ИК – ионный канал; ДБ – другой белок; ДФ – другой фермент; Т – транспортёр; Кол. акт. соед. – количество соединений, вызывающих желудочковые аритмии, для которых было предсказано
взаимодействие с данной мишенью с Pa-Pi>0; Um-stat – значения модифицированной статистики Манна-Уитни; P величина – значение правосторонней альтернативы величины P, вычисленное на основе
модифицированной статистики Манна-Уитни; -Log2(Оценка сходства) – значения оценок функционального сходства с 38 генами в отрицательной логарифмической шкале.
113
кардиомиоцитов; АФК – защита от активных форм кислорода; ГКМ – гипертрофия кардиомиоцитов; ИНСН – регуляция секреции инсулина или формирование инсулинорезистентности; ИТ – регуляция ионных
Таблица 3.8 – Белки-мишени, ассоциированные с индукцией желудочковых аритмий, из второй категории достоверности.
Ген
Кол.
акт.
соед.
Um-стат
Величина P
-Log2
(Оценка
сходства)
Класс
мишеней
Биологические процессы
Alpha-1d adrenergic receptor
ADRA1D
52
0,798
<1E-07
15,44
GPCR
МК
Alpha-2a adrenergic receptor
ADRA2A
55
0,762
<1E-06
15,74
GPCR
СИМП, ИНСН
Alpha-2c adrenergic receptor
ADRA2C
53
0,743
<1E-05
14,51
GPCR
СИМП, ИНСН
Apoptosis regulator Bcl-X
BCL2L1
5
0,709
0,0001
15,25
ДБ
АПТ, РСК
BR serine/threonine-protein kinase 2
BRSK2
15
0,675
0,0011
15,45
Киназа
ИНСН
CaM kinase II delta
CAMK2D
15
0,655
<1E-04
12,58
Киназа
ИТ, РСК
C-C chemokine receptor type 2
CCR2
3
0,672
0,0001
16,38
GPCR
АПТ
c-Jun N-terminal kinase 1
MAPK8
7
0,649
0,0002
15,26
Киназа
МК, РСК
Dickkopf-related protein 1
DKK1
9
0,624
0,0019
16,66
ДБ
Ингибирует сигнализацию с WNT.
Dopamine D2 receptor
DRD2
37
0,76
<1E-07
11,05
GPCR
СИМП
Dopamine D3 receptor
DRD3
36
0,781
<1E-06
14,97
GPCR
СИМП
Dopamine D5 receptor
DRD5
35
0,718
<1E-04
14,7
GPCR
СИМП
Dual specificity mitogen-activated protein kinase kinase 5
MAP2K5
10
0,637
0,0019
15,73
Киназа
АПТ, РСК
Ephrin type-B receptor 4
EPHB4
7
0,671
0,0003
15,63
Киназа
МК
Fibroblast growth factor receptor 1
FGFR1
15
0,661
<1E-04
15,2
Киназа
ГКМ
Fibroblast growth factor receptor 2
FGFR2
24
0,674
0,0004
14,45
Киназа
АПТ
Galanin receptor 1
GALR1
3
0,725
<1E-07
14,26
GPCR
ПСИМП
Glycogen synthase kinase-3 beta
GSK3B
7
0,654
<1E-04
15,09
Киназа
ГКМ
Histamine H4 receptor
HRH4
8
0,66
0,0024
14,55
GPCR
СИМП
Histone-lysine N-methyltransferase, H3 lysine-9 specific 3
EHMT2
10
0,725
<1E-06
17,88
ДФ
Inhibitor of nuclear factor kappa B kinase epsilon subunit
IKBKE
12
0,661
0,0004
14,7
Киназа
Регуляция экспрессии эстрогенового, андрогенового
рецепторов и PPARgamma.
Регуляция AKT сигнального пути.
Insulin-like growth factor I receptor
IGF1R
11
0,664
0,0013
12,03
Киназа
АПТ, МТ, ГКМ, ИНСН
Lysosomal Pro-X carboxypeptidase
PRCP
7
0,657
0,003
19,87
Протеаза
Деградация ангиотензина, который обладает
аритмогенным эффектом.
MAP kinase p38 beta
MAPK11
21
0,765
<1E-05
16,12
Киназа
МК
MAP kinase p38 delta
MAPK13
19
0,657
0,0009
16,02
Киназа
ИНСН
MAP kinase-activated protein kinase 3
MAPKAPK3
23
0,619
0,0042
15,32
Киназа
ИТ
114
Белок-мишень
Продолжение таблицы 3.8
Ген
Кол.
акт.
соед.
Um-стат
Величина P
-Log2
(Оценка
сходства)
Класс
мишеней
Биологические процессы
Melanin-concentrating hormone receptor 1
MCHR1
7
0,792
<1E-06
14,59
GPCR
СИМП, ИНСН
Melanocortin receptor 4
MC4R
3
0,691
0,0004
16,05
GPCR
ИНСН, СИМП
Melatonin receptor 1B
MTNR1B
3
0,645
0,0054
18,95
GPCR
ИНСН, СИМП
Muscarinic acetylcholine receptor M1
CHRM1
56
0,762
<1E-07
14,55
GPCR
ИТ, СИМП, ПСИМП
Muscarinic acetylcholine receptor M4
CHRM4
58
0,757
<1E-07
15,52
GPCR
ИТ, ПСИМП
Nerve growth factor receptor Trk-A
NTRK1
13
0,698
<1E-04
14,67
Киназа
СИМП, АПТ
Neurokinin 1 receptor
TACR1
6
0,728
<1E-06
15,6
GPCR
СИМП
Neuronal acetylcholine receptor protein alpha-7 subunit
CHRNA7
18
0,738
<1E-04
16,35
ИК
СИМП
Neuropeptide Y receptor type 1
NPY1R
24
0,635
0,0088
14,54
GPCR
ИТ, ИНСН, ГКМ
Neuropeptide Y receptor type 2
NPY2R
25
0,65
0,0041
14,95
GPCR
ИТ, ИНСН, ПСИМП
Neurotrophic tyrosine kinase receptor type 2
NTRK2
15
0,719
<1E-04
12,05
Киназа
СИМП
Orexin receptor 2
HCRTR2
2
0,756
<1E-05
14,72
GPCR
СИМП, ИНСН
P2X purinoceptor 4
P2RX4
11
0,624
0,0147
15,03
ИК
ИТ
P-glycoprotein 1
ABCB1
63
0,671
0,0001
11,27
Т
ИНСН
Phospholipase D1
PLD1
14
0,68
0,0008
11,68
ДФ
ИНСН
Phospholipase D2
PLD2
9
0,669
0,0015
17,4
ДФ
ИТ, ИНСН
Prion protein
PRNP
37
0,756
<1E-07
11,49
ДБ
МТ
Protein kinase C iota
PRKCI
5
0,654
<1E-04
14,56
Киназа
ИНСН
Protein kinase C mu
PRKD1
10
0,683
<1E-05
14,93
Киназа
ИТ, ГЛЮК
Pyruvate dehydrogenase kinase isoform 1
PDK1
26
0,649
0,0044
18,15
Киназа
ИНСН
Ras-related protein Rap-1A
RAP1A
8
0,728
<1E-04
12,23
ДБ
МК, ИТ
Receptor protein-tyrosine kinase erbB-4
ERBB4
8
0,714
<1E-05
14,94
Киназа
АПТ, АФК
Rho-associated protein kinase 2
ROCK2
6
0,697
<1E-06
13,5
Киназа
ИНСН
Serine/threonine-protein kinase 11
STK11
15
0,636
0,0004
16,21
Киназа
ОЖК, ГЛЮК, ГКМ, РСК
Serine/threonine-protein kinase AKT2
AKT2
9
0,648
0,0002
14,97
Киназа
АПТ, ИНСН, МТ, РСК
Serine/threonine-protein kinase PIM1
PIM1
12
0,621
0,0145
15,25
Киназа
МТ, АПТ
Serine/threonine-protein kinase PIM3
PIM3
11
0,673
<1E-05
16,73
Киназа
ИНСН, АПТ
115
Белок-мишень
Продолжение таблицы 3.8
Ген
Кол.
акт.
соед.
Um-стат
Величина P
-Log2
(Оценка
сходства)
Класс
мишеней
Биологические процессы
Serine/threonine-protein kinase SIK2
SIK2
25
0,648
0,0004
15,66
Киназа
ИНСН
Serine/threonine-protein kinase TBK1
TBK1
12
0,732
<1E-04
14,87
Киназа
Регуляция AKT сигнального пути.
Serotonin 1b (5-HT1b) receptor
HTR1B
19
0,741
<1E-04
13,61
GPCR
СИМП
Serotonin 1d (5-HT1d) receptor
HTR1D
17
0,737
<1E-04
11,64
GPCR
СИМП
Serotonin 2a (5-HT2a) receptor
HTR2A
45
0,833
<1E-08
13,03
GPCR
МК, СИМП
Serotonin 2b (5-HT2b) receptor
HTR2B
48
0,756
<1E-07
14,49
GPCR
МК, МТ, АПТ, ПСИМП
Serotonin 2c (5-HT2c) receptor
HTR2C
43
0,808
<1E-07
13,69
GPCR
ИНСН, ПСИМП
Serotonin 3a (5-HT3a) receptor
HTR3A
37
0,724
<1E-04
15,53
ИК
СИМП
Serotonin 5a (5-HT5a) receptor
HTR5A
44
0,73
<1E-06
14,36
GPCR
СИМП
Serotonin 7 (5-HT7) receptor
HTR7
29
0,779
<1E-07
11,75
GPCR
СИМП, ПСИМП
Sodium channel protein type III alpha subunit
SCN3A
16
0,622
0,0012
9,77
ИК
ИТ
STE20/SPS1-related proline-alanine-rich protein kinase
STK39
8
0,635
0,0004
14,62
Киназа
ГК
Tyrosine-protein kinase CSK
CSK
30
0,661
0,0003
13,88
Киназа
ИНСН, РСК
Tyrosine-protein kinase FYN
FYN
29
0,689
0,0004
11,77
Киназа
ИТ, РСК
Tyrosine-protein kinase YES
YES1
16
0,695
0,0001
15,01
Киназа
ИТ
Voltage-gated potassium channel subunit Kv1.3
KCNA3
10
0,623
0,008
8,58
ИК
МТ, АПТ
Voltage-gated T-type calcium channel alpha-1G subunit
CACNA1G
12
0,663
0,0002712
11,21
ИК
ИТ
Voltage-gated T-type calcium channel alpha-1H subunit
CACNA1H
25
0,69
<1E-04
10,21
ИК
ИТ
Voltage-gated T-type calcium channel alpha-1I subunit
CACNA1I
19
0,64
0,0071
11,24
ИК
ИТ
АПТ – апоптоз кардиомиоцитов; АФК – защита от активных форм кислорода; ГКМ – гипертрофия кардиомиоцитов; ГЛЮК – регуляция транспорта глюкозы в кардиомиоциты; ИНСН – регуляция секреции
инсулина или формирование инсулинорезистентности; ИТ – регуляция ионных токов; МК – регуляция межклеточных контактов; МТ – регуляция функционирования митохондрий; ОЖК – окисление жирных
кислот; ПСИМП – регуляция тонуса парасимпатической нервной системы; СИМП – регуляция тонуса симпатической нервной системы; РСК – данный белок входит в состав фрагмента регуляторной сети
кардиомиоцита, идентифицированного при помощи алгоритма дихотомического моделирования; ИК – ионный канал; ДБ – другой белок; ДФ – другой фермент; Т – транспортёр; Кол. акт. соед. – количество
соединений, вызывающих желудочковые аритмии, для которых было предсказано взаимодействие с данной мишенью с Pa-Pi>0; Um-stat – значения модифицированной статистики Манна-Уитни; P величина –
значение правосторонней альтернативы величины P, вычисленное на основе модифицированной статистики Манна-Уитни; -Log2(Оценка сходства) – значения оценок функционального сходства с 38 генами в
отрицательной логарифмической шкале.
116
Белок-мишень
Таблица 3.9 – Белки-мишени, ассоциированные с индукцией желудочковых аритмий, из третьей категории достоверности.
Ген
Кол. акт. соед.
Um-стат
Величина P
-Log2
(Оценка
сходства)
Класс мишеней
Acetylcholine receptor protein alpha chain
CHRNA1
15
0,686
0,0006
16,08
ИК
ADAMTS1
ADAMTS1
5
0,604
0,0142
16,93
Протеаза
ALK tyrosine kinase receptor
ALK
10
0,692
<1E-06
16,75
Киназа
Breakpoint cluster region protein
BCR
8
0,666
<1E-04
14,92
Киназа
C-C chemokine receptor type 1
CCR1
9
0,676
0,001
14,95
GPCR
C-C chemokine receptor type 4
CCR4
5
0,694
0,0003
15,17
GPCR
CDK6/cyclin D3
CDK6;CCND3
6
0,64
0,0002
17,07
Киназа
Cell division cycle 2-like protein kinase 6
CDK19
14
0,616
0,0019
14,11
Киназа
c-Jun N-terminal kinase 3
MAPK10
5
0,712
<1E-05
15,54
Киназа
Cyclin-dependent kinase 3
CDK3
9
0,638
0,0076
15,07
Киназа
Cyclin-dependent kinase 6
CDK6
15
0,661
0,0023
14,98
Киназа
Cyclin-dependent kinase-like 1
CDKL1
17
0,662
<1E-04
16,8
Киназа
Cytochrome P450 1A2
CYP1A2
52
0,684
<1E-04
15,51
Цит P450
Cytochrome P450 2B6
CYP2B6
71
0,713
<1E-04
16,26
Цит P450
Cytochrome P450 2D6
CYP2D6
60
0,739
<1E-06
15,56
Цит P450
Cytochrome P450 3A4
CYP3A4
51
0,71
0,0001
16,36
Цит P450
D1 dopamine receptor-interacting protein calcyon
CALY
46
0,739
<1E-04
17,04
ДБ
Death-associated protein kinase 2
DAPK2
5
0,628
0,0007
15,64
Киназа
Dihydrofolate reductase-like protein 1
DHFRL1
3
0,608
0,0072
21,93
ДФ
Discoidin domain-containing receptor 2
DDR2
11
0,689
0,0002
16,51
Киназа
Dopamine D4 receptor
DRD4
28
0,76
<1E-05
11,63
GPCR
Dual specificity protein kinase CLK2
CLK2
11
0,663
<1E-04
16,67
Киназа
Dual specificity protein kinase CLK3
CLK3
8
0,679
0,0007
15,48
Киназа
Dual specificity testis-specific protein kinase 1
TESK1
9
0,655
<1E-04
17,02
Киназа
Dual specificty protein kinase CLK1
CLK1
11
0,648
0,0029
16,52
Киназа
dUTP pyrophosphatase
DUT
4
0,636
0,0086
14,24
ДФ
Ephrin type-B receptor 6
EPHB6
5
0,709
0,0001
16,55
Киназа
117
Белок-мишень
Продолжение таблицы 3.9
Ген
Кол. акт. соед.
Um-стат
Величина P
-Log2
(Оценка
сходства)
Класс мишеней
Epithelial discoidin domain-containing receptor 1
DDR1
15
0,671
<1E-05
17,34
Киназа
Epoxide hydrolase 1
EPHX1
17
0,629
0,0091
17,81
ДФ
Fibroblast growth factor receptor 4
FGFR4
26
0,645
0,0001
15,52
Киназа
G protein-coupled receptor kinase 7
GRK7
22
0,635
0,0004
15,47
Киназа
Galanin receptor 2
GALR2
7
0,71
<1E-07
16,14
GPCR
Galanin receptor 3
GALR3
12
0,625
0,0143
14,99
GPCR
Glutamate NMDA receptor; GRIN1/GRIN2B
GRIN1;GRIN2B
13
0,64
0,0036
11,87
ИК
Glycine transporter 1
SLC6A9
3
0,721
<1E-04
14,1
Т
Glycine transporter 2
SLC6A5
4
0,678
0,0009
14,69
Т
Histone deacetylase 6
HDAC6
7
0,686
<1E-04
17,03
ДФ
Histone-lysine N-methyltransferase, H3 lysine-9 specific 5
EHMT1
7
0,642
0,0014
18,45
ДФ
Insulin receptor-related protein
INSRR
20
0,705
<1E-06
15,79
Киназа
Interleukin-1 receptor-associated kinase 3
IRAK3
9
0,655
0,0002
15,44
Киназа
Lanosterol synthase
LSS
24
0,656
0,003
18,81
ДФ
Macrophage-stimulating protein receptor
MST1R
15
0,67
<1E-04
16,31
Киназа
MAP kinase-activated protein kinase 5
MAPKAPK5
22
0,661
0,0014
15,34
Киназа
MAP/microtubule affinity-regulating kinase 4
MARK4
29
0,679
0,0008
15,82
Киназа
Mas-related G-protein coupled receptor member X1
MRGPRX1
2
0,738
<1E-05
20,79
GPCR
Melanin-concentrating hormone receptor 2
MCHR2
17
0,709
<1E-05
19,78
GPCR
Melanocortin receptor 5
MC5R
4
0,685
0,0003
16,46
GPCR
Mitogen-activated protein kinase kinase kinase 2
MAP3K2
4
0,672
0,0012
16,45
Киназа
Mitogen-activated protein kinase kinase kinase kinase 1
MAP4K1
27
0,694
0,0003
15,24
Киназа
Mitogen-activated protein kinase kinase kinase kinase 3
MAP4K3
21
0,707
0,0001
15,38
Киназа
Motilin receptor
MLNR
8
0,732
<1E-06
16,54
GPCR
Muscarinic acetylcholine receptor M5
CHRM5
62
0,772
<1E-07
13,9
GPCR
Muscle, skeletal receptor tyrosine protein kinase
MUSK
11
0,649
0,0044
15,45
Киназа
Neurokinin 2 receptor
TACR2
25
0,688
<1E-04
11,84
GPCR
118
Белок-мишень
Продолжение таблицы 3.9
Ген
Кол. акт. соед.
Um-стат
Величина P
-Log2
(Оценка
сходства)
Класс мишеней
Neuronal acetylcholine receptor subunit alpha-3
CHRNA3
32
0,673
0,0012
16,37
ИК
Neuronal acetylcholine receptor; alpha4/beta2
CHRNB2;CHRNA4
15
0,689
0,0005
13,5
ИК
Neuropeptide S receptor
NPSR1
8
0,623
0,0063
18,93
GPCR
Neuropilin-1
NRP1
2
0,656
0,003
18,3
Киназа
Non-receptor tyrosine-protein kinase TNK1
TNK1
8
0,733
<1E-04
16,57
Киназа
NUAK family SNF1-like kinase 2
NUAK2
14
0,684
<1E-04
15,8
Киназа
Peptide N-myristoyltransferase 1
NMT1
6
0,636
0,0036
19,17
ДФ
Phosphatidylinositol 3-kinase catalytic subunit type 3
PIK3C3
10
0,653
0,0027
16,04
ДФ
Phosphorylase kinase gamma subunit 1
PHKG1
14
0,665
<1E-04
15,45
Киназа
Poly [ADP-ribose] polymerase 2
PARP2
8
0,623
0,0014
18,84
ДФ
Poly [ADP-ribose] polymerase 3
PARP3
31
0,685
0,0001
19,82
ДФ
Pregnane X receptor
NR1I2
29
0,685
0,0006
15,71
ЯР
Proto-oncogene tyrosine-protein kinase MER
MERTK
12
0,778
<1E-06
15,72
Киназа
Ribosomal protein S6 kinase alpha 2
RPS6KA2
21
0,695
<1E-04
15,79
Киназа
Ribosomal protein S6 kinase alpha 6
RPS6KA6
22
0,726
<1E-04
15,87
Киназа
Serine/threonine-protein kinase 10
STK10
14
0,624
0,0042
16,38
Киназа
Serine/threonine-protein kinase 36
STK36
12
0,62
0,0021
17,19
Киназа
Serine/threonine-protein kinase AKT3
AKT3
10
0,636
0,0004
14,82
Киназа
Serine/threonine-protein kinase D2
PRKD2
12
0,68
<1E-05
16,02
Киназа
Serine/threonine-protein kinase DCLK1
DCLK1
16
0,659
<1E-04
16,96
Киназа
Serine/threonine-protein kinase DCLK2
DCLK2
16
0,665
<1E-04
16,84
Киназа
Serine/threonine-protein kinase GAK
GAK
27
0,649
0,0038
15
Киназа
Serine/threonine-protein kinase MARK1
MARK1
16
0,693
0,0003
15,59
Киназа
Serine/threonine-protein kinase MRCK beta
CDC42BPB
20
0,663
<1E-04
14,47
Киназа
Serine/threonine-protein kinase MST1
STK4
13
0,707
0,0001
17,18
Киназа
Serine/threonine-protein kinase MST4
MST4
9
0,711
0,0001
15,98
Киназа
Serine/threonine-protein kinase PAK 4
PAK4
11
0,67
<1E-04
15,26
Киназа
119
Белок-мишень
Продолжение таблицы 3.9
Ген
Кол. акт. соед.
Um-стат
Величина P
-Log2
(Оценка
сходства)
Класс мишеней
Serine/threonine-protein kinase PIM2
PIM2
8
0,639
0,0003
16,46
Киназа
Serine/threonine-protein kinase PLK2
PLK2
7
0,688
0,0001
16,75
Киназа
Serine/threonine-protein kinase RIPK2
RIPK2
15
0,629
0,0008
15,64
Киназа
Serine/threonine-protein kinase ULK2
ULK2
18
0,66
<1E-04
16,53
Киназа
Serotonin 1e (5-HT1e) receptor
HTR1E
45
0,693
<1E-04
15,48
GPCR
Serotonin 1f (5-HT1f) receptor
HTR1F
12
0,814
<1E-07
11,78
GPCR
Serotonin 3 (5-HT3) receptor
HTR3A;HTR3B;HTR3D;HTR3C;HTR3E
19
0,686
0,0005
16,47
ИК
Serotonin 6 (5-HT6) receptor
HTR6
28
0,761
<1E-06
15,79
GPCR
Sodium/hydrogen exchanger 2
SLC9A2
17
0,643
0,0002
15,49
Т
Testis-specific serine/threonine-protein kinase 2
TSSK2
21
0,643
0,0005
17,42
Киназа
Tryptase beta-1
TPSAB1
4
0,625
0,0142
18,42
Протеаза
Tumour suppressor protein p53/Mdm4
TP53;MDM4
8
0,653
0,0006
15,57
ДБ
Tyrosine-protein kinase ABL2
ABL2
12
0,644
0,0002
15,43
Киназа
Tyrosine-protein kinase BTK
BTK
19
0,653
0,0035
15,1
Киназа
Tyrosine-protein kinase FGR
FGR
14
0,688
<1E-04
15,25
Киназа
Tyrosine-protein kinase HCK
HCK
11
0,641
0,0003
15,34
Киназа
Tyrosine-protein kinase ITK/TSK
ITK
7
0,66
<1E-04
15,7
Киназа
Tyrosine-protein kinase TIE-2
TEK
8
0,683
<1E-05
17,08
Киназа
ИК – ионный канал; ДБ – другой белок; ДФ – другой фермент; Т – транспортёр; ЯР – ядерный рецептор; Кол. акт. соед. – количество соединений, вызывающих желудочковые аритмии, для которых было
предсказано взаимодействие с данной мишенью с Pa-Pi>0; Um-stat – значения модифицированной статистики Манна-Уитни; P величина – значение правосторонней альтернативы величины P, вычисленное на
основе модифицированной статистики Манна-Уитни; -Log2(Оценка сходства) – значения оценок функционального сходства с 38 генами в отрицательной логарифмической шкале.
120
Белок-мишень
121
3.4 Оценка ассоциаций «белок - побочный эффект» на основе моделирования поведения
регуляторной сети кардиомиоцита
3.4.1 Дихотомическая модель регуляторной сети кардиомиоцита
Разработанный в рамках данной работы подход к оценке механизмов побочного действия
позволил выявить белки-мишени лекарственных соединений, воздействие на которые
потенциально может приводить к индукции инфаркта миокарда, сердечной недостаточности и
желудочковых аритмий. Этот подход основан на поиске корреляций между прогнозируемыми
профилями воздействия лекарственных соединений с белками-мишенями человека и
проявлением исследуемого побочного эффекта. Оценка биологических процессов, лежащих в
основе этиопатогенеза исследуемых побочных эффектов, позволила выполнить классификацию
выявленных белков-мишеней в зависимости от наличия участия этих белков в выявленных
биологических процессах. Для ряда белков удалось найти прямое подтверждение в литературе
относительно их участия в этиопатогенезе соответствующих заболеваний. Для большого
количества белков не было непосредственных данных об участии в этиопатогенезе
заболеваний, но имелись данные об их участии в выявленных биологических процессах (см.
разделы 3.3.1, 3.3.2 и 3.3.3), нарушение которых под действием лекарств потенциально может
приводить к индукции исследуемых побочных эффектов. Для этих белков-мишеней
справедливо следующее утверждение: чем в большем количестве выявленных процессов
участвует белок, тем более вероятно, что действие на него лекарственного соединения способно
приводить к индукции побочного эффекта. Однако для многих белков в настоящее время
известно участие лишь в ограниченном количестве биологических процессов, лежащих в
основе этиопатогенеза инфаркта миокарда, сердечной недостаточности и желудочковых
аритмий. Поэтому желательной является дополнительная верификация выявленных ассоциаций
между белками-мишенями и побочными эффектами.
Основным классом идентифицированных мишеней для сердечной недостаточности и
желудочковых аритмий, в отличие от инфаркта миокарда, являются киназы (Рисунок 3.2).
Большинство идентифицированных процессов, лежащих в основе этиопатогенеза сердечной
недостаточности и желудочковых аритмий, относятся к процессам, протекающим в миокарде, в
то время как процессы, связанные с инфарктом миокарда, относятся к большому числу
различных тканей и типов клеток. Поэтому дополнительным методом оценки участия белковмишеней, предположительно ассоциированных с индукцией сердечной недостаточности и
желудочковых аритмий, в идентифицированных биологических процессах является анализ их
122
роли в регуляторной сети кардиомиоцита (РСК) (см. Материалы и Методы). Анализ РСК
позволяет не только провести дополнительную верификацию уже выявленных ассоциаций
между белками и побочными эффектами, но и выявить дополнительные мишени, воздействие
на которые не способен прогнозировать PASS.
РСК была сконструирована на основе информации о биохимических реакциях и
межмолекулярных взаимодействиях, сигнальных и регуляторных путях, с учётом данных о
биологических процессах, которые были выявлены в ходе данной работы и могут лежать в
основе этиопатогенеза сердечной недостаточности и желудочковых аритмий, индуцируемых
лекарствами. РСК включает 1026 вершин и 2952 рёбер. Вершины сети представляют собой
белки, белковые комплексы, гены и низкомолекулярные соединения. Рёбра сети отражают
характер взаимодействий и реакций между молекулами: активация или ингибирование. Для
идентификации белков-мишеней, связанных с исследуемыми эффектами, была построена
дихотомическая модель РСК, в которой вершины могут находиться в двух состояниях: 1 –
активна и 0 – неактивна (см. Материалы и Методы). В начальном состоянии модели были
активны только вершины, соответствующие 60 генам домашнего хозяйства. Моделирование
поведения РСК в норме показало, что вершины, которые соответствовали основным белкам
общих и кардиоспецифических сигнальных путей были активны (их состояния равнялись 1 на
протяжении всех шагов моделирования). Вершины, соответствующие проапоптотическим
белкам были неактивны (их состояния равнялись 0 на протяжении всех шагов моделирования),
в то время как вершины, соответствующие антиапоптотическим белкам, были активны
(Таблица 3.10).
Таблица 3.10 – Активность общих и кардиоспецифических сигнальных и регуляторных путей в
дихотомической модели РСК.
Биологический путь
Ключевые вершины пути
Regulation of actin cytoskeleton
CDC42, BAIAP2, WASL, Arp2/3, actin; RAC1, WASF2; PAK1-4, PAK6,
LIMK1-2; RHOA, ROCK1-2; IQGAP1 (активны)
Focal adhesion
SHC1, PTK2, SRC (активны)
Gap junction, adherens junction
GJA1, CTNNB1, CTNND1, IQGAP1, TJP1, TJP2, JUP (активны)
G-alpha-s, G-alpha-q, G-alpha-i, cAMP, ADCY(2,4,7,8), PLCB1-2, PLCG1-2,
PLCD, PLCE, IP3, DAG, PLN, RYR1, RYR2, CALM1 CaMKII, ITPR1, PP2A,
PRKCA (активны)
IRS1, IRS2, PI3K 1A/1B class, PDPK1, AKT1-3, PPARGC1A, PPARA, PPARG,
ESR1, ESR2, AMPK, GLUT4 (активны)
TRADD, TRAF(2,3,5,6), FADD, TP53, каспазы, cytochrome C (неактивны);
NF-kB, JUN, MDM2, MDM4, BIRC2, BIRC3, XIAP, BCL2, BCL2L1 (active)
Calcium signaling pathway, adrenergic signaling in
cardiomyocytes, cardiac muscle contraction
Insulin signaling pathway, adipocytokine signaling pathway,
estrogen signaling pathway, PPAR signaling pathway
TNF signaling pathway, p53 signaling pathway, apoptosis
Jak-STAT signaling pathway
JAK(1,3), STAT(1,3,5A,5B) (активны)
Rap1 signaling pathway
RAP1A, RAP1B (активны)
Ras signaling pathway
HRAS, KRAS, NRAS, MRAS (активны)
PI3K-Akt signaling pathway
MAPK signaling pathway
PI3K 1A/1B class, PIP3, AKT1-3, PDPK1, PP2A, NOS3, SGK1, SGK3, AMPK,
MTOR, CREB1, NF-kB (активны); GSK3B, FOXO3, BAD, TP53 (неактивны)
MAPK1, MAPK3, MAPK7, MAPK8, MAPK9, MAPK11-14, MAP2K1-2,
MAP2K3-7, большинство вышележащих киназ (активны)
123
Таким образом, дихотомическая модель РСК хорошо описывает сигнальные и
регуляторные процессы в клетке и может быть использована для поиска белков,
ассоциированных с индукцией сердечной недостаточности и желудочковых аритмий.
Анализ биологических сетей ранее использовался в нескольких исследованиях для оценки
белков, связанных с этиопатогенезом желудочковых аритмий и инфаркта миокарда,
вызываемых лекарствами [181, 182]. Эта оценка производилась на основе статического анализа
связи исследуемых белков с белками, для которых были известны ассоциации с
соответствующими заболеваниями, в глобальной сети ББВ. Моделирование поведения РСК в
динамике обладает преимуществом перед статическим анализом сетей ББВ, поскольку
учитывает направление распространения сигнала в клетке и всю совокупность отрицательных и
положительных обратных связей в сети.
3.4.2 Сердечная недостаточность.
В ходе анализа литературы были отобраны белки РСК, инактивация или активация
которых приводила в эксперименте к индукции сердечной недостаточности (Таблица 3.11).
Состояния этих белков в дихотомической модели РСК отражали их функционирование в
норме (см. Материалы и Методы). Например, PDPK киназа активна на всех шагах
моделирования, в то время как её инактивация согласно экспериментальным данным приводит
к индукции сердечной недостаточности. Соответствующие изменения активности белков в
дихотомической модели РСК, которые согласно экспериментальным данным приводят к
индукции сердечной недостаточности (см. таблицу 3.11), были определены как ключевые
события.
Таблица 3.11 – Белки РСК, изменение активности которых приводит к индукции сердечной
недостаточности.
Название белка
Название
гена
3-phosphoinositide dependent protein
kinase-1
PDPK1
AMP-activated protein kinase
AMPK
Caveolin-1
CAV1
Cell division control protein 42 homolog
CDC42
cGMP-dependent protein kinase 1 beta
PRKG1
Cyclic AMP-responsive element-binding
protein 1
CREB1
CDK6
Cyclin-dependent kinase 6
Dual specificity mitogen-activated protein
kinase kinase 4
MAP2K4
Состояние
в модели
Ключевое
событие
1
Инактивация
1
Инактивация
1
Инактивация
1
Инактивация
1
Инактивация
Инактивация приводит к СН.
1
Инактивация
Активация приводит к гипертрофии миокарда.
Генетический
нокаут
приводит
к
развитию
патологической гипертрофии сердца.
0
Активация
1
Инактивация
Краткое описание*
Генетический нокаут у мышей приводит к развитию
СН и летальному исходу.
Инактивация приводит к апоптозу кардиомиоцитов,
усилению гипертрофии и дисфункции миокарда.
Генетический нокаут у мышей приводит к индукции
дилатационной
кардиомиопатии
и
лёгочной
гипертензии.
Генетический нокаут ассоциирован с гипертрофией
миокарда и СН.
Генетический нокаут ассоциирован с дилатационной
гипертрофией.
124
Продолжение таблицы 3.11
Название белка
Название
гена
Краткое описание*
Состояние
в модели
Ключевое
событие
Dual specificity mitogen-activated protein
kinase kinase 7
MAP2K7
Инактивация усугубляет СН.
1
Инактивация
Estrogen receptor beta
ESR2
Апоптоз кардиомиоцитов и фиброз сердца у мышей с
генетическим нокаутом.
1
Инактивация
Estrogen-related receptor alpha
ESRRA
Генетический нокаут ассоциирован с СН.
1
Инактивация
1
Инактивация
1
Инактивация
1
Инактивация
Полиморфизм у человека коррелирует с риском СН.
Генетический нокаут у мышей вызывает фиброз и
дисфункцию миокарда.
Гипертрофия и фиброз сердца у мышей с
генетическим нокаутом.
Генетические нокаут приводит к более быстрому
развитию СН.
Glucocorticoid receptor
NR3C1
Hepatocyte growth factor receptor
MET
Hypoxia-inducible factor 1 alpha
HIF1A
Inhibitor of NF-kappa-B kinase (IKK)
IKBKG
Генетический нокаут приводит к СН.
1
Инактивация
Integrin-linked protein kinase
ILK
Генетический нокаут приводит к СН.
1
Инактивация
Krueppel-like factor 10
KLF10
1
Инактивация
MAP kinase ERK1
MAPK3
1
Инактивация
MAP kinase ERK2
MAPK1
1
Инактивация
MAP kinase p38 alpha
MAPK14
1
Инактивация
Mitogen-activated protein kinase 7
MAPK7
1
Инактивация
Mothers against decapentaplegic homolog
4
SMAD4
1
Инактивация
Myosin light chain kinase 3
MYLK3
1
Инактивация
1
Инактивация
1
Инактивация
1
Инактивация
1
Инактивация
1
Инактивация
1
Инактивация
1
Инактивация
1
Инактивация
1
Инактивация
1
Инактивация
1
Инактивация
1
Инактивация
Nitric-oxide synthase, endothelial
NOS3
Nuclear factor erythroid 2-related factor 2
NFE2L2
Nuclear respiratory factor 1
NRF1
p53-binding protein Mdm-2
MDM2
Peroxisome proliferator-activated receptor
alpha
Peroxisome proliferator-activated receptor
gamma coactivator 1-alpha
PPARA
PPARGC1
A
Phosphodiesterase 3A
PDE3A
Phosphodiesterase 4D
PDE4D
Phosphoinositide 3-kinase IA class
PI3K IA
class
Phosphoinositide 3-kinase IB class
PI3K IB
class
Генетический
нокаут
приводит
к
развитию
гипертрофической кардиомиопатии.
Инактивация
усиливает
дисфункцию
левого
желудочка.
Инактивация
усиливает
дисфункцию
левого
желудочка.
Гипертрофия и летальная кардиомиопатия при
генетическом нокауте.
Инактивация приводит к индукции апоптоза
кардиомиоцитов.
Генетический нокаут приводит к гипертрофии
миокарда и СН.
Генетический нокаут приводит к СН.
Гипертрофия миокарда и СН у мышей с тройным
генетическим нокаутом с двумя другими формами.
Гипертрофия
и
фиброз
миокарда,
апоптоз
кардимомиоцитов и СН у мышей с генетическим
нокаутом.
Снижение активности ассоциировано с нарушением
функций митохондрий и СН.
Генетический
нокаут
индуцирует
апоптоз
кардиомиоцитов и приводит к летальному исходу.
Фиброз и гипертрофия сердца у мышей с
генетическим нокаутом.
Инактивация ассоциирована с СН.
Ингибирование вызывает апоптоз кардиомиоцитов и
усугубление СН.
Инактивация приводит к развитию кардиомиопатии и
СН.
Мыши с двойным генетическим нокаутом по альфа и
бета формам каталитических субъединиц погибали от
СН.
Генетический нокаут приводит к усугублению СН.
Двойной генетический нокаут с гамма формой
приводит к индукции СН.
Генетический нокаут приводит к фиброзу миокарда и
диастолической дисфункции.
Protein kinase C beta
PRKCB
Protein kinase C epsilon
PRKCE
Protein-tyrosine phosphatase 2C
PTPN11
Генетический нокаут приводит к СН.
1
Инактивация
Ras association domain-containing
protein 1
RASSF1
Генетический нокаут усиливает гипертрофию сердца.
1
Инактивация
1
Инактивация
1
Инактивация
1
Инактивация
Ингибирование приводит к индукции апоптоза
кардиомиоцитов и СН. Связана с кардиотоксичностью
специфических антител.
Генетический
нокаут
приводит
к
развитию
дилатационной кардиомиопатии и СН.
Генетический нокаут приводит к гипертрофии
миокарда и СН.
Receptor protein-tyrosine kinase erbB-2
ERBB2
Receptor protein-tyrosine kinase erbB-4
ERBB4
Regulator of G-protein signaling 2
RGS2
Ryanodine receptor 2
RYR2
Генетический нокаут приводит к СН.
1
Инактивация
Serine/threonine-protein kinase 11
STK11
Генетический нокаут приводит к СН.
1
Инактивация
1
Инактивация
1
Инактивация
Serine/threonine-protein kinase AKT2
AKT2
Serine/threonine-protein kinase PIM1
PIM1
Генетический нокаут приводит к нарушению
сократимости миокарда.
Нарушение сократимости и дилатация сердца при
генетическом нокауте.
125
Продолжение таблицы 3.11
Название белка
Название
гена
Краткое описание*
Состояние
в модели
Ключевое
событие
Serine/threonine-protein kinase RAF
RAF1
Генетический нокаут у мышей приводит к апоптозу
кардиомиоцитов и дилатации сердца.
1
Инактивация
Serum response factor
SRF
Генетический нокаут приводит к СН.
1
Инактивация
Signal transducer and activator of
transcription 3
STAT3
Генетический нокаут приводит к СН.
1
Инактивация
Small ubiquitin-related modifier 1
SUMO1
Генетический нокдаун при помощи siРНК приводит к
СН.
1
Инактивация
Sodium/calcium exchanger 1
Solute carrier family 2, facilitated glucose
transporter member 4
Superoxide dismutase [Mn],
mitochondrial
SLC8A1
Активация приводит к СН.
0
Активация
SLC2A4
Инактивация усугубляет СН.
1
Инактивация
SOD2
Генетический нокаут приводит к СН.
1
Инактивация
Thioredoxin
TXN
Обладает протективным эффектом при СН.
1
Инактивация
Thyroid hormone receptor alpha
THRA
Снижение функции ассоциировано с СН.
1
Инактивация
Transcription factor GATA-4
GATA4
Генетический нокаут приводит к СН.
1
Инактивация
Transcription factor GATA-6
GATA6
Генетический нокаут ассоциирован с СН.
0
Активация
Voltage-gated L-type calcium channel
Генетический нокаут или фармакологическая блокада
CACNA1C
1
Инактивация
alpha-1C subunit
приводят к СН.
Voltage-gated T-type calcium channel
Генетический нокаут приводит к усилению
CACNA1G
1
Инактивация
alpha-1G subunit
гипертрофии сердца.
Состояние в модели: 1 – наличие активности, 0 – отсутствие активности. СН – сердечная недостаточность. * – ссылки на соответствующие
публикации даны в таблице 6 Приложения.
Далее при помощи программы Net2Target был выполнен поиск белков РСК,
ингибирование которых по одному или в комбинациях по два способно приводить к индукции
хотя бы одного ключевого события. В результате было выявлено 96 таких белков. Важно, что
23 из 96 идентифицированных белков ассоциированы с ключевыми событиями, но их
ингибирование также приводит к другим ключевым событиям. Например, инактивация
PPARGC1A является ключевым событием в РСК (Таблица 3.11), но его ингибирование также
приводит к инактивации NR3C1 и NRF1, являющейся другим ключевым событием. Таким
образом, метод дихотомического моделирования позволяет идентифицировать известные
ассоциации между ингибированием белков и индукцией сердечной недостаточности, что
позволяет говорить о его применимости для решения поставленной задачи. Выявленные в ходе
моделирования 96 белков, вместе с 57 белками (см. таблицу 3.11), ассоциированными с
ключевыми событиями (всего 130 белков), и кодирующими их генами соответствуют 167
вершинам РСК. Рисунок 3.15 демонстрирует, что 166 из 167 вершин входят в состав единого
связного фрагмента РСК.
Оценка статистической значимости полученного результата была выполнена при помощи
метода, предложенного Чен с соавторами [247]. Вначале для фрагмента из 167 вершин РСК был
вычислен индекс агрегации 166/167 = 0,994. Далее было вычислено 100 000 индексов агрегации
для фрагментов РСК, которые формируют 130 белков (с соответствующими генами, если они
присутствуют в сети), случайным образом выбранных из РСК. Средний индекс агрегации,
полученный на случайных данных, составил 0,295, максимальный – 0,719, что существенно
126
ниже, чем 0,994. Полученные результаты свидетельствуют о том, что идентификация
фрагмента из 166 вершин РСК не является случайной.
Рисунок 3.15 – Фрагмент РСК, включающий белки, предположительно ассоциированные с индукцией
сердечной недостаточности. Вершины, обозначенные ромбами, являются генами, а вершины,
обозначенные окружностями, являются белками и белковыми комплексами. Голубым цветом
обозначены вершины, ассоциированные с ключевыми событиями. Вершины с тёмно синей границей
обозначают белки, которые были выявлены в ходе статистического анализа прогноза PASS как
связанные с индукцией сердечной недостаточности.
Сопоставление средних степеней (среднее количество рёбер, приходящихся на одну
вершину) 167 вершин и всех остальных вершин РСК показало, что идентифицированные 167
вершин имеют значительно более высокую степень (12,1), чем остальные вершины РСК (4,4),
что объясняет столь высокий индекс их агрегации. Таким образом, идентифицированные 167
вершин РСК (130 белков и 37 кодирующих их генов) являются «хабами», играющими важную
127
роль
в
регуляции
функционирования
кардиомиоцита
и
этиопатогенезе
сердечной
недостаточности. Полученные результаты соответствуют общим представлениям о том, что
белки, связанные с заболеванием, чаще всего обладают большим числом взаимодействий с
другими белками и образуют один или несколько связных фрагментов сети – функциональных
модулей [135].
Среди 130 белков идентифицированного функционального модуля в РСК были отобраны
128 белков, инактивация которых по данным экспериментов или данным дихотомического
моделирования приводит к индукции сердечной недостаточности (Таблица 3.11). Белки
(натрий/кальциевый транспортёр SLC8A1 и циклин-зависимая киназа CDK6), активация
которых согласно данным экспериментов приводит к индукции сердечной недостаточности, не
использовались в дальнейшем анализе, поскольку лекарственно-подобные соединения обычно
являются ингибиторами белков соответствующих классов.
Одним из важнейших составляющих оценки белков-мишеней, ассоциированных с
побочными эффектами, является наличие корреляции между действием лекарственных
соединений на белок и проявлением побочного эффекта в клинике. Данные о связи между
белками, ассоциированными с ключевыми событиями в РСК, и индукцией сердечной
недостаточности, были получены преимущественно в ходе соответствующих экспериментов на
животных. В силу видоспецифических отличий в структуре и экспрессии белков, эффекты их
ингибирования у экспериментальных животных и человека могут отличаться. Вследствие этого
выявленные
128
белков
были
классифицированы
с
учётом
не
только
наличия
экспериментальных данных, но и наличия корреляции между прогнозируемым воздействием
лекарственных соединений на белок и индукцией сердечной недостаточности, наблюдаемой у
пациентов. С этой целью данные о 128 белках, выявленных при помощи дихотомического
моделирования, были сопоставлены с данными о 362 белках-мишенях, которые были
идентифицированы ранее при помощи статистического анализа результатов прогноза PASS.
Всего PASS способен прогнозировать взаимодействия с 79 из 128 белков. Статистический
анализ прогноза PASS позволил идентифицировать взаимосвязь с сердечной недостаточностью
для 38 из 79 белков (48,1%). Для 22 из 38 белков имеются соответствующие экспериментальные
данные о связи с сердечной недостаточностью (они же ассоциированы с ключевыми событиями
в дихотомической модели), для 10 из 38 белков имеются данные об участии в биологических
процессах, лежащих в основе этиопатогенеза сердечной недостаточности. Для 2 из 38 белков
имеются экспериментальные данные об индукции сердечной недостаточности при их
гиперактивности, что противоречит исходной гипотезе о том, что к сердечной недостаточности
128
приводит их ингибирование. Для оставшихся 4 белков в литературе нет никаких данных об их
связи с сердечной недостаточностью или выявленными процессами.
Идентифицированные при помощи дихотомического моделирования 128 белков были
классифицированы на три категории достоверности относительно их участия в этиопатогенезе
сердечной недостаточности, индуцируемой лекарствами, по аналогии с классификацией
мишеней, выявленных при помощи статистического анализа результатов прогноза PASS
(Таблица 3.12).
1. Первая категория достоверности включает 22 белка, которые были выявлены в
результате статистического анализа прогноза PASS. Для этих белков было найдено
прямое подтверждение в литературе относительно их роли в этиопатогенезе сердечной
недостаточности. Они были идентифицированы ранее и описаны также в Таблице 3.4.
2. Вторая категория достоверности включает 47 белков. 14 из 47 белков были
идентифицированы в результате статистического анализа прогноза PASS, при этом 4
белка не были аннотированы биологическими процессами, и их связь с сердечной
недостаточностью может быть установлена только на основе анализа РСК. Вторая
категория достоверности также включает в себя 33 белка, для которых связь с индукцией
сердечной недостаточности напрямую подтверждена в экспериментах на животных, но
эти белки не были выявлены в результате статистического анализа прогноза PASS.
3. Третья категория достоверности включает оставшиеся 59 белков, которые были
идентифицированы при помощи дихотомического моделирования, но не были выявлены
в результате статистического анализа прогноза PASS. Для этих белков связь с сердечной
недостаточностью тем более вероятна, чем к большему количеству ключевых событий
приводит их ингибирование в дихотомической модели РСК. К третьей категории также
относятся два вероятно ошибочно идентифицированных белка (MAPKAPK2 и RAC1),
гиперактивация, а не ингибирование которых приводит к индукции сердечной
недостаточности.
129
Таблица 3.12 – Белки-мишени, ассоциированные с индукцией сердечной недостаточности,
которые были выявлены при помощи дихотомического моделирования поведения РСК.
Белок-мишень
Название
гена
Категория
Достигнутые ключевые события
Ключевое
событие
Прогноз
PASS
Анализ
прогноза
14-3-3 protein beta/alpha, N-terminally
processed
YWHAB
3
Активация SLC8A1
ПР
-
-
14-3-3 protein theta
YWHAQ
3
ПР
-
-
3-phosphoinositide dependent protein
kinase-1
PDPK1
1
ПР/КС
X
X
AMP-activated protein kinase
AMPK
2
Инактивация SLC2A4
ПР/КС
-
-
Apoptosis regulator Bcl-2
BCL2
3
Инактивация SRF
ПР
X
-
Apoptosis regulator Bcl-X
BCL2L1
3
Инактивация SRF
ПР
X
-
BIRC2
3
Инактивация SRF
ПР
X
-
BIRC3
3
Инактивация SRF
ПР
X
-
BIRC5
3
Инактивация SRF
ПР
-
-
BCAR1
3
Инактивация IKBKG
ПР
-
-
CaMKII
3
Инактивация AKT2, CACNA1G,
RYR2, SRF
ПР
X
-
CAMKK2
3
Инактивация AMPK
ПР
-
-
Инактивация AMPK, CACNA1G,
MYLK3, RYR2, SLC2A4, SRF
ПР
X
-
Инактивация AMPK
Инактивация AMPK, CACNA1G,
PDE3A, PDE4D, PPARA, RYR2,
STK11
Инактивация MAPK3, NOS3,
PRKG1, RGS2
ПР
X
-
ПР
X
-
ПР
X
X
Baculoviral IAP repeat-containing
protein 2
Baculoviral IAP repeat-containing
protein 3
Baculoviral IAP repeat-containing
protein 5
Breast cancer anti-estrogen resistance
protein 1
Ca2+/calmodulin-dependent protein
kinase II
Calcium/calmodulin-dependent protein
kinase kinase 2
Активация SLC8A1, инактивация
SRF
Инактивация HIF1A, MAPK3,
NOS3, PRKCE, PRKG1, RGS2, SRF
Calmodulin
CALM1
3
CaM-kinase kinase alpha
CAMKK1
3
cAMP-dependent protein kinase alphacatalytic subunit
PKAc
3
Casein kinase II
CKII
2
Caveolin-1
CAV1
2
Инактивация SRF
ПР/КС
-
-
Cell division control protein 42
homolog
CDC42
2
-
КС
X
-
cGMP-dependent protein kinase 1 beta
PRKG1
1
Инактивация RGS2
ПР/КС
X
X
ПР
X
X
ПР
X
X
c-Jun N-terminal kinase 1
MAPK8
2
c-Jun N-terminal kinase 2
MAPK9
2
Активация GATA6, инактивация
KLF10, SMAD4
Инактивация KLF10, SMAD4
Cyclic AMP-responsive elementbinding protein 1
CREB1
2
Инактивация TXN
ПР/КС
X
-
Cyclin-dependent kinase inhibitor 1C
CDKN1C
3
Активация CDK6, инактивация
AKT2, MDM2, SLC2A4
ПР
-
-
CDKN2A
3
Активация CDK6
ПР
-
-
NCK1
3
Инактивация IKBKG
ПР
-
-
DAXX
3
Инактивация SRF
ПР
-
-
ПР
X
X
ПР
X
X
Cyclin-dependent kinase inhibitor 2A,
isoforms 1/2/3
Cytoplasmic protein NCK1
Death domain-associated protein 6
Инактивация HIF1A, MAPK1,
MAPK3, THRA
Инактивация AKT2, HIF1A,
MAPK1, MAPK3, MDM2, SRF,
THRA
Dual specificity mitogen-activated
protein kinase kinase 1
MAP2K1
2
Dual specificity mitogen-activated
protein kinase kinase 2
MAP2K2
2
MAP2K4
2
-
КС
-
-
MAP2K5
3
Инактивация MAPK7
ПР
X
-
MAP2K7
2
-
КС
X
-
Dual specificity protein phosphatase 4
DUSP4
3
Инактивация SRF
ПР
-
-
E3 SUMO-protein ligase PIAS1
PIAS1
3
Инактивация SRF
ПР
-
-
E3 SUMO-protein ligase PIAS2
PIAS2
3
Инактивация SRF
ПР
-
-
Early growth response protein 1
EGR1
3
Инактивация AKT2, SRF
ПР
-
-
Estrogen receptor beta
ESR2
1
-
КС
X
X
Estrogen-related receptor alpha
ESRRA
1
-
КС
X
X
Dual specificity mitogen-activated
protein kinase kinase 4
Dual specificity mitogen-activated
protein kinase kinase 5
Dual specificity mitogen-activated
protein kinase kinase 7
130
Продолжение таблицы 3.12
Белок-мишень
Название
гена
Категория
Достигнутые ключевые события
Ключевое
событие
Прогноз
PASS
Анализ
прогноза
ETS translocation variant 1
ETV1
3
Инактивация ERBB2, ERBB4
ПР
-
-
Focal adhesion kinase 1
PTK2
2
Инактивация SRF
ПР
X
X
Glucocorticoid receptor
NR3C1
1
КС
X
X
G-protein subunit subunits beta:gamma
G-beta:Ggamma
3
Инактивация HIF1A, MAPK3,
NOS3, PDPK1, PRKCE, PRKG1,
RGS2, SRF
ПР
-
-
GTPase KRas
KRAS
3
Инактивация MAPK1, THRA
ПР
-
-
GTPase NRas
NRAS
3
ПР
-
-
Heat shock protein HSP 90-alpha
HSP90AA1
3
Инактивация MAPK1, THRA
Инактивация HIF1A, MAPK3,
NOS3, PRKG1, RGS2, SRF
ПР
X
-
Hepatocyte growth factor receptor
MET
1
-
КС
X
X
ПР
-
-
High mobility group protein B1
HMGB1
3
Активация CDK6, инактивация
AKT2, MDM2
Histone acetyltransferase p300
EP300
3
Инактивация AKT2, MDM2
ПР
X
-
Homeodomain-interacting protein
kinase 1
HIPK1
2
Активация GATA6
ПР
X
X
Hypoxia-inducible factor 1 alpha
HIF1A
2
-
КС
X
-
Inhibitor of apoptosis protein 3
XIAP
3
Инактивация SRF
ПР
X
-
Inhibitor of NF-kappa-B kinase (IKK)
Inhibitor of nuclear factor kappa B
kinase alpha subunit
IKBKG
2
-
КС
X
-
CHUK
3
Инактивация SRF
ПР
X
-
Integrin-linked protein kinase
ILK
2
-
КС
-
-
Krueppel-like factor 10
KLF10
2
-
КС
-
-
MAP kinase ERK1
MAPK3
1
Инактивация HIF1A
ПР/КС
X
X
ПР/КС
X
X
ПР/КС
X
X
Инактивация AKT2, HIF1A,
MDM2, SRF, THRA
Инактивация AKT2, MAPK3,
MDM2, NOS3, NR3C1, PPARA,
PPARGC1A, PRKG1, RGS2
MAP kinase ERK2
MAPK1
1
MAP kinase p38 alpha
MAPK14
1
MAP kinase-activated protein kinase 2
MAPKAPK2
3
Инактивация SRF
ПР
X
X
Mitogen-activated protein kinase 7
MAPK7
2
-
КС
X
-
MAP3K1
3
Инактивация AKT2, MDM2
ПР
-
-
MAP3K14
3
Инактивация IKBKG
ПР
-
-
MAP3K7
3
Инактивация IKBKG
ПР
X
-
MAP3K8
3
Инактивация HIF1A, MAPK3
ПР
X
-
SMAD4
2
Инактивация KLF10
ПР/КС
-
-
ПР
-
-
Mitogen-activated protein kinase
kinase kinase 1
Mitogen-activated protein kinase
kinase kinase 14
Mitogen-activated protein kinase
kinase kinase 7
Mitogen-activated protein kinase
kinase kinase 8
Mothers against decapentaplegic
homolog 4
Myc proto-oncogene protein
MYC
3
Инактивация MAPK3, NOS3,
PRKG1, RGS2
Myoblast determination protein 1
MYOD1
3
Инактивация AKT2, SLC2A4
ПР
-
-
Myocyte-specific enhancer factor 2B
MEF2B
3
Инактивация SLC2A4
ПР
-
-
Myocyte-specific enhancer factor 2C
MEF2C
3
Инактивация AKT2
ПР
-
-
Myosin light chain kinase 3
MYLK3
2
-
КС
-
-
Nitric-oxide synthase, endothelial
NOS3
2
Инактивация NOS3, PRKG1, RGS2
ПР/КС
X
-
NFE2L2
1
-
КС
X
X
NF-kB
3
Инактивация HIF1A, SOD2, SRF
ПР
X
-
Nuclear receptor coactivator 3
NCOA3
3
Инактивация THRA
ПР
-
-
Nuclear respiratory factor 1
NRF1
2
-
КС
-
-
p53-binding protein Mdm-2
MDM2
2
Инактивация SRF
ПР/КС
X
-
PIN1
3
Активация CDK6, инактивация
AKT2, MDM2
ПР
X
-
PPARA
1
-
КС
X
X
Nuclear factor erythroid 2-related
factor 2
Nuclear factor kappa-light-chainenhancer of activated B cells
Peptidyl-prolyl cis-trans isomerase
NIMA-interacting 1
Peroxisome proliferator-activated
receptor alpha
131
Продолжение таблицы 3.12
Белок-мишень
Название
гена
Категория
Достигнутые ключевые события
Ключевое
событие
Прогноз
PASS
Анализ
прогноза
Peroxisome proliferator-activated
receptor gamma coactivator 1-alpha
PPARGC1A
2
Инактивация NR3C1, NRF1
ПР/КС
-
-
Phosphodiesterase 3A
PDE3A
1
-
КС
X
X
Phosphodiesterase 3B
PDE3B
2
Инактивация AMPK
ПР
X
X
Phosphodiesterase 4D
PDE4D
1
-
КС
X
X
ПР/КС
X
X
ПР/КС
X
X
Инактивация HIF1A, MAPK3,
NOS3, PDPK1, PRKCE, PRKG1,
RGS2, SRF
Инактивация HIF1A, MAPK3,
NOS3, PDPK1, PRKCE, PRKG1,
RGS2, SRF
Phosphoinositide 3-kinase IA class
PI3K IA class
1
Phosphoinositide 3-kinase IB class
PI3K IB class
1
Proliferating cell nuclear antigen
PCNA
3
Инактивация SRF
ПР
-
-
Protein kinase C alpha
PRKCA
2
Инактивация CACNA1G, PPARA
ПР
X
X
Protein kinase C beta
PRKCB
2
Инактивация PRKCB
ПР/КС
X
-
Protein kinase C delta
PRKCD
2
Инактивация PPARA
ПР
X
X
Protein kinase C epsilon
PRKCE
2
Инактивация SRF
ПР/КС
X
-
Protein Mdm4
MDM4
3
Инактивация SRF
ПР
X
-
Protein-tyrosine phosphatase 2C
PTPN11
2
-
КС
X
-
Proto-oncogene c-JUN
JUN
3
Инактивация MET, SRF
ПР
X
-
RASSF1
2
-
КС
-
-
RAC1
3
Инактивация SRF
ПР
X
X
Ras-related protein M-Ras
MRAS
3
Инактивация MAPK1, THRA
ПР
-
-
Ras-related protein Rap-1A
Receptor protein-tyrosine kinase erbB2*
Receptor protein-tyrosine kinase erbB4
RAP1A
3
Инактивация MAPK1, THRA
ПР
X
-
ERBB2
1
Инактивация ERBB4
ПР/КС
X
X
ERBB4
1
-
КС
X
X
Regulator of G-protein signaling 2
RGS2
2
-
КС
-
-
Ribosomal protein S6 kinase alpha 5
RPS6KA5
2
Инактивация ERBB2, ERBB4
ПР
X
X
Ryanodine receptor 2
RYR2
2
-
КС
-
-
Serine/threonine-protein kinase 11
STK11
2
Инактивация AMPK
ПР/КС
X
-
Serine/threonine-protein kinase AKT
AKT1
2
ПР
X
X
Serine/threonine-protein kinase AKT2
AKT2
1
Ras association domain-containing
protein 1
Ras-related C3 botulinum toxin
substrate 1
Инактивация HIF1A, MAPK3,
NOS3, PRKG1, RGS2, SRF
Инактивация SRF
ПР/КС
X
X
ПР
X
-
Serine/threonine-protein kinase B-raf
BRAF
3
Инактивация HIF1A, MAPK1, SRF,
THRA
Serine/threonine-protein kinase PIM1
PIM1
1
-
КС
X
X
Serine/threonine-protein kinase PLK1
PLK1
2
Инактивация SRF
ПР
X
X
Serine/threonine-protein kinase RAF
RAF1
1
Инактивация SRF
ПР/КС
X
X
Serum response factor
SRF
2
Инактивация AKT2, SRF
ПР/КС
-
-
STAT3
2
Инактивация HIF1A
ПР/КС
X
-
STAT5B
3
Инактивация ESR2
ПР
X
-
SUMO1
2
Инактивация SRF
ПР/КС
-
-
Guanylate
cyclase
soluble
3
Инактивация PRKG1, RGS2
ПР
-
-
SLC2A4
2
-
КС
-
-
SOD2
2
-
КС
-
-
Thioredoxin
TXN
2
-
КС
-
-
Thyroid hormone receptor alpha
THRA
1
-
КС
X
X
Transcription factor AP1
FOS
3
Инактивация MET
ПР
X
-
Signal transducer and activator of
transcription 3
Signal transducer and activator of
transcription 5B
Small ubiquitin-related modifier 1
Soluble guanylyl cyclase
Solute carrier family 2, facilitated
glucose transporter member 4
Superoxide dismutase [Mn],
mitochondrial
132
Продолжение таблицы 3.12
Белок-мишень
Название
гена
Категория
Достигнутые ключевые события
Ключевое
событие
Прогноз
PASS
Анализ
прогноза
Transcription factor GATA-4
GATA4
2
-
КС
-
-
Transcription factor GATA-6
GATA6
2
-
КС
-
-
Transcription factor Sp1
SP1
3
ПР
-
-
Transforming protein p21/H-Ras-1
HRAS
3
Активация CDK6
Активация CDK6, инактивация
AKT2, MAPK1, MDM2, THRA
ПР
X
-
Transforming protein RhoA
RHOA
3
Инактивация SRF
ПР
X
-
ПР
-
-
ПР
X
-
Активация CDK6, инактивация
AKT2, MDM2, SLC2A4
Инактивация AKT2, HIF1A,
MAPK3, MDM2, NOS3, PDPK1,
PRKCE, PRKG1, RGS2, SRF
Tumor protein p73
TP73
3
Tyrosine-protein kinase ABL
ABL1
3
Tyrosine-protein kinase FYN
FYN
2
Инактивация CAV1, SRF
ПР
X
X
Tyrosine-protein kinase SRC
SRC
3
Инактивация CAV1, SRF
ПР
X
-
Voltage-gated L-type calcium channel
CACNA1C
1
КС
X
X
alpha-1C subunit*
Voltage-gated T-type calcium channel
CACNA1G
2
КС
X
alpha-1G subunit
* – белок-мишень, для которого известна связь с сердечной недостаточностью как побочным эффектом лекарств; название в сети – название
соответствующей вершины в РСК; категория – категория достоверности относительно участия белка в этиопатогенезе СН, индуцируемой
лекарствами; достигнутые ключевые события – ключевые события, которые были достигнуты при ингибировании данного белка или его
комбинации с другим белком; КС – данный белок ассоциирован с ключевым событием в дихотомической модели РСК; ПР – ингибирование
данного белка приводит к наступлению того или иного ключевого события в дихотомической модели РСК; прогноз PASS: X – воздействие
лекарственного соединения на этот белок может быть предсказано с помощью PASS; анализ прогноза, X – ассоциация этого белка с СН была
выявлена при помощи статистического анализа прогноза PASS.
3.4.3 Желудочковые аритмии
В ходе анализа литературы были отобраны белки РСК, инактивация или активация
которых приводила в эксперименте к индукции желудочковых аритмий (Таблица 3.13).
Состояния этих белков в дихотомической модели РСК отражали их функционирование в
норме (см. Материалы и Методы). Соответствующие изменения активности белков в
дихотомической модели РСК, которые согласно экспериментальным данным приводят к
индукции желудочковых аритмий (см. Таблицу 3.13), были определены как ключевые события.
Далее при помощи программы Net2Target был выполнен поиск белков РСК,
ингибирование которых по одному или в комбинациях по два способно приводить к индукции
хотя бы одного ключевого события. В результате было выявлено 97 таких белков. Необходимо
отметить, что 5 из 97 идентифицированных белков ассоциированы с ключевыми событиями, но
их ингибирование также приводит к другим ключевым событиям. Например, инактивация
AMPK киназы является ключевым событием в РСК (Таблица 3.13), но её ингибирование также
приводит к другому ключевому событию – инактивации SLC2A4 (GLUT4) транспортёра.
133
Таблица 3.13 – Белки РСК, изменение активности которых приводит к индукции желудочковых
аритмий.
Название белка
Название
гена
ADP-ribosylation factor 1
ARF1
AMP-activated protein kinase
AMPK
Catenin beta-1
CTNNB1
Catenin delta-1
CTNND1
Estrogen receptor alpha
ESR1
Estrogen-related receptor gamma
ESRRG
Gap junction alpha-1 protein
GJA1
Heat shock protein HSP 90-alpha
HSP90AA1
HERG
KCNH2
Inward rectifier potassium channel 2
KCNJ2
Junction plakoglobin
JUP
Myotonin-protein kinase
DMPK
Nitric-oxide synthase, endothelial
NOS3
Phosphatidylinositol 3,4,5-trisphosphate 3phosphatase and dual-specificity protein
phosphatase PTEN
PTEN
Краткое описание*
Инактивация нарушает транспорт HERG каналов
в мембрану.
Изменение активности приводит к индукции
аритмий. Участвует в регуляции метаболизма в
митохондриях.
Снижение уровня бета-катенина и плакоглобина в
сердце приводит к нарушению щелевых
контактов между кардиомиоцитами и индукции
аритмий.
Снижение экспрессии приводит к нарушению
контактов между кардиомиоцитами и индукции
аритмий.
Ингибирование, ассоциировано с индукцией
аритмий.
Удлинение интервала QT и аритмии у мышей с
генетическим нокаутом.
Снижение уровня в щелевых контактах приводит
к нарушению проводимости в сердце и индукции
желудочковых аритмий.
Ингибирование нарушает транспорт HERG
каналов в мембрану и поэтому может приводить к
индукции аритмий.
Фармакологическая блокада вызывает удлинение
интервала QT и Torsade de Pointes.
Делеция ассоциирована с синдромом удлинения
интервала QT и неожиданной сердечной смертью.
Генетический нокаут приводит к развитию
аритмогенной кардиомиопатии.
Инактивация
вызывает
синдром,
ассоциированный с риском желудочковых
аритмий.
Выше риск желудочковых аритмий у мышей с
генетическим нокаутом.
Инактивация
аритмий.
ассоциирована
с
индукцией
Повышенный риск развития аритмий и
неожиданной сердечной смерти при длительном
применении ингибиторов.
Инактивация вызывает кардиомиопатию и
Phosphodiesterase 4D
PDE4D
желудочковые аритмии.
PI3K IA
Генетический нокаут вызывает удлинение
Phosphoinositide 3-kinase IA class
class
интервала QT.
Инактивация повышает риск желудочковых
Protein kinase C epsilon
PRKCE
аритмий при ишемии/реперфузии.
Соответствующая микроРНК повышает риск
Protein phosphatase 2
PP2A
развития аритмий.
Генетический нокаут ассоциирован с индукцией
Protein tyrosine kinase 2 beta
PTK2B
желудочковых аритмий.
Генетический нокаут повышает риск индукции
Serine/threonine-protein kinase PAK 1
PAK1
аритмий при ишемии из-за увеличения генерации
АФК.
Sodium channel protein type V alpha
Увеличение активности приводит к индукции
SCN5A
subunit
синдрома удлинения интервала QT.
Solute carrier family 2, facilitated glucose
Генетический нокаут повышает риск аритмий при
SLC2A4
transporter member 4
гипоксии.
Генетический нокаут ассоциирован с индукцией
Suppressor of cytokine signaling 3
SOCS3
желудочковых аритмий.
Протективен против аритмий, индуцируемых при
Thioredoxin
TXN
ишемии/реперфузии.
Voltage-gated potassium channel subunit
Мутации
вызывают
синдром
удлинения
KCNQ1
Kv7.1
интервала QT.
Состояние в модели: 1 – наличие активности, 0 – отсутствие активности. * – ссылки на соответствующие
Phosphodiesterase 3A
Приложения.
PDE3A
Состояние в
модели
Ключевое
событие
1
Инактивация
1
Инактивация
1
Инактивация
1
Инактивация
1
Инактивация
1
Инактивация
1
Инактивация
1
Инактивация
1
Инактивация
1
Инактивация
1
Инактивация
1
Инактивация
1
Инактивация
1
Инактивация
1
Инактивация
1
Инактивация
1
Инактивация
1
Инактивация
1
Инактивация
1
Инактивация
1
Инактивация
0
Активация
1
Инактивация
1
Инактивация
1
Инактивация
1
Инактивация
публикации даны в таблице 7
134
Таким образом, метод дихотомического моделирования позволяет идентифицировать
известные ассоциации между ингибированием белков и индукцией желудочковых аритмий, что
позволяет говорить о его применимости для решения поставленной задачи. Выявленные в ходе
моделирования 97 белков, вместе с 26 белками (см. таблицу 3.13), ассоциированными с
ключевыми событиями (всего 119 белков), и кодирующими их генами соответствуют 152
вершинам РСК. Рисунок 3.16 демонстрирует, что 151 из 152 вершин входят в состав единого
связного фрагмента РСК.
Рисунок 3.16 – Фрагмент РСК, включающий белки, предположительно ассоциированные с индукцией
желудочковых аритмий. Вершины, обозначенные ромбами, являются генами, а вершины, обозначенные
окружностями, являются белками и белковыми комплексами. Голубым цветом обозначены вершины,
ассоциированные с ключевыми событиями. Вершины с тёмно синей границей обозначают белки,
которые были выявлены в ходе статистического анализа прогноза PASS как связанные с индукцией
желудочковых аритмий.
135
Оценка статистической значимости полученного результата была выполнена при помощи
метода, предложенного Чен с соавторами [247]. Вначале для фрагмента из 152 вершин РСК
был вычислен индекс агрегации 151/152 = 0,993. Далее было вычислено 100 000 индексов
агрегации для фрагментов РСК, которые формируют 119 белков (с соответствующими генами,
если они присутствуют в сети), случайным образом выбранные из РСК. Средний индекс
агрегации, полученный на случайных данных, составил 0,261, максимальный – 0,681, что
существенно ниже, чем 0,993. Полученные результаты свидетельствуют о том, что
идентификация фрагмента из 152 вершин РСК не является случайной.
Сопоставление средних степеней (среднее количество рёбер, приходящихся на одну
вершину) 152 вершин и всех остальных вершин РСК показало, что идентифицированные 152
вершины имеют значительно более высокую степень (11,95), чем остальные вершины РСК
(4,68), что объясняет столь высокий индекс их агрегации. Таким образом, идентифицированные
152 вершин РСК (119 белков и 33 кодирующих их гена) являются сетевыми «хабами»,
играющими важную роль в регуляции функционирования кардиомиоцита и этиопатогенезе
желудочковых аритмий. Полученные результаты соответствуют общим представлениям о том,
что белки, связанные с заболеванием, чаще всего обладают большим числом взаимодействий с
другими белками и образуют один или несколько связных фрагментов сети – функциональных
модулей [135]. Таким образом, 119 белков этого модуля могут быть связаны с этиопатогенезом
желудочковых аритмий, индуцируемых лекарствами.
Данные о 119 белках, выявленных при помощи дихотомического моделирования, были
сопоставлены с данными о 203 белках-мишенях, которые были идентифицированы ранее при
помощи статистического анализа результатов прогноза PASS. Всего PASS способен
прогнозировать взаимодействия с 67 из 119 белков. Значения статистики Манна-Уитни для 32
из 67 белков (47,8%) преодолевали порог хотя бы на одной из трёх исследуемых выборок
соединений. В свою очередь значения статистики Манна-Уитни для 11 из 32 белков
преодолевали порог на двух из трёх исследуемых выборках соединений. Эти 11 белков были
отобраны ранее как потенциально связанные с индукцией желудочковых аритмий.
Идентифицированные при помощи дихотомического моделирования 119 белков (Таблица
3.14) были классифицированы на три категории достоверности относительно их участия в
этиопатогенезе желудочковых аритмий, индуцируемых лекарствами:
1. Первая категория достоверности включает 7 белков, которые были выявлены в
результате статистического анализа прогноза PASS хотя бы на одной выборке. Для этих
белков имеется прямое подтверждение в литературе относительно их роли в
этиопатогенезе желудочковых аритмий.
136
2. Вторая категория достоверности включает 46 белков. 35 из 46 белков были
идентифицированы в результате статистического анализа прогноза PASS хотя бы на
одной выборке соединений. Вторая категория достоверности также включает в себя 11
белков, для которых связь с индукцией желудочковых аритмий напрямую подтверждена
в экспериментах на животных, но эти белки не были выявлены в результате
статистического анализа прогноза PASS.
3. Третья категория достоверности включает оставшиеся 66 белков, которые были
идентифицированы при помощи дихотомического моделирования, но не были выявлены
в результате статистического анализа прогноза PASS. Для этих белков связь с
желудочковыми аритмиями тем более вероятна, чем к большему количеству ключевых
событий приводит их ингибирование в дихотомической модели РСК.
Таблица 3.14 – Белки-мишени, ассоциированные с индукцией желудочковых аритмий, которые
были выявлены при помощи дихотомического моделирования поведения РСК.
Белок-мишень
Название в
сети
Категория
Достигнутые
ключевые события
Ключевое
событие
Прогноз
PASS
Анализ
прогноза
14-3-3 protein beta/alpha
YWHAB
3
Инактивация PTEN
ПР
-
-
14-3-3 protein theta
YWHAQ
3
Инактивация PTEN
ПР
-
-
1-phosphatidylinositol 3-phosphate 5-kinase
PIKFYVE
3
Инактивация KCNJ2
ПР
-
-
ПР
X
1
ПР
-
-
ПР
-
-
ПР
-
-
ПР
-
-
Инактивация KCNJ2,
NOS3, PTEN
Инактивация
KCNH2, PP2A
Инактивация
KCNH2, PP2A
Инактивация
KCNH2, PP2A
Инактивация
KCNH2, PP2A
3-phosphoinositide dependent protein kinase-1
PDPK1
2
Adenylate cyclase type 2
ADCY2
3
Adenylate cyclase type 4
ADCY4
3
Adenylate cyclase type 7
ADCY7
3
Adenylate cyclase type 8
ADCY8
3
ADP-ribosylation factor 1
ARF1
2
-
КС
X
-
Afadin
MLLT4
3
Инактивация GJA1
ПР
-
-
ПР/КС
-
-
AMP-activated protein kinase
AMPK
2
Инактивация
SLC2A4
Apoptosis regulator Bcl-2
BCL2
2
Инактивация PTEN
ПР
X
1
Apoptosis regulator Bcl-X
BCL2L1
2
Инактивация PTEN
ПР
X
2
Baculoviral IAP repeat-containing protein 2
BIRC2
2
Инактивация PTEN
ПР
X
1
Baculoviral IAP repeat-containing protein 3
BIRC3
3
Инактивация PTEN
ПР
X
-
Baculoviral IAP repeat-containing protein 5
BIRC5
3
Инактивация PTEN
ПР
-
-
ПР
X
2
Ca2+/calmodulin-dependent protein kinase II
CaMKII
2
Активация SCN5A,
инактивация GJA1,
PTEN
Calcium/calmodulin-dependent protein kinase kinase 2
CAMKK2
3
Инактивация AMPK
ПР
-
-
ПР
X
1
Calmodulin
CALM1
2
Активация SCN5A,
инактивация AMPK,
GJA1, PP2A, PTEN,
SLC2A4
CaM-kinase kinase alpha
CAMKK1
3
Инактивация AMPK
ПР
X
-
3
Активация SCN5A,
инактивация AMPK,
KCNQ1, PDE3A,
PDE4D
ПР
X
-
cAMP-dependent protein kinase
PKAc
137
Продолжение таблицы 3.14
Белок-мишень
Название в
сети
Категория
Достигнутые
ключевые события
Ключевое
событие
Прогноз
PASS
Анализ
прогноза
Casein kinase I delta
CSNK1D
2
ПР
X
1
Casein kinase II
CKII
3
Инактивация GJA1
Инактивация
HSP90AA1, NOS3
ПР
X
-
Catenin beta-1
CTNNB1
2
-
КС
-
-
Catenin delta-1
CTNND1
2
-
КС
-
-
Caveolin-1
CAV1
3
Инактивация PTEN
ПР
-
-
ПР
X
2
c-Jun N-terminal kinase 1
MAPK8
2
Инактивация
CTNNB1
Cyclic AMP-responsive element-binding protein 1
CREB1
3
Инактивация TXN
ПР
X
-
ПР
-
-
Cyclin-dependent kinase inhibitor 1C
CDKN1C
3
Инактивация PTEN,
SLC2A4
Death domain-associated protein 6
Dual specificity mitogen-activated protein kinase
kinase 2
Dual specificity mitogen-activated protein kinase
kinase 5
DAXX
3
Инактивация PTEN
ПР
-
-
MAP2K2
3
Инактивация PTEN
ПР
X
-
MAP2K5
2
Инактивация KCNJ2
ПР
X
2
Dual specificity protein phosphatase 4
DUSP4
3
Инактивация PTEN
ПР
-
-
E3 SUMO-protein ligase PIAS1
PIAS1
3
Инактивация PTEN
ПР
-
-
E3 SUMO-protein ligase PIAS2
PIAS2
3
Инактивация PTEN
ПР
-
-
E3 SUMO-protein ligase RanBP2
RANBP2
3
Инактивация PTEN
ПР
-
-
ПР
-
-
ПР
-
-
Инактивация
CTNND1
Инактивация GJA1,
PTEN
E3 ubiquitin-protein ligase CBL
CBL
3
Early growth response protein 1
EGR1
3
Estrogen receptor alpha
ESR1
2
-
КС
X
-
Estrogen-related receptor gamma
ESRRG
2
-
КС
X
-
Focal adhesion kinase 1
PTK2
2
Инактивация PTEN
ПР
X
1
G1/S-specific cyclin-D1
CCND1
3
Инактивация PTEN
ПР
-
-
Gap junction alpha-1 protein
GJA1
2
-
КС
-
-
G-protein coupled receptor kinase 2
ADRBK1
2
-
КС
X
-
G-protein subunit alpha s
G-alpha-s
3
Инактивация PP2A
ПР
-
-
G-protein subunit subunits beta:gamma
G-beta:Ggamma
3
ПР
-
-
Growth factor receptor-bound protein 2
GRB2
3
ПР
X
-
Heat shock protein HSP 90-alpha
HSP90AA1
2
ПР/КС
X
-
HERG*
KCNH2
1
Инактивация KCNJ2,
NOS3, PP2A, PTEN
Инактивация
CTNND1
Инактивация
KCNH2, KCNJ2,
NOS3, PTEN
-
КС
X
3
High mobility group protein B1
HMGB1
3
Инактивация PTEN
ПР
-
-
Histone acetyltransferase p300
EP300
3
Инактивация PTEN
ПР
X
-
ПР
X
1
Homeodomain-interacting protein kinase 1
HIPK1
2
Инактивация
CTNNB1
Inhibitor of apoptosis protein 3
XIAP
3
Инактивация PTEN
ПР
X
-
Inhibitor of nuclear factor kappa B kinase alpha subunit
CHUK
2
Инактивация PTEN
ПР
X
1
Inward rectifier potassium channel 2
KCNJ2
2
-
КС
-
-
Junction plakoglobin
JUP
2
-
КС
-
-
MAP kinase ERK1
MAPK3
3
Инактивация PTEN
ПР
X
-
MAP kinase ERK2
MAPK1
3
Инактивация PTEN
ПР
X
-
ПР
X
1
MAP kinase p38 alpha
MAPK14
2
Инактивация
ESRRG, HSP90AA1,
NOS3
MAP kinase-activated protein kinase 2
MAPKAPK2
2
Инактивация GJA1
ПР
X
1
Mitogen-activated protein kinase 7
MAPK7
2
Инактивация KCNJ2
ПР
X
1
Mitogen-activated protein kinase kinase kinase 1
MAP3K1
3
Инактивация PTEN
ПР
-
-
138
Продолжение таблицы 3.14
Белок-мишень
Название в
сети
Категория
Достигнутые
ключевые события
Ключевое
событие
Прогноз
PASS
Анализ
прогноза
Mitogen-activated protein kinase kinase kinase 8
MAP3K8
3
Инактивация PTEN
ПР
X
-
Mothers against decapentaplegic homolog 4
SMAD4
3
ПР
-
-
Myc proto-oncogene protein
MYC
3
ПР
-
-
Myoblast determination protein 1
MYOD1
3
ПР
-
-
Myocyte-specific enhancer factor 2B
MEF2B
3
Инактивация PTEN
Инактивация
HSP90AA1, NOS3
Инактивация
SLC2A4
Инактивация
SLC2A4
ПР
-
-
Myotonin-protein kinase
DMPK
2
-
КС
-
-
NAD-dependent deacetylase sirtuin 1
SIRT1
3
Инактивация PTEN
ПР
X
-
Nitric-oxide synthase, endothelial
Nuclear factor kappa-light-chain-enhancer of activated
B cells
NOS3
2
-
КС
X
-
NF-kB
3
Инактивация PTEN
ПР
X
-
p53-binding protein Mdm-2
MDM2
3
Инактивация PTEN
ПР
X
-
PPARGC1A
3
Инактивация ESRRG
ПР
-
-
PTEN
2
-
КС
-
-
Phosphodiesterase 3A*
PDE3A
1
-
КС
X
-
Phosphodiesterase 3B
PDE3B
3
Инактивация AMPK
ПР
X
-
Phosphodiesterase 4D
PDE4D
2
КС
X
-
Phosphoinositide 3-kinase IA class
PI3K IA class
1
ПР/КС
X
1
Phosphoinositide 3-kinase IB class
PI3K IB class
2
Инактивация KCNJ2,
NOS3, PTEN
Инактивация KCNJ2,
NOS3, PTEN
ПР
X
1
Proliferating cell nuclear antigen
PCNA
3
Инактивация PTEN
ПР
-
-
Protein kinase C alpha
PRKCA
3
Активация SCN5A
ПР
X
-
Protein kinase C epsilon
PRKCE
2
Инактивация PTEN
ПР/КС
X
-
Protein Mdm4
MDM4
3
Инактивация PTEN
ПР
X
-
Protein phosphatase 2
PP2A
2
Инактивация PTEN
ПР/КС
X
-
Protein tyrosine kinase 2 beta
PTK2B
1
-
КС
X
1
ПР
X
-
ПР
X
-
ПР
-
-
ПР
-
-
ПР
-
-
ПР
X
2
ПР
X
1
Peroxisome proliferator-activated receptor gamma
coactivator 1-alpha
Phosphatidylinositol 3,4,5-trisphosphate 3-phosphatase
and dual-specificity protein phosphatase PTEN
Proto-oncogene c-JUN
JUN
3
Ras-related C3 botulinum toxin substrate 1
RAC1
3
Ras-related protein Rab-11A
RAB11A
3
Receptor-type tyrosine-protein phosphatase eta
PTPRJ
3
Receptor-type tyrosine-protein phosphatase mu
PTPRM
3
Serine/threonine-protein kinase 11
STK11
2
Инактивация
CTNNB1, GJA1,
PTEN
Инактивация DMPK,
PTEN
Инактивация KCNH2
Инактивация
CTNND1
Инактивация
CTNND1
Инактивация AMPK
Serine/threonine-protein kinase AKT
AKT1
2
Serine/threonine-protein kinase AKT2
AKT2
2
Инактивация KCNJ2,
NOS3, PTEN
Инактивация PTEN
ПР
X
2
Serine/threonine-protein kinase B-raf
BRAF
3
Инактивация PTEN
ПР
X
-
Serine/threonine-protein kinase PAK 1
PAK1
1
-
КС
X
2
Serine/threonine-protein kinase PLK1
PLK1
2
Инактивация PTEN
ПР
X
1
ПР
X
1
ПР
X
1
Инактивация DMPK,
PTEN
Инактивация
KCNH2, KCNJ2
Serine/threonine-protein kinase RAF
RAF1
2
Serine/threonine-protein kinase Sgk1
SGK1
2
Serine/threonine-protein kinase WEE1
WEE1
3
Инактивация PTEN
ПР
X
-
ПР
-
-
Serum response factor
SRF
3
Инактивация GJA1,
PTEN
Signal transducer and activator of transcription 1alpha/beta
STAT1
3
Инактивация SOCS3
ПР
X
-
Signal transducer and activator of transcription 3
STAT3
3
Инактивация SOCS3
ПР
X
-
139
Продолжение таблицы 3.14
Белок-мишень
Название в
сети
Категория
Достигнутые
ключевые события
Ключевое
событие
Прогноз
PASS
Анализ
прогноза
Small ubiquitin-related modifier 1
SUMO1
3
Инактивация PTEN
ПР
-
-
Sodium channel protein type V alpha subunit
Solute carrier family 2, facilitated glucose transporter
member 4
SCN5A
1
-
КС
X
2
SLC2A4
2
-
КС
-
-
Suppressor of cytokine signaling 3
SOCS3
2
-
КС
-
-
Thioredoxin
TXN
2
-
КС
-
-
Tight junction protein ZO-1
TJP1
3
Инактивация GJA1
ПР
-
-
Tight junction protein ZO-2
TJP2
3
Инактивация GJA1
ПР
-
-
ПР
-
-
Transcription factor Sp1
SP1
3
Инактивация GJA1,
PTEN
Transcriptional repressor protein YY1
YY1
3
Инактивация PTEN
ПР
-
-
Transforming protein RhoA
RHOA
3
Инактивация PTEN
ПР
X
-
ПР
-
-
ПР
X
1
ПР
X
3
Инактивация PTEN,
SLC2A4
Инактивация KCNJ2,
NOS3, PTEN
Инактивация
CTNND1
Tumor protein p73
TP73
3
Tyrosine-protein kinase ABL
ABL1
2
Tyrosine-protein kinase CSK
CSK
2
Tyrosine-protein kinase FYN
FYN
2
Инактивация PTEN
ПР
X
3
ПР
X
1
Tyrosine-protein kinase SRC
SRC
2
Инактивация JUP,
PTEN
UV excision repair protein RAD23 homolog A
RAD23A
3
Инактивация PTEN
ПР
-
-
Voltage-gated potassium channel subunit Kv7.1*
KCNQ1
1
-
КС
X
1
* – белок-мишень, для которого известна связь с желудочковыми аритмиями как побочным эффектом лекарств; название в сети – название
соответствующей вершины в РСК; категория – категория достоверности относительно участия белка в этиопатогенезе желудочковых аритмий,
индуцируемых лекарствами; достигнутые ключевые события – ключевые события, которые были достигнуты при ингибировании данного
белка или его комбинации с другим белком; КС – данный белок ассоциирован с ключевым событием в дихотомической модели РСК; ПР –
ингибирование данного белка приводит к наступлению того или иного ключевого события в дихотомической модели РСК; прогноз PASS: X –
воздействие лекарственного соединения на этот белок может быть предсказано с помощью PASS; анализ прогноза: 1 – ассоциация этого белка с
желудочковыми аритмиями была выявлена при помощи статистического анализа прогноза PASS на одной выборке соединений, 2 – ассоциация
этого белка с желудочковыми аритмиями была выявлена при помощи статистического анализа прогноза PASS на двух выборках соединений, 3
– ассоциация этого белка с желудочковыми аритмиями была выявлена при помощи статистического анализа прогноза PASS на трёх выборках
соединений.
3.5 Анализ идентифицированных белков-мишеней
Всего в ходе выполнения работы были идентифицированы 658 белков-мишеней,
ассоциированных с тремя исследуемыми побочными эффектами, из которых 358 мишеней
относятся к первой и второй категориям достоверности. На рисунке 3.17 показано
распределение белков-мишеней по категориям достоверности для каждого побочного эффекта.
Наибольшее количество мишеней было идентифицировано для побочного эффекта «сердечная
недостаточность», наименьшее – для побочного эффекта «инфаркт миокарда».
140
Рисунок 3.17 – Распределение белков-мишеней, ассоциированных с индукцией сердечной
недостаточности, желудочковых аритмий и инфаркта миокарда, по категориям достоверности.
Однако именно белки-мишени, ассоциированные с индукцией инфаркта миокарда, лучше
всего функционально охарактеризованы – большая часть мишеней была отнесена к первой и
второй категориям достоверности (>74% мишеней). Картина распределения мишеней по
категориям достоверности может быть объяснена тем, что основным классом белков-мишеней,
ассоциированных с индукцией инфаркта миокарда, являются GPCR рецепторы, в то время как
основным классом белков-мишеней, ассоциированных с индукцией сердечной недостаточности
и желудочковых аритмий, являются киназы. Конкретная физиологическая роль большинства
киназ в организме, как правило, недостаточно охарактеризована [5]. Низкомолекулярные
ингибиторы
киназ,
использующиеся
в
клинике
для
лечения
опухолей,
являются
неселективными ингибиторами многих киназ. По причине того, что все ингибиторы киназ,
входящие в выборки структур лекарственных соединений, ассоциированы с индукцией
сердечной недостаточности и желудочковых аритмий, статистический анализ выявил
большинство киназ, воздействие на которые способен прогнозировать PASS.
Тем не менее, несмотря на недостаток необходимой информации о белках-мишенях из
третьей категории, многие из них также могут участвовать в этиопатогенезе исследуемых
побочных эффектов. Среди белков-мишеней, выявленных в результате статистического анализа
прогноза PASS, наиболее вероятна связь с побочным эффектом для мишеней, которые
получили высокие оценки алгоритма случайного блуждания. Высокие оценки алгоритма
случайного блуждания свидетельствуют о наличии функционального сходства выявленных
141
белков-мишеней с белками, для которых известны связи с соответствующими заболеваниями. В
результате, несмотря на отсутствие экспериментальных данных, для многих белков-мишеней
третьей категории можно предположить участие в этиопатогенезе исследуемых побочных
эффектов. Среди белков-мишеней, выявленных в результате дискретного моделирования
поведения РСК, наиболее вероятна связь с индукцией побочного эффекта для тех мишеней,
ингибирование которых приводит к наступлению наибольшего количества ключевых событий.
Тем не менее, в ходе дальнейшего анализа будут рассматриваться белки-мишени только первых
двух категорий достоверности.
Анализ распределения белков-мишеней первых двух категорий между исследуемыми
побочными эффектами показал, что многие из них ассоциированы с несколькими побочными
эффектами (Рисунок 3.18).
Рисунок 3.18 – Количество белков-мишеней, ассоциированных с одним, двумя и тремя побочными
эффектами. Цифры обозначают количества белков-мишеней.
Наблюдаемая картина во многом обусловлена участием выявленных белков-мишеней в
биологических процессах, лежащих в основе этиопатогенеза нескольких побочных эффектов
(Таблица 3.15).
Среди идентифицированных белков-мишеней 23 мишени ассоциированы со всеми тремя
побочными эффектами, что демонстрирует их важность с точки зрения побочного действия
лекарств на сердечно-сосудистую систему (Таблица 3.16).
142
Таблица 3.15 – Биологические процессы, лежащие в основе этиопатогенеза двух и более
исследуемых побочных эффектов.
Биологический процесс
Секреция инсулина/резистентность
Апоптоз кардиомиоцитов
Гипертрофия миокарда
Защита от активных форм кислорода
Окисление жирных кислот
Парасимпатическая активность
Регуляция митохондрий
Симпатическая активность
Ангиогенез
Метаболизм стероидных гормонов
Регуляция артериального давления
Регуляция сокращений сердца
Побочный эффект
СН, ЖА, ИМ
СН, ЖА
СН, ИМ
СН – сердечная недостаточность; ЖА – желудочковые аритмии; ИМ – инфаркт миокарда.
Среди 23 мишеней встречаются мишени, для которых известны ассоциации с одним или
несколькими исследуемыми побочными эффектами. Эти мишени представляют собой адрено- и
серотониновые рецепторы, для которых хорошо изучена роль в функционировании сердечнососудистой системы. HERG калиевые ионные каналы участвуют в сердечной реполяризации и
их ингибирование сопряжено с индукцией желудочковых аритмий [5, 6]. Многие
лекарственные соединения, блокирующие HERG каналы, были отозваны с рынка из-за этого
побочного эффекта. Идентификация адренорецепторов, серотониновых рецепторов и HERG
каналов
представляется
важной
в
связи
с
оценкой
правомерности
использования
разработанного подхода, однако эти мишени не представляют особого интереса с точки зрения
выявления новых механизмов побочного действия. Наиболее интересным является присутствие
в этом списке других рецепторов и киназ. Выявленные киназы регулируют разнообразные
процессы в кардиомиоцитах и клетках стенок сосудов, что объясняет кардиотоксичность их
низкомолекулярных ингибиторов.
Нетривиальной является идентификация рецепторов для галанина и меланоцитстимулирующего
гормона.
Галанин,
стимулируя
GALR1
рецепторы,
регулирует
высвобождение ацетилхолина в сердце [248], усиливает секрецию кортизола в надпочечниках
[249] и регулирует метаболизм глюкозы [250]. Стимуляция рецепторов 1-го типа для
меланоцит-стимулирующего
гормона
вызывает
снижение
веса
и
уменьшение
инсулинорезистентности [251], усиление тонуса симпатической нервной системы, повышение
артериального давления и частоты сердечных сокращений [252]. Эти рецепторы также
участвуют в регуляции функционирования клеток иммунной системы и поэтому потенциально
143
могут влиять на силу воспаления в стенках коронарных артерий [253]. Перечисленные
процессы, как было описано выше, потенциально связаны с этиопатогенезом инфаркта
миокарда, сердечной недостаточности и желудочковых аритмий.
Таблица 3.16 – Белки-мишени, ассоциированные с индукцией трёх исследуемых побочных
эффектов.
Белок-мишень
Ген
Alpha-1a adrenergic receptorЖА
ADRA1A
Alpha-1d adrenergic receptor
ADRA1D
Alpha-2a adrenergic receptor
СН, ИМ
Alpha-2b adrenergic receptor
СН, ИМ
ADRA2A
ADRA2B
Процессы
АПТ, ВОСП, ГМКЛ, ДАВЛ, ИТ, КОР,
МИОКД, ФМК
АНГ, ДАВЛ, КОР, ВОСП, ГМКЛ, МК
АПТ, ГЕМСТ, ГКМ, ДАВЛ, ИНСН, ПОЧК,
СИМП, СТЕРД, ФМК
ДАВЛ, ГЕМСТ, ПОЧК, СИМП
Dopamine D3 receptor
DRD3
Fibroblast growth factor receptor 2
FGFR2
ГЕМСТ, ГКМ, ДАВЛ, ИНСН, СИМП, ФМК
ДАВЛ, ВОСП, ИНСН, МИОКД, ПОЧК,
СИМП, ФМК
АПТ, АНГ, ГМКЛ
Galanin receptor 1
GALR1
ИНСН, МИОКД, ПСИМП, СТЕРД
KCNH2
АПТ, ИТ, ИНСН, МИОКД
Homeodomain-interacting protein kinase 1
HIPK1
АНГ
MAP kinase p38 beta
MAPK11
ГМКЛ, ГКМ, МК, СОССТ
Melanin-concentrating hormone receptor 1
MCHR1
ВОСП, ИНСН, МИОКД, СИМП
Mitogen-activated protein kinase 7
MAPK7
АНГ, АПТ, СОССТ
Muscarinic acetylcholine receptor M4
CHRM4
ИТ, МИОКД, ПСИМП
P-glycoprotein 1
Potassium/sodium hyperpolarization-activated cyclic
nucleotide-gated channel 4
ABCB1
ДАВЛ, ИНСН, СТЕРД
HCN4
ИТ, МИОКД
Serotonin 1a (5-HT1a) receptor
HTR1A
Serotonin 1d (5-HT1d) receptor
HTR1D
Serotonin 2a (5-HT2a) receptor
HTR2A
Serotonin 2b (5-HT2b) receptorСН
HTR2B
Serotonin 2c (5-HT2c) receptor
HTR2C
ДАВЛ, ВОСП, ИНСН, МИОКД, ПСИМП,
СИМП
ДАВЛ, КОР, СИМП
ВОСП, ГЕМСТ, ГМКЛ, ДАВЛ, КОР,
МИОКД, МК, СИМП
АНГ, АПТ, ВОСП, ДАВЛ, ГКМ, МК, МТ,
ПСИМП, ПОЧК, ФМК
ДАВЛ, ИНСН, ПСИМП
Serotonin transporter
SLC6A4
ДАВЛ, ГЕМСТ, СИМП, ФМК
Sigma opioid receptor
SIGMAR1
ВОСП, ГКМ, ИТ, МТ, МИОКД, СТЕРД
Alpha-2c adrenergic receptor
HERG
ЖА
ADRA2C
АНГ – ангиогенез; АПТ – апоптоз кардиомиоцитов; ВОСП – воспаление; ГЕМСТ – гемостаз; ГКМ – гипертрофия кардиомиоцитов; ГМКЛ –
пролиферация и апоптоз гладкомышечных клеток сосудов; ДАВЛ – регуляция артериального давления; ИНСН – регуляция секреции
инсулина/формирование инсулинорезистентности; ИТ – регуляция ионных токов; КОР – регуляция тонуса коронарных артерий; МИОКД –
регуляция сокращений миокарда; МК – регуляция контактов между кардиомиоцитами; МТ – регуляция функций митохондрий; ПОЧК –
регуляция экскреции натрия и воды в почках; ПСИМП – регуляция тонуса парасимпатической нервной системы; СИМП – регуляция тонуса
симпатической нервной системы; СОССТ – регуляция проницаемости сосудистой стенки; СТЕРД – метаболизм и транспорт стероидных
гормонов; ФМК – фиброз миокарда; ИМ – белок-мишень, для которого связь с инфарктом миокарда, индуцируемым лекарствами, была
известна ранее; СН – белок-мишень, для которого связь с сердечной недостаточностью, индуцируемой лекарствами, была известна ранее; ЖА –
белок-мишень, для которого связь с желудочковыми аритмиями, индуцируемыми лекарствами, была известна ранее.
144
Выявленные в ходе работы белки-мишени были сопоставлены с мишенями, для которых
ранее были известны ассоциации с исследуемыми побочными эффектами [5, 6, 36, 37]. Среди
выявленных ассоциаций было обнаружено значительное количество известных ранее, что
свидетельствует в пользу применимости разработанного системно-биологического подхода к
решению поставленной научной задачи. Кроме того, разработанный подход позволил выявить
большее количество известных ассоциаций по сравнению с подходами, опубликованными
ранее (Рисунок 3.19), что свидетельствует о его более высокой чувствительности.
Рисунок 3.19 – Сопоставление данных о белках-мишенях, выявленных в ходе работы с использованием
предложенного подхода (Выявленные), с данными о белках-мишенях, для которых ранее были известны
ассоциации с инфарктом миокарда, сердечной недостаточностью и желудочковыми аритмиями, и
белках-мишенях, обнаруженные другими авторами.
Тем не менее, в ходе анализа не были выявлены все известные ассоциации, что может
быть обусловлено двумя причинами. Во-первых, многие из известных ассоциаций были
получены в ходе анализа мишеней и связанных с ними эффектов индивидуальных соединений.
Соединения, которые использовались в данной работе, могут не действовать на некоторые из
этих мишеней. Во-вторых, разработанный подход также обладает рядом недостатков. Для
анализа использовались белки-мишени соединений, предсказанные с помощью PASS, однако
прогноз по каждой мишени имеет некоторую ошибку. Кроме того, для анализа использовались
исходные структуры соединений, в то время как побочные эффекты могут вызывать их
метаболиты. Тем не менее, учесть в ходе анализа данные о метаболизме лекарственных
соединений в настоящее время не представляется возможным, поскольку неизвестно какой или
какие из метаболитов соединения вызывают побочный эффект. Указанные недостатки могут
приводить не только к снижению чувствительности подхода, но и его специфичности. Однако
145
специфичность подхода не может быть оценена, поскольку для подавляющего большинства
выявленных ассоциаций отсутствуют соответствующие экспериментальные данные. Тем не
менее, разработанная классификация в значительной мере позволяет решить проблему
специфичности подхода. Процент ложноположительных ассоциаций среди мишеней первой
категории достоверности предполагается в значительной степени меньшим, чем среди мишеней
второй и тем более третьей категории. Таким образом, разработанный системно-биологический
подход обладает преимуществами по сравнению с подходами, опубликованными ранее.
В основе анализа, проведённого в ходе работы, использовалась выборка лекарственных
соединений, большинство из которых вызывают исследуемые побочные эффекты лишь в
небольшом проценте случаев. Это позволяет предположить, что воздействие на многие из
выявленных мишеней будет приводить к индукции побочных эффектов только у
предрасположенных пациентов. Например, это пациенты с факторами риска для развития
соответствующего заболевания, пациенты, принимающие другие лекарства, вызывающие
данный эффект или пациенты с редкими полиморфизмами генов, кодирующих ферменты
метаболизма, носители которых являются медленными метаболизаторами препарата, что
приводит к его передозировке. Информация об этих мишенях потенциально может быть
использована если не для элиминации действующих на них соединений в процессе разработки
лекарств, то, по крайней мере, для оценки противопоказаний применения препарата. Более того,
воздействие на выявленные белки-мишени потенциально может вызывать исследуемые
побочные эффекты с большей частотой, но в других условиях по сравнению с соединениями,
которые использовались в ходе анализа. Например, это связывание с мишенью с большой
аффинностью, действие на большее количество выявленных мишеней или специфические их
комбинации. Таким образом, выявленные в ходе данной работы белки-мишени потенциально
могут представлять интерес для соответствующих экспериментальных исследований и
использования в методах ранней доклинической оценки побочных эффектов лекарствкандидатов in vitro и in silico.
Далее будут рассмотрены потенциальные механизмы побочного действия лекарственных
соединений выборок, которые использовались в данной работе.
146
3.6 Примеры механизмов побочного действия лекарственных веществ
3.6.1 Инфаркт миокарда
Информация об идентифицированных белках-мишенях из первых двух категорий
достоверности может быть полезной для объяснения механизмов индукции инфаркта миокарда
лекарственными веществами. Из 254 лекарственных соединений, ассоциированных с
индукцией инфаркта миокарда, только 62 соединения воздействуют на белки-мишени (по
данным ChEMBLdb_16 и DrugBank 3.0), для которых ранее были известны взаимосвязи с
инфарктом миокарда или стенокардией
(Таблица 1.1): альфа 2B и 2C адренорецепторы и
циклооксигеназа 2. Ещё для 59 соединений взаимодействия с этими мишенями могут быть
предсказаны с помощью PASS. Для 77 соединений из оставшихся известны взаимодействия с
белками-мишенями (по данным ChEMBLdb_16 и DrugBank 3.0), выявленными в ходе данной
работы, и ещё для 54 соединений эти взаимодействия могут быть предсказаны с помощью
PASS (Рисунок 3.20). Для одного из 254 соединений не было выявлено ни одной мишени.
Рисунок 3.20 – Доли лекарственных соединений, вызывающих инфаркт миокарда, для которых известны
или предсказаны воздействия на соответствующие белки-мишени. Изв.Ассоц./Изв.М. – количество
соединений с известными мишенями, для которых ранее были известны ассоциации с инфарктом
миокарда; Изв.Ассоц./Пред.М. – количество соединений с предсказанными мишенями, для которых
ранее были известны ассоциации с инфарктом миокарда; Потен.Ассоц./Изв.М. – количество
соединений с известными мишенями, для которых ассоциации с инфарктом миокарда были выявлены в
ходе данной работы; Потен.Ассоц./Пред.М. – количество соединений с предсказанными мишенями, для
которых ассоциации с инфарктом миокарда были выявлены в ходе данной работы; Нет мишеней –
соединения, для которых отсутствуют определённые в эксперименте или предсказанные PASS
взаимодействия с белками-мишенями, имеющими известные или потенциальные ассоциации с
инфарктом миокарда.
147
Таким образом, индукция инфаркта миокарда для 131 соединения может быть объяснена
только воздействием на белки-мишени, которые были выявленны в ходе данной работы.
Далее в качестве примера использования на практике полученных данных о белкахмишенях был выполнен анализ потенциальных механизмов индукции инфаркта миокарда
нестероидными противовоспалительными средствами (НПВС). НПВС широко используются
для лечения воспалительных заболеваний и подразделяются на селективные и неселективные
ингибиторы циклооксигеназы 2 по отношению к циклооксигеназе 1. Применение селективных
ингибиторов циклооксигеназы 2 рофекоксиба и валдекоксиба сопряжено с повышенным
риском индукции инфаркта миокарда и ишемического инсульта, поэтому эти препараты были
запрещены к использованию в клинике и отозваны с рынка [254]. Основной гипотезой
относительно механизмов индукции инфаркта миокарда этими соединениями является
нарушение баланса в синтезе тромбоксана А2 и простациклина. Простациклин препятствует
развитию атеросклеротических изменений в стенках сосудов и ингибирует агрегацию
тромбоцитов, в то время как тромбоксан А2 обладает противоположными эффектами.
Селективное ингибирование циклооксигеназы 2 нарушает синтез простациклина, в то время как
продукция тромбоксана А2, опосредуемая в основном циклооксигеназой 1, остаётся
неизменной. Нарушение баланса между простациклином и тромбоксаном А2 в пользу
последнего приводит к усилению атерогенеза в коронарных артериях, повышению риска
тромбозов и инфаркта миокарда [42].
Однако неселективные НПВС также способны повышать риск развития инфаркта (HelinSalmivaara, 2006). Более того, не было обнаружено связи между степенью селективности
ингибиторов и частотой встречаемости этого эффекта [255], поэтому предполагается
существование других механизмов индукции инфаркта миокарда [42, 255]. Для оценки
механизмов индукции инфаркта миокарда этими соединениями были отобраны известные и
предсказанные мишени первой и второй категорий достоверности, на которые действует не
менее 3 НПВС (Таблица 3.17).
Эффекты многих НПВС на прогрессию атеросклеротических изменений и индукцию
тромбозов могут быть объяснены воздействием на белки-мишени, для которых известна связь с
атеросклерозом (первая категория достоверности): ALOX5AP [256], CHRNA1 [257], SOAT2
[258], ABCG2 [259], CYP2J2 [260], FGFR2 [261], PPARG [262], PTGFR и PTGIR [263, 264].
MMP16 и CEL участвуют в регуляции гемостаза [265, 266], нарушение которого может
приводить к индукции тромбозов.
148
Таблица
3.17
–
Известные
и
предсказанные
белки-мишени
НПВС,
потенциально
ассоциированные с индукцией инфаркта миокарда.
Белки-мишени
Биологические процессы
Лекарственные соединения
5-lipoxygenase activating protein
(ALOX5AP)
Acetylcholine receptor protein alpha chain
(CHRNA1)
Acyl coenzyme A:cholesterol
acyltransferase 2 (SOAT2)
ВОСП
Ибупрофен, индометацин, напроксен
АНГ, КОР
Этодолак, флюрбипрофен, валдекоксиб
ХОЛ
Флюрбипрофен, ибупрофен, набуметон, напроксен
Aldo-keto-reductase family 1 member C3
(AKR1C3)
СТЕРД
Флюрбипрофен, индометацин, мефенамовая кислота,
напроксен, ацеклофенак, диклофенак, ибупрофен, кетопрофен,
кеторолак
ATP-binding cassette sub-family G
member 2 (ABCG2)
ХОЛ, СТЕРД
Мефенамовая кислота, набуметон, напроксен
Bile acid transporter (SLC10A1)
ЖК
Ацеклофенак, диклофенак, этодолак, флюрбипрофен, ибупрофен,
индометацин, кетопрофен, мефенамовая кислота, напроксен,
оксапрозин
Cholesterol esterase (CEL)
ХОЛ, ГЕМСТ
Ибупрофен, набуметон, напроксен, рофекоксиб
Cytochrome P450 2J2 (CYP2J2)
ДАВЛ, КОР, ГЕМСТ,
ВОСП, ИНСН, ГМКЛ
Ибупрофен, кетопрофен, кеторолак, набуметон
Набуметон, напроксен, рофекоксиб
Целекоксиб, диклофенак, мефенамовая кислота, набуметон,
напроксен, валдекоксиб
Estrogen-related receptor beta (ESRRB)
Fibroblast growth factor receptor 2
(FGFR2)
-
Matrix metalloproteinase 16 (MMP16)
ГЕМСТ
Multidrug resistance-associated protein 1
(ABCC1)
ХОЛ
Peroxisome proliferator-activated receptor
gamma (PPARG)
АНГ, ХОЛ, ВОСП, ИНСН,
ГМКЛ
Peroxisome proliferator-activated receptor
gamma/nuclear receptor coactivator 2
-
P-glycoprotein 1 (ABCB1)
ДАВЛ, ИНСН, СТЕРД
Prostanoid DP receptor (PTGDR)
АНГ, ДАВЛ, ГЕМСТ,
ВОСП
Диклофенак, индометацин, ибупрофен, ацеклофенак,
флюрбипрофен, кетопрофен, мефенамовая кислота, напроксен,
валдекоксиб
Диклофенак, индометацин, сулиндак, пироксикам, ибупрофен,
ацеклофенак, этодолак, флюрбипрофен, кетопрофен, мефенамовая
кислота, набуметон, напроксен, оксапрозин
Целекоксиб, мефенамовая кислота, мелоксикам, рофекоксиб,
валдекоксиб
Диклофенак, индометацин, ацеклофенак, ибупрофен,
кетопрофен, мефенамовая кислота, набуметон, напроксен
Ацеклофенак, диклофенак, этодолак, флюрбипрофен, ибупрофен,
индометацин, кетопрофен, напроксен, сулиндак
Prostanoid FP receptor (PTGFR)
АНГ, ДАВЛ, ВОСП
Флюрбипрофен, ибупрофен, кетопрофен, оксапрозин
Prostanoid IP receptor (PTGIR)
АНГ, ДАВЛ, ГЕМСТ,
ВОСП
Ацеклофенак, диклофенак, ибупрофен, индометацин, кетопрофен,
оксапрозин, сулиндак
Serotonin 1e (5-HT1e) receptor (HTR1E)
ВОСП
Индометацин, набуметон, пироксикам
Sphingosine 1-phosphate receptor Edg-8
(S1PR5)
ВОСП, СОССТ
Ибупрофен, кеторолак, оксапрозин
UDP-glucuronosyltransferase 1-8
(UGT1A8)
СТЕРД
Ацеклофенак, диклофенак, этодолак, индометацин, кеторолак,
сулиндак, рофекоксиб, мефенамовая кислота, набуметон,
флюрбипрофен, ибупрофен, кетопрофен, напроксен, оксапрозин
АНГ, ГМКЛ
Флюрбипрофен, ибупрофен, кетопрофен, напроксен
UDP-glucuronosyltransferase 2B4
ЖК, СТЕРД
Кетопрофен, напроксен, флюрбипрофен, ибупрофен
(UGT2B4)
Voltage-dependent L-type calcium
ДАВЛ, МИОКД
Ацеклофенак, ибупрофен, кетопрофен, набуметон, напроксен
channel subunit beta-2 (CACNB2)
Voltage-dependent L-type calcium
Ацеклофенак, кеторолак, набуметон, флюрбипрофен, ибупрофен,
ДАВЛ, ИНСН
channel subunit beta-3 (CACNB3)
кетопрофен, напроксен
АНГ – ангиогенез; ВОСП – регуляция воспалительного ответа; ГЕМСТ – гемостаз; ГМКЛ – пролиферация, миграция и апоптоз
гладкомышечных клеток стенки сосудов; ДАВЛ – регуляция артериального давления; ИНСН – регуляция секреции инсулина/формирование
инсулинорезистентности; КОР – регуляция тонуса коронарных артерий; МИОКД – регуляция сокращений миокарда; СОССТ – регуляция
проницаемости сосудистой стенки; СТЕРД – метаболизм и транспорт стероидных гормонов; ХОЛ – метаболизм и транспорт холестерина и
липопротеинов; жирным выделены названия лекарств, для которых воздействие на мишень известно из эксперимента (данные ChEMBLdb_16 и
DrugBank 3.0).
Остальные мишени, относящиеся ко второй категории достоверности, также участвуют в
процессах, нарушение которых может приводить к усилению атерогенеза в коронарных
артериях, индукции тромбозов и инфаркта миокарда: гипертензия [44], регуляция секреции
инсулина/формирование инсулинорезистентности [219, 220] и изменение концентраций
149
стероидных гормонов в крови [221, 222]. Анализ литературы позволил установить связь между
приёмом НПВС и нарушением этих процессов. НПВС снижает уровень эстрогенов в крови
женщин, а также уровень эстрогенов и андрогенов в крови мужчин [267]. Сниженный уровень
эстрогенов или андрогенов в крови ассоциирован с повышенным риском развития инфаркта
миокарда [222]. Приём некоторых НПВС, таких как ибупрофен и индометацин, ассоциирован с
изменением уровня глюкозы [268] и инсулина в крови [269]. Многие НПВС вызывают
гипергликемию в качестве побочного эффекта [50, 61]. Нарушение секреции инсулина и
гипергликемия ассоциированы с усилением атерогенеза в стенках коронарных артерий [219,
220]. Приём НПВС также ассоциирован с повышением артериального давления [270] и, хотя
этот эффект может быть объяснён снижением синтеза простагландинов в почках,
альтернативные механизмы также возможны. Некоторые белки (Таблица 3.17) принимают
участие в экскреции и метаболизме желчных кислот. Приём НПВС потенциально может
вызывать увеличение их концентрации в крови, что ассоциировано с усилением атерогенеза в
коронарных артериях [223]. Однако в настоящее время отсутствуют данные, способные
подтвердить эту гипотезу.
3.6.2 Сердечная недостаточность
Информация об идентифицированных белках-мишенях из первых двух категорий
достоверности может быть полезной для объяснения механизмов индукции сердечной
недостаточности
лекарственными
ассоциированных
с
индукцией
веществами.
сердечной
Из
236
лекарственных
недостаточности,
только
63
соединений,
соединения
взаимодействуют с белками-мишенями (по данным ChEMBLdb_16 и DrugBank 3.0), для
которых ранее были известны взаимосвязи с сердечной недостаточностью (Таблица 1.1):
синтаза оксида азота 1, альфа 2A, 2B и бета-1 адренорецепторы, серотониновый 2B рецептор,
вазопрессиновый V1a рецептор, тирозин киназа erbB-2 и альфа-1C субъединица кальциевых
каналов L-типа. Ещё для 81 соединения взаимодействия с этими мишенями могут быть
предсказаны с помощью PASS. Для 59 соединений из оставшихся известны взаимодействия с
белками-мишенями (по данным ChEMBLdb_16 и DrugBank 3.0), выявленными в ходе данной
работы, и для 31 соединения эти взаимодействия могут быть предсказаны с помощью PASS
(Рисунок 3.21). Для двух из 236 соединений не было выявлено ни одной мишени.
150
Рисунок 3.21 – Доли лекарственных соединений, вызывающих сердечную недостаточность, для которых
известны или предсказаны воздействия на соответствующие белки-мишени. Изв.Ассоц./Изв.М. –
количество соединений с известными мишенями, для которых ранее были известны ассоциации с
сердечной недостаточностью; Изв.Ассоц./Пред.М. – количество соединений с предсказанными
мишенями, для которых ранее были известны ассоциации с сердечной недостаточностью;
Потен.Ассоц./Изв.М. – количество соединений с известными мишенями, для которых ассоциации с
сердечной недостаточностью были выявлены в ходе данной работы; Потен.Ассоц./Пред.М. –
количество соединений с предсказанными мишенями, для которых ассоциации с сердечной
недостаточностью были выявлены в ходе данной работы; Нет мишеней – соединения, для которых
отсутствуют определённые в эксперименте или предсказанные PASS взаимодействия с белкамимишенями, имеющими известные или потенциальные ассоциации с сердечной недостаточностью.
Таким образом, индукция сердечной недостаточности для 90 соединений (38% от 236
лекарств
вызывающих
сердечную
недостаточность)
может
быть
объяснена
только
воздействием на белки-мишени, которые были выявлены в ходе данной работы. Далее будут
подробно рассмотрены 35 мишеней, на которые действуют (согласно экспериментальным
данным и прогнозу) не менее 10 из 90 соединений (Таблица 3.18).
Среди 35 мишеней наиболее представлены ядерные рецепторы: андрогеновый (AR),
эстрогеновые (ESR2, ESRRG), глюкокортикоидный (NR3C1), минералокортикоидный (NR3C1)
и прогестероновый (PGR) рецепторы. Эти рецепторы регулируют экспрессию генов, связанных
с гипертрофией и апоптозом кардиомиоцитов, и их роль в развитии сердечной недостаточности
подтверждена данными широкомасштабных генетических исследований, клиническими
данными и соответствующими экспериментами на животных [271-276].
151
Таблица 3.18 – Наиболее часто встречающиеся белки-мишени 90 лекарственных соединений,
вызывающих сердечную недостаточность.
Белок-мишень
Ген
Кол. акт.
соед.
Биологические процессы
Activin receptor type-1
ACVR1
10
АПТ, ГКМ
Aldehyde dehydrogenase
ALDH2
13
МТ
Androgen Receptor
AR
13
АПТ, ФМК, ГКМ, ИНСН
ATP-binding cassette sub-family G member 2
ABCG2
33
АНГ, ГКМ, АФК
Cell division control protein 42 homolog
CDC42
13
-
Cyclic AMP-responsive element-binding protein 1
CREB1
19
-
Cyclooxygenase-1
PTGS1
14
ДАВЛ, ПОЧК
Cyclooxygenase-2
PTGS2
12
ДАВЛ, ПОЧК
Cytochrome P450 19A1
CYP19A1
13
ДАВЛ, ГКМ, СТЕРД
DNA topoisomerase II beta
TOP2B
32
АПТ, МТ, АФК
Dual specificity mitogen-activated protein kinase kinase 7
MAP2K7
12
-
Estradiol 17-beta-dehydrogenase 1
HSD17B1
10
СТЕРД
Estrogen receptor beta
ESR2
15
АНГ, ДАВЛ, АПТ, ФМК, ГКМ, NO, МТ,
ИНСН
Estrogen-related receptor gamma
ESRRG
12
ГКМ, МТ
Fibroblast growth factor receptor 2
FGFR2
12
АПТ
Glucocorticoid receptor
NR3C1
14
АПТ, ФМК, ГКМ, ИНСН, NO
Lactotransferrin
LTF
34
ИНСН, АФК
MAP kinase ERK1
MAPK3
27
Mineralocorticoid receptor
NR3C2
15
ИНСН
ДАВЛ, АПТ, ФМК, ГКМ, ПОЧК, АФК,
ИНСН
Muscarinic acetylcholine receptor M4
CHRM4
15
МИОКД, ПСИМП
P2X purinoceptor 4
P2RX4
11
ДАВЛ, АПТ, МИОКД, ГКМ
p53-binding protein Mdm-2
MDM2
13
-
Peroxisome proliferator-activated receptor gamma/Nuclear receptor
coactivator 1
Peroxisome proliferator-activated receptor gamma/Nuclear receptor
coactivator 2
PPARG;NCO
A1
PPARG;NCO
A2
11
Активация PPARG.
13
Активация PPARG.
P-glycoprotein 1
ABCB1
33
ИНСН, СТЕРД
Progesterone receptor
PGR
14
АПТ, ФМК
Protein kinase C alpha
PRKCA
19
АНГ, ИНСН
Serine/threonine-protein kinase 11
STK11
10
-
Sodium channel protein type III alpha subunit
SCN3A
10
МИОКД
Solute carrier family 22 member 2
SLC22A2
43
ДАВЛ
Transient receptor potential cation channel subfamily M member 8
TRPM8
17
ДАВЛ
Voltage-dependent L-type calcium channel subunit beta-1
CACNB1
16
МИОКД
Voltage-dependent L-type calcium channel subunit beta-3
CACNB3
20
ДАВЛ, ИНСН, СИМП
Voltage-dependent L-type calcium channel subunit beta-4
CACNB4
20
МИОКД
Voltage-gated potassium channel subunit Kv1.1
KCNA1
10
ПСИМП
Кол. акт. соед. – количество соединений, вызывающих желудочковые аритмии, для которых было предсказано взаимодействие с данной
мишенью с Pa-Pi>0; АНГ – ангиогенез; АПТ – апоптоз кардиомиоцитов; АФК – защита от активных форм кислорода; ГМК – гипертрофия
кардиомиоцитов; ДАВЛ – регуляция артериального давления; ИНСН – регуляция секреции инсулина/формирование инсулинорезистентности;
МИОКД – регуляция сокращений миокарда; МТ – регуляция функций митохондрий; ПОЧК – регуляция экскреции натрия и воды в почках;
ПСИМП – регуляция тонуса парасимпатической нервной системы; СИМП – регуляция тонуса симпатической нервной системы; СТЕРД –
метаболизм и транспорт стероидных гормонов; ФМК – фиброз миокарда.
152
НПВС ингибируют циклооксигеназы 1 и 2, вызывая нарушение синтеза простагландинов
в почках, что в свою очередь приводит к задержке натрия и воды в организме, повышению
объёма циркулирующей крови, артериального давления и декомпенсации сердечной
недостаточности [277]. Циклооксигеназы можно рассматривать как мишени с известной связью
с сердечной недостаточностью, не смотря на то, что соответствующие данные отсутствует в
базах данных DART [36] и DITOP [37] и соответствующих публикациях авторов,
занимающихся фармакологическим профилированием in vitro [5, 6]. Субъединицы CACNB1,
CACNB3 и CACNB4 участвуют в регуляции кальциевых каналов L-типа [278], блокада которых
сопряжена с индукцией сердечной недостаточности [279]. Среди 35 белков-мишеней также
идентифицирован ряд киназ, ингибирование которых потенциально способно приводить к
индукции сердечной недостаточности. Например, кардиоспецифический нокаут гена MAP2K7 в
экспериментах на мышах приводит к усилению апоптоза кардиомиоцитов и фиброза сердца
[280]. Инактивация MAPK3 приводит к дисфункции левого желудочка [281]. Киназа STK11
фосфорилирует AMPK киназу, которая участвует в регуляции метаболизма митохондрий в
кардиомиоцитах.
Генетический
нокаут
по
STK11
приводит
к
индукции
сердечной
недостаточности [282]. Ингибирование альфа формы протеинкиназы C (PRKCA) приводит к
нарушению формирования новых сосудов в ишемизированном миокарде [283], что
потенциально может приводить к усугублению имеющейся сердечной недостаточности,
особенно в условиях патологической гипертрофии сердца. Таким образом, воздействие на
выявленные 35 мишеней способно вызывать развитие сердечной недостаточности de novo или
приводить к декомпенсации уже имеющейся сердечной недостаточности.
3.6.3 Желудочковые аритмии
Информация об идентифицированных белках-мишенях из первых двух категорий
достоверности может быть полезной для объяснения механизмов индукции желудочковых
аритмий лекарственными веществами. Потенциальные механизмы индукции желудочковых
аритмий были определены для 143 соединений, ассоциированных с данным побочным
эффектом. Эти соединения не входили в выборки, которые были использованы для оценки
белков-мишеней, ассоциированных с индукцией желудочковых аритмий, поэтому их можно
рассматривать как соединения независимой «тестовой» выборки.
Из 143 лекарственных соединений 59 соединений воздействуют на белки-мишени (по
данным ChEMBLdb_16 и DrugBank 3.0), для которых ранее была известна связь с аритмиями
(Таблица 1.1): HERG калиевые ионные каналы, 5-альфа субъединица натриевых ионных
153
каналов, альфа 1A, бета-1 и бета-2 адренорецепторы, глюкокортикоидный рецептор,
мускариновый ацетилхолиновый рецептор 2, миелопероксидаза, фосфодиэстераза 3A, калиевые
каналы KCNQ1, норэпинефриновый транспортёр и альфа 1C субъединица кальциевых ионных
каналов L-типа (Рисунок 3.22). Ещё для 46 соединений взаимодействия с этими мишенями
могут быть предсказаны с помощью PASS. Для 18 соединений из оставшихся известны
взаимодействия с белками-мишенями
(по данным
ChEMBLdb_16
и
DrugBank
3.0),
выявленными в ходе данной работы, и ещё для 18 соединений эти взаимодействия могут быть
предсказаны с помощью PASS. Для двух из 143 соединений не было выявлено ни одной
мишени.
Рисунок 3.22 – Доли лекарственных соединений, вызывающих желудочковые аритмии, для которых
известны или предсказаны воздействия на соответствующие белки-мишени. Изв.Ассоц./Изв.М. –
количество соединений с известными мишенями, для которых ранее были известны ассоциации с
желудочковыми аритмиями; Изв.Ассоц./Пред.М. – количество соединений с предсказанными
мишенями, для которых ранее были известны ассоциации с желудочковыми аритмиями;
Потен.Ассоц./Изв.М. – количество соединений с известными мишенями, для которых ассоциации с
желудочковыми аритмиями были выявлены в ходе данной работы; Потен.Ассоц./Пред.М. – количество
соединений с предсказанными мишенями, для которых ассоциации с желудочковыми аритмиями были
выявлены в ходе данной работы; Нет мишеней – соединения, для которых отсутствуют определённые в
эксперименте или предсказанные PASS взаимодействия с белками-мишенями, имеющими известные
или потенциальные ассоциации с аритмиями.
Таким образом, индукция желудочковых аритмий для большинства соединений может
быть объяснена воздействием на мишени, для которых ранее были известны соответствующие
ассоциации. Тем не менее, индукция желудочковых аритмий тридцатью шестью соединениями
(25% от 143 исследуемых лекарств, вызывающих аритмии) может быть объяснена только их
154
воздействием на белки-мишени, которые были выявлены в ходе данной работы. Среди
известных и предсказанных мишеней этих соединений были отобраны 18 белков-мишеней, на
которые действуют не менее четырёх соединений (Таблица 3.19).
Таблица 3.19 – Наиболее часто встречающиеся белки-мишени 36 лекарственных соединений,
вызывающих желудочковые аритмии.
Белок-мишень
Ген
Кол. акт. соед.
Биологические процессы
ADP-ribosylation factor 1
ARF1
6
ИТ
Alpha-2b adrenergic receptor
ADRA2B
6
СИМП
Estrogen receptor alpha
ESR1
5
ИТ
Fibroblast growth factor receptor 2
FGFR2
4
АПТ
G-protein coupled receptor kinase 2
ADRBK1
4
-
Heat shock protein HSP 90-alpha
HSP90AA1
6
ИТ
Kappa opioid receptor
OPRK1
5
МК, АПТ
MAP kinase p38 delta
MAPK13
4
ИНСН
MAP kinase-activated protein kinase 3
MAPKAPK3
4
ИТ
Muscarinic acetylcholine receptor M1
CHRM1
6
ИТ, СИМП, ПСИМП
Muscarinic acetylcholine receptor M4
CHRM4
4
ИТ, ПСИМП
P-glycoprotein 1
ABCB1
21
ИНСН
Prion protein
PRNP
4
МТ
Protein kinase C epsilon
PRKCE
5
ИТ
Serine/threonine-protein kinase 11
STK11
6
ОЖК, ГЛЮК, ГКМ
Serine/threonine-protein kinase SIK2
SIK2
6
ИНСН
Sigma opioid receptor
SIGMAR1
4
ИТ
Tyrosine-protein kinase FYN
FYN
6
ИТ
Кол. акт. соед. – количество соединений, вызывающих желудочковые аритмии, для которых было предсказано взаимодействие с данной
мишенью с Pa-Pi>0; АПТ – апоптоз кардиомиоцитов; ГЛЮК – регуляция транспорта глюкозы в кардиомиоциты; ГКМ – гипертрофия
кардиомиоцитов; ИНСН – регуляция секреции инсулина/формирование инсулинорезистентности; ИТ – регуляция ионных токов; МК –
регуляция межклеточных контактов; МТ – регуляция функций митохондрий; ОЖК – окисление жирных кислот; ПСИМП – регуляция тонуса
парасимпатической нервной системы; СИМП – регуляция тонуса симпатической нервной системы.
Таблица 3.19 демонстрирует, что некоторые из 18 мишеней связаны с регуляцией тонуса
симпатической нервной системы. Увеличение тонуса симпатической нервной системы по
сравнению с тонусом парасимпатической нервной системы приводит к повышению риска
развития аритмий, особенно у пациентов с наследственным синдромом удлинения интервала
QT [243]. Ряд белков участвует в регуляции ионных токов в кардиомиоцитах, в частности
посредством регуляции активности ионных каналов и транспортёров. Генетический нокаут по
MAPKAPK3 приводит к усилению экспрессии кальциевой АТФазы саркоплазматического
ретикулума, что ассоциировано с индукцией желудочковых аритмий [284]. Тирозин киназа
FYN фосфорилирует 5-альфа субъединицу натриевых ионных каналов в сердце, регулируя их
активность [285]. Шаперон HSP 90 альфа участвует в транспорте HERG каналов в мембрану и
155
его ингибирование ассоциировано со снижением амплитуды калиевых ионных токов,
нарушением реполяризации и удлинением интервала QT на ЭКГ [286]. Киназа STK11
фосфорилирует киназу AMPK, которая регулирует метаболизм митохондрий. Изменения
активности AMPK приводит к индукции желудочковых аритмий [287]. Стимуляция каппа
опиатного рецептора приводит к стабилизации межклеточных контактов, что важно для
поддержания нормальной проводимости в миокарде [288]. Агонист этого рецептора обладает
про- или антиаритмическими свойствами в зависимости от концентрации [289].
Таким образом, воздействие на выявленные белки-мишени, не являющиеся ионными
каналами, может повышать риск развития аритмий за счёт разнообразных механизмов,
включающих, помимо прочего, опосредованное влияние на активность ионных каналов,
транспортёров, метаболизм и щелевые контакты между кардиомиоцитами.
156
ЗАКЛЮЧЕНИЕ
В ходе выполнения диссертационной работы был разработан системно-биологический
подход к оценке механизмов побочного действия лекарственных веществ на сердечнососудистую систему. Этот подход основан на выявлении корреляций между прогнозируемым
действием лекарственных соединений на белки-мишени человека и индукцией побочного
эффекта. Оценка ассоциаций с белками-мишенями была выполнена для ряда наиболее опасных
для жизни пациентов побочных эффектов: инфаркта миокарда, сердечной недостаточности и
желудочковых аритмий. Оценка роли идентифицированных белков-мишеней в сигнальных и
метаболических
путях,
а
также
биологических
процессах
позволила
выявить
патофизиологические процессы, лежащие в основе этиопатогенеза исследуемых эффектов. Эти
процессы были использованы как основа для построения регуляторной сети кардиомиоцита.
Дискретное моделирование поведения этой сети при условии ингибирования её вершин
позволило провести дополнительную верификацию выявленных мишеней и идентифицировать
дополнительные мишени, которые могут быть ассоциированы с индукцией сердечной
недостаточности и желудочковых аритмий.
Разработанный
подход
позволил
выявить
658
белков-мишеней
лекарственных
соединений, которые могут быть ассоциированы с индукцией инфаркта миокарда (155
мишеней), сердечной недостаточности (455 мишеней) и желудочковых аритмий (312 мишеней).
Анализ данных по связи выявленных белков-мишеней с соответствующими заболеваниями, их
участии в идентифицированных патофизиологических процессах и роли в регуляторной сети
кардиомиоцита позволил выполнить классификацию мишеней на три категории достоверности
относительно их участия в этиопатогенезе исследуемых эффектов. Триста пятьдесят восемь из
658 белков-мишеней (54%) были отнесены к первым двум категориям достоверности, для
которых наличие такой связи наиболее вероятно.
Многие из идентифицированных ассоциаций между белками-мишенями и исследуемыми
побочными эффектами являются принципиально новыми и могут служить основой для
соответствующих экспериментальных исследований.
На примере различных групп соединений с известными или предсказанными мишенями
первых двух категорий достоверности было продемонстрировано, что данные, полученные в
ходе работы, могут быть использованы для объяснения механизмов побочного действия
лекарств, использующихся в клинике. Таким образом, результаты исследования потенциально
157
могут использоваться для ранней доклинической оценки побочного действия лекарствкандидатов методами in vitro и in silico.
Сопоставление данных о белках-мишенях, выявленных в ходе работы, с данными о
мишенях, для которых ранее были известны ассоциации с побочным действием на сердечнососудистую
систему,
а
также
мишенях,
выявленных
другими
исследователями,
продемонстрировало применимость разработанного системно-биологического подхода для
решения поставленной научной задачи. Разработанный подход может использоваться для
оценки механизмов побочного действия лекарств на другие системы организма.
158
ВЫВОДЫ
1. Разработан системно-биологический подход к компьютерной оценке механизмов
побочного действия лекарственных веществ на сердечно-сосудистую систему. Показано
преимущество
разработанного
подхода
по
сравнению
с
другими
подходами,
опубликованными в литературе.
2. Созданы выборки структур лекарственных соединений с информацией об их
способности вызывать инфаркт миокарда, сердечную недостаточность и желудочковые
аритмии. На основе анализа прогнозируемых взаимодействий соединений выборок с
белками-мишенями человека выявлены известные и новые ассоциации между мишенями
и индукцией исследуемых побочных эффектов.
3. Идентифицированы ключевые патофизиологические процессы, лежащие в основе
этиопатогенеза исследуемых побочных эффектов: инфаркт миокарда – 13 процессов,
сердечная недостаточность – 16 процессов, желудочковые аритмии – 12 процессов.
4. Моделирование поведения регуляторной сети кардиомиоцита, построенной с учётом
выявленных процессов, позволило провести дополнительную верификацию белковмишеней,
выявленных
при
помощи
анализа
предсказанных
взаимодействий
лекарственных соединений с белками человека, а также идентифицировать новые
ассоциации между белками и исследуемыми побочными эффектами.
5. Всего выявлено 658 белков-мишеней, ассоциированных с индукцией исследуемых
побочных эффектов. Белки-мишени классифицированы на три категории достоверности
относительно их участия в этиопатогенезе исследуемых побочных эффектов. Триста
пятьдесят восемь белков-мишеней из 658 отнесены к первым двум категориям, для
которых участие в этиопатогенезе инфаркта миокарда, сердечной недостаточности и
желудочковых аритмий наиболее вероятно.
159
СПИСОК ЦИТИРУЕМОЙ ЛИТЕРАТУРЫ
1. Murphy S.L., Xu J., Kochanek K.D. Deaths: Final Data for 2010. // Natl. Vital. Stat. Rep.
2013. Vol. 61, № 4. P. 111-118.
2. Ragan I. An update on the Innovative Medicines Initiative and its implications for the 3Rs. //
NC3Rs. Vol. 7. P. 1-7.
3. Laverty H., Benson C., Cartwright E., Cross M., Garland C., Hammond T., Holloway C.,
McMahon N., Milligan J., Park B., Pirmohamed M., Pollard C., Radford J., Roome N., Sager
P., Singh S., Suter T., Suter W., Trafford A., Volders P., Wallis R., Weaver R., York M.,
Valentin J. How can we improve our understanding of cardiovascular safety liabilities to
develop safer medicines? // Br. J. Pharmacol. 2011. Vol. 163, № 4. P. 675-693.
4. McNaughton R., Huet G., Shakir S. An investigation into drug products withdrawn from the
EU market between 2002 and 2011 for safety reasons and the evidence used to support the
decision-making. // BMJ Open. 2014. Vol. 4, № 1. e004221.
5. Bowes J., Brown A.J., Hamon J., Jarolimek W., Sridhar A., Waldron G., Whitebread S.
Reducing safety-related drug attrition: the use of in vitro pharmacological profiling. // Nat.
Rev. Drug Discov. 2012. Vol. 11, № 12. P. 909-922.
6. Whitebread S., Hamon J., Bojanic D., Urban L. Keynote review: in vitro safety pharmacology
profiling: an essential tool for successful drug development. // Drug Discov. Today. 2005. Vol.
10. № 21, P. 1421-1433.
7. Yang L., Luo H., Chen J., Xing Q., He L. SePreSA: a server for the prediction of populations
susceptible to serious adverse drug reactions implementing the methodology of a chemicalprotein interactome. // Nucleic Acids Res. 2009. Vol. 37, Web Server issue. W406-W412.
8. Zakharov A.V., Lagunin A.A., Filimonov D.A., Poroikov V.V. Quantitative prediction of
antitarget interaction profiles for chemical compounds. // Chem. Res. Toxicol. 2012. Vol. 25,
№ 11. P. 2378-2385.
9. Bender A., Scheiber J., Glick M., Davies J.W., Azzaoui K., Hamon J., Urban L., Whitebread
S., Jenkins J.L. Analysis of pharmacology data and the prediction of adverse drug reactions and
off-target effects from chemical structure. // ChemMedChem. 2007. Vol. 2, № 6. P. 861-873.
10. Matthews E.J., Kruhlak N.L., Benz R.D., Aragones Sabate D., Marchant C.A., Contrera J.F.
Identification of structure-activity relationships for adverse effects of pharmaceuticals in
humans: Part C: use of QSAR and an expert system for the estimation of the mechanism of
160
action of drug-induced hepatobiliary and urinary tract toxicities. // Regul. Toxicol. Pharmacol.
2009. Vol. 54, № 1. P. 43-65.
11. Matthews E.J., Frid A.A. Prediction of drug-related cardiac adverse effects in humans--A:
creation of a database of effects and identification of factors affecting their occurrence. //
Regul. Toxicol. Pharmacol. 2010. Vol. 56, № 3. P. 247-275.
12. Pan J.B., Ji N., Pan W., Hong R., Wang H., Ji Z.L. High-throughput identification of off-targets
for the mechanistic study of severe adverse drug reactions induced by analgesics. // Toxicol.
Appl. Pharmacol. 2014. Vol. 274, № 1. P. 24-34.
13. Scheiber J., Chen B., Milik M., Sukuru S.C., Bender A., Mikhailov D., Whitebread S., Hamon
J., Azzaoui K., Urban L., Glick M., Davies J.W., Jenkins J.L. Gaining insight into off-target
mediated effects of drug candidates with a comprehensive systems chemical biology analysis.
// J. Chem. Inf. Model. 2009. Vol. 49, № 2. P. 308-317.
14. Wallach I., Jaitly N., Lilien R. A structure-based approach for mapping adverse drug reactions
to the perturbation of underlying biological pathways. // PLoS One. 2010. Vol. 5, № 8. e12063.
15. Yang L., Chen J., He L. Harvesting candidate genes responsible for serious adverse drug
reactions from a chemical-protein interactome. // PLoS. Comput. Biol. 2009. Vol. 5, № 7.
e1000441.
16. Yang L., Wang K., Chen J., Jegga A.G., Luo H., Shi L., Wan C., Guo X., Qin S., He G., Feng
G., He L. Exploring off-targets and off-systems for adverse drug reactions via chemical-protein
interactome--clozapine-induced agranulocytosis as a case study. // PLoS Comput. Biol. 2011.
Vol. 7, № 3. e1002016.
17. Гуськова, Т.А. Токсикология лекарственных средств / Т.А. Гуськова. – М.: МДВ, 2008. –
196 с.
18. Руководство
по
экспериментальному
(доклиническому)
изучению
новых
фармакологических веществ / Под общ. ред. члена-корреспондента РАМН, профессора
Р.У. Хабриева. – 2-изд., перераб. и доп. – М.: ОАО «Издательство «Медицина», 2005. –
832 с.
19. Hamdam J., Sethu S., Smith T., Alfirevic A., Alhaidari M., Atkinson J., Ayala M., Box H.,
Cross M., Delaunois A., Dermody A., Govindappa K., Guillon J.M., Jenkins R., Kenna G.,
Lemmer B., Meecham K., Olayanju A., Pestel S., Rothfuss A., Sidaway J., Sison-Young R.,
Smith E., Stebbings R., Tingle Y., Valentin J.P., Williams A., Williams D., Park K., Goldring
C. Safety pharmacology-current and emerging concepts. // Toxicol. Appl. Pharmacol. 2013.
Vol. 273, № 2. P. 229-241.
161
20. Valentin J.P., Bialecki R., Ewart L., Hammond T., Leishmann D., Lindgren S., Martinez V.,
Pollard C., Redfern W., Wallis R. A framework to assess the translation of safety
pharmacology data to humans. // J. Pharmacol. Toxicol. Methods. 2009. Vol. 60, № 2. P. 152158.
21. Rothman R.B., Baumann M.H. Serotonergic drugs and valvular heart disease. // Expert. Opin.
Drug Saf. 2009. Vol. 8, № 3. P. 317-329.
22. Осложнения фармакотерапии. Неблагоприятные побочные реакции лекарственных
средств. Том I / Под ред. Д.В. Рейхарта – М.: Литтерра, 2007. – 256 с.
23. Sanguinetti M.C., Tristani-Firouzi M. hERG potassium channels and cardiac arrhythmia. //
Nature. 2006. Vol. 440, № 7083. P. 463-469.
24. Ponte M.L., Keller G.A., Di Girolamo G. Mechanisms of drug induced QT interval
prolongation. // Curr. Drug Saf. 2010. Vol. 5, № 1. P. 44-53.
25. Liu M., Wu Y., Chen Y., Sun J., Zhao Z., Chen X.W., Matheny M.E., Xu H. Large-scale
prediction of adverse drug reactions using chemical, biological, and phenotypic properties of
drugs. // J. Am. Med. Inform. Assoc. 2012. Vol. 19, № e1. e28-e35.
26. Huang L.C., Wu X., Chen J.Y. Predicting adverse side effects of drugs. // BMC Genomics.
2011. Vol. 12. Suppl. 5. P. 11.
27. Huang L.C., Wu X., Chen J.Y. Predicting adverse drug reaction profiles by integrating protein
interaction networks with drug structures. // Proteomics. 2013. Vol. 13, № 2. P. 313-324.
28. Pouliot Y., Chiang A.P., Butte A.J. Predicting adverse drug reactions using publicly available
PubChem BioAssay data. // Clin. Pharmacol. Ther. 2011. Vol. 90, № 1. P. 90-99.
29. Yamanishi Y., Pauwels E., Kotera M. Drug side-effect prediction based on the integration of
chemical and biological spaces. // J. Chem. Inf. Model. 2012. Vol. 52, № 12. P. 3284-3292.
30. Campillos M., Kuhn M., Gavin A.C., Jensen L.J., Bork P. Drug target identification using sideeffect similarity. // Science. 2008. Vol. 321, № 5886. P. 263-266.
31. Brouwers L., Iskar M., Zeller G., van Noort V., Bork P. Network neighbors of drug targets
contribute to drug side-effect similarity. // PLoS One. 2011. Vol. 6, № 7. e22187.
32. Antitargets. Prediction and Prevention of Drug Side Effects / Eds. R. J. Vaz, T. Klabunde. –
Weinheim : WILEY-VCH Verlag GmbH and Co. KGaA, 2008. – P. 480.
33. Houck K.A., Kavlock R.J. Understanding mechanisms of toxicity: insights from drug discovery
research. Toxicol. Appl. Pharmacol. // 2008. Vol. 227, № 2. P. 163-178.
34. Berg E.L., Yang J., Melrose J., Nguyen D., Privat S., Rosler E., Kunkel E.J., Ekins S. Chemical
target and pathway toxicity mechanisms defined in primary human cell systems. // J.
Pharmacol. Toxicol. Methods. 2010. Vol. 61, № 1. P. 3-15.
162
35. Berg E.L., Hsu Y.C., Lee J.A. Consideration of the cellular microenvironment: physiologically
relevant co-culture systems in drug discovery. // Adv. Drug Deliv. Rev. 2014. Vol. 69-70. P.
190-204.
36. Ji Z.L., Han L.Y., Yap C.W., Sun L.Z., Chen X., Chen Y.Z. Drug Adverse Reaction Target
Database (DART): proteins related to adverse drug reactions. // Drug Saf. 2003. Vol. 26, № 10.
P. 685-690.
37. Zhang J.X., Huang W.J., Zeng J.H., Huang W.H., Wang Y., Zhao R., Han B.C., Liu Q.F., Chen
Y.Z., Ji Z.L. DITOP: drug-induced toxicity related protein database. // Bioinformatics. 2007.
Vol. 23, № 13. P. 1710-1712.
38. Ji Z.L., Wang Y., Yu L., Han L.Y., Zheng C.J., Chen Y.Z. In silico search of putative adverse
drug reaction related proteins as a potential tool for facilitating drug adverse effect prediction.
// Toxicol. Lett. 2006. Vol. 164, № 2. P. 104-112.
39. Packard R.R., Lichtman A.H., Libby P. Innate and adaptive immunity in atherosclerosis. //
Semin. Immunopathol. 2009. Vol. 31, № 1. P. 5-22.
40. Swirski F.K., Nahrendorf M. Leukocyte behavior in atherosclerosis, myocardial infarction, and
heart failure. // Science. 2013. Vol. 339, № 6116. P. 161-166.
41. Palayoor S.T., J-Aryankalayil M., Makinde A.Y., Cerna D., Falduto M.T., Magnuson S.R.,
Coleman C.N. Gene expression profile of coronary artery cells treated with nonsteroidal antiinflammatory drugs reveals off-target effects. // J. Cardiovasc. Pharmacol. 2012. Vol. 59, № 6.
P. 487-499.
42. Fosslien E. Cardiovascular complications of non-steroidal anti-inflammatory drugs. // Ann.
Clin. Lab. Sci. 2005. Vol. 35, № 4. P. 347-385.
43. Wasson S., Jayam V.K. Coronary vasospasm and myocardial infarction induced by oral
sumatriptan. // Clin. Neuropharmacol. 2004. Vol. 27, № 4. P. 198-200.
44. AHA, ACC, National Heart, Lung, and Blood Institute, Smith S.C. Jr., Allen J., Blair S.N.,
Bonow R.O., Brass L.M., Fonarow G.C., Grundy S.M., Hiratzka L., Jones D., Krumholz H.M.,
Mosca L., Pearson T., Pfeffer M.A., Taubert K.A. AHA/ACC guidelines for secondary
prevention for patients with coronary and other atherosclerotic vascular disease: 2006 update
endorsed by the National Heart, Lung, and Blood Institute. // J. Am. Coll. Cardiol. 2006. Vol.
47, № 10. P. 2130-2139.
45. Schiffrin E.L., Canadian Institutes of Health Research Multidisciplinary Research Group on
Hypertension. Beyond blood pressure: the endothelium and atherosclerosis progression. // Am.
J. Hypertens. 2002. Vol. 15. 115S-122S.
163
46. Nadar S., Lip G.Y. The prothrombotic state in hypertension and the effects of antihypertensive
treatment. // Curr. Pharm. Des. 2003. Vol. 9, № 21. P. 1715-1732.
47. Remková A., Remko M. The role of renin-angiotensin system in prothrombotic state in
essential hypertension. // Physiol. Res. 2010. Vol. 59, № 1. P. 13-23.
48. Thygesen K., Alpert J.S., White H.D. Joint ESC/ACCF/AHA/WHF Task Force for the
Redefinition of Myocardial Infarction. Universal definition of myocardial infarction. // Eur.
Heart J. 2007. Vol. 28, № 20. P. 2525-2538.
49. Helin-Salmivaara A., Virtanen A., Vesalainen R., Grönroos J.M., Klaukka T., IdänpäänHeikkilä J.E., Huupponen R. NSAID use and the risk of hospitalization for first myocardial
infarction in the general population: a nationwide case-control study from Finland. // Eur. Heart
J. 2006. Vol. 27, № 14. P. 1657-1663.
50. Kuhn M., Campillos M., Letunic I., Jensen L.J., Bork P. A side effect resource to capture
phenotypic effects of drugs. // Mol. Syst. Biol. 2010. Vol. 6. P. 343.
51. Valentin J.P., Hammond T. Safety and secondary pharmacology: successes, threats, challenges
and opportunities. // J. Pharmacol. Toxicol. Methods. 2008. Vol. 58, № 2. P. 77-87.
52. Maxwell C.B., Jenkins A.T. Drug-induced heart failure. // Am. J. Health Syst. Pharm. 2011.
Vol. 68, № 19. P. 1791-1804.
53. Hilfiker-Kleiner D., Landmesser U., Drexler H. Molecular Mechanisms in Heart Failure :
Focus on Cardiac Hypertrophy, Inflammation, Angiogenesis, and Apoptosis. // J. Am. Coll.
Cardiol. 2006. Vol. 48, № 9. Suppl. A56-A66.
54. Dorn G.W. 2nd. Apoptotic and non-apoptotic programmed cardiomyocyte death in ventricular
remodelling. // Cardiovasc. Res. 2009. Vol. 81, № 3. P. 465-473.
55. Bui A.L., Horwich T.B., Fonarow G.C. Epidemiology and risk profile of heart failure. // Nat.
Rev. Cardiol. 2011. Vol. 8, № 1. P. 30-41.
56. Triposkiadis F., Karayannis G., Giamouzis G., Skoularigis J., Louridas G., Butler J. The
sympathetic nervous system in heart failure physiology, pathophysiology, and clinical
implications. // J. Am. Coll. Cardiol. 2009. Vol. 54, № 19. P. 1747-1762.
57. de Lucia C., Femminella G.D., Gambino G., Pagano G., Allocca E., Rengo C., Silvestri C.,
Leosco D., Ferrara N., Rengo G.. Adrenal adrenoceptors in heart failure. // Front. Physiol.
2014. Vol. 5. P. 246.
58. de Git K.C., de Boer T.P., Vos M.A., van der Heyden M.A. Cardiac ion channel trafficking
defects and drugs. // Pharmacol. Ther. 2013. Vol. 139, № 1. P. 24-31.
59. Gentile S. Ion channel phosphorylopathy: a link between genomic variation and human disease.
// ChemMedChem. 2012. Vol. 7, № 10. P. 1757-1761.
164
60. Grant A.O. Cardiac ion channels. // Circ. Arrhythm. Electrophysiol. 2009. Vol. 2, № 2. P. 185194.
61. Side
Effect
Resource
(SIDER)
(version
2)
[Электронный
ресурс].
URL:
http://sideeffects.embl.de
62. DailyMed [Электронный ресурс]. URL: http://dailymed.nlm.nih.gov/
[Электронный
63. Drugs@FDA
ресурс].
URL:
http://www.accessdata.fda.gov/scripts/cder/drugsatfda/index.cfm
64. World Drug Index [Электронный ресурс]. URL: http://thomsonreuters.com
65. PharmaPendium [Электронный ресурс]. URL: https://www.pharmapendium.com
66. Food and Drug Administration (FDA) [Электронный ресурс]. URL: http://www.fda.gov
67. Health Canada, Canada Vigilance Adverse Reaction Online Database [Электронный ресурс].
URL: http://www.hc-sc.gc.ca/dhp-mps/medeff/databasdon/index-eng.php
68. Australian Adverse Drug Reaction Reporting System [Электронный ресурс]. URL:
https://www.ebs.tga.gov.au/ebs/ADRS/ADRSRepo.nsf?OpenDatabase
69. Lindquist M. Vigibase, the WHO Global ICSR Database System: basic facts. // Drug Inf. J.
2008. Vol. 42, № 5. P. 409–419.
70. Bate A., Evans S.J. Quantitative signal detection using spontaneous ADR reporting. //
Pharmacoepidemiol. Drug Saf. 2009. Vol. 18, № 6. P. 427-436.
71. Frid A.A., Matthews E.J. Prediction of drug-related cardiac adverse effects in humans--B: use
of QSAR programs for early detection of drug-induced cardiac toxicities. // Regul. Toxicol.
Pharmacol. 2010. Vol. 56, № 3. P. 276-289.
72. Ursem C.J., Kruhlak N.L., Contrera J.F., MacLaughlin P.M., Benz R.D., Matthews E.J.
Identification of structure-activity relationships for adverse effects of pharmaceuticals in
humans. Part A: use of FDA post-market reports to create a database of hepatobiliary and
urinary tract toxicities. // Regul. Toxicol. Pharmacol. 2009. Vol. 54, № 1. P. 1-22.
73. Matthews E.J., Ursem C.J., Kruhlak N.L., Benz R.D., Sabaté D.A., Yang C., Klopman G.,
Contrera J.F. Identification of structure-activity relationships for adverse effects of
pharmaceuticals in humans: Part B. Use of (Q)SAR systems for early detection of drug-induced
hepatobiliary and urinary tract toxicities. // Regul. Toxicol. Pharmacol. 2009. Vol. 54, № 1. P.
23-42.
74. Medical
subjects
heading
http://www.nlm.nih.gov/mesh/
(MeSH)
[Электронный
ресурс].
URL:
165
75. Coding Symbols for a Thesaurus of Adverse Reaction Terms (COSTART) [Электронный
ресурс].
URL:
http://hedwig.mgh.harvard.edu/biostatistics/sites/default/files/public/costart.html
76. Medical Dictionary for Regulatory Activities (MedDRA) [Электронный ресурс]. URL:
http://www.meddra.org/
77. Lounkine E., Keiser M.J., Whitebread S., Mikhailov D., Hamon J., Jenkins J.L., Lavan P.,
Weber E., Doak A.K., Côté S., Shoichet B.K., Urban L. Large-scale prediction and testing of
drug activity on side-effect targets. // Nature. 2012. Vol. 486, № 7403. P. 361-367.
78. Duran-Frigola M., Aloy P. Analysis of chemical and biological features yields mechanistic
insights into drug side effects. // Chem. Biol. 2013. Vol. 20, № 4. P. 594-603.
79. Kuhn M., Al Banchaabouchi M., Campillos M., Jensen L.J., Gross C., Gavin A.C., Bork P.
Systematic identification of proteins that elicit drug side effects. Mol. Syst. Biol. 2013. Vol. 9.
P. 663.
80. Mizutani S., Pauwels E., Stoven V., Goto S., Yamanishi Y. Relating drug-protein interaction
network with drug side effects. // Bioinformatics. 2012. Vol. 28, № 18. i522-i528.
81. Knox C., Law V., Jewison T., Liu P., Ly S., Frolkis A., Pon A., Banco K., Mak C., Neveu V.,
Djoumbou Y., Eisner R., Guo A.C., Wishart D.S. DrugBank 3.0: a comprehensive resource for
'omics' research on drugs. // Nucleic Acids Res. 2011. Vol. 39, Database issue. D1035-D1041.
82. DrugBank [Электронный ресурс]. URL: http://www.drugbank.ca
83. Wang Y., Xiao J., Suzek T.O., Zhang J., Wang J., Zhou Z., Han L., Karapetyan K., Dracheva
S., Shoemaker B.A., Bolton E., Gindulyte A., Bryant S.H. PubChem's BioAssay Database. //
Nucleic Acids Res. 2012. Vol. 40, Database issue. D400-D412.
84. PubChem BioAssay [Электронный ресурс]. URL: http://pubchem.ncbi.nlm.nih.gov
85. Gaulton A., Bellis L.J., Bento A.P., Chambers J., Davies M., Hersey A., Light Y., McGlinchey
S., Michalovich D., Al-Lazikani B., Overington J.P. ChEMBL: a large-scale bioactivity
database for drug discovery. // Nucleic Acids Res. 2012. Vol. 40, Database issue. D1100D1107.
86. ChEMBL [Электронный ресурс]. URL: https://www.ebi.ac.uk/chembl
87. Liu T., Lin Y., Wen X., Jorissen R.N., Gilson M.K. BindingDB: a web-accessible database of
experimentally determined protein-ligand binding affinities. // Nucleic Acids Res. 2007. Vol.
35, Database issue. D198-D201.
88. BindingDB [Электронный ресурс]. URL: http://www.bindingdb.org/bind/index.jsp
166
89. Kuhn M., Szklarczyk D., Pletscher-Frankild S., Blicher T.H., von Mering C., Jensen L.J., Bork
P. STITCH 4: integration of protein-chemical interactions with user data. // Nucleic Acids Res.
2014. Vol. 42, Database issue. D401-D407.
90. STITCH [Электронный ресурс]. URL: http://stitch.embl.de
91. Hecker N., Ahmed J., von Eichborn J., Dunkel M., Macha K., Eckert A., Gilson M.K., Bourne
P.E., Preissner R. SuperTarget goes quantitative: update on drug-target interactions. // Nucleic
Acids Res. 2012. Vol. 40, Database issue. D1113-D1117.
92. SuperTarget [Электронный ресурс]. URL: http://bioinformatics.charite.de/supertarget
93. Kim Kjærulff S., Wich L., Kringelum J., Jacobsen U.P., Kouskoumvekaki I., Audouze K.,
Lund O., Brunak S., Oprea T.I., Taboureau O. ChemProt-2.0: visual navigation in a disease
chemical biology database. // Nucleic Acids Res. 2013. Vol. 41, Database issue. D464-D469.
94. ChemProt [Электронный ресурс]. URL: http://www.cbs.dtu.dk/services/ChemProt-2.0
95. Günther S., Kuhn M., Dunkel M., Campillos M., Senger C., Petsalaki E., Ahmed J., Urdiales
E.G., Gewiess A., Jensen L.J., Schneider R., Skoblo R., Russell R.B., Bourne P.E., Bork P.,
Preissner R. SuperTarget and Matador: resources for exploring drug-target relationships. //
Nucleic Acids Res. 2008. Vol. 36, Database issue. D919-D922.
96. Matador [Электронный ресурс]. URL: http://matador.embl.de/
97. Sun J., Wu Y., Xu H., Zhao Z. DTome: a web-based tool for drug-target interactome
construction. // BMC Bioinformatics. 2012. Vol. 13. Suppl. 9. P. 7.
98. DTome:
Drug-Target
Interactome
[Электронный
ресурс].
URL:
http://bioinfo.mc.vanderbilt.edu/DTome
99. von Eichborn J., Murgueitio M.S., Dunkel M., Koerner S., Bourne P.E., Preissner R.
PROMISCUOUS: a database for network-based drug-repositioning. // Nucleic Acids Res.
2011. Vol. 39, Database issue. D1060-D1066.
100. PROMISCUOUS [Электронный ресурс]. URL: http://bioinformatics.charite.de/promiscuous
101. Roth B.L., Lopez E., Patel S., Kroeze W.K. The Multiplicity of Serotonin Receptors: Uselessly
Diverse Molecules or an Embarrassment of Riches? // Neuroscientist. 2000. Vol. 6. P. 252-262.
102. PDSP_Ki Database [Электронный ресурс]. URL: http://pdsp.med.unc.edu/kidb.php
103. McDonagh E.M., Whirl-Carrillo M., Garten Y., Altman R.B., Klein T.E. From
pharmacogenomic knowledge acquisition to clinical applications: the PharmGKB as a clinical
pharmacogenomic biomarker resource. // Biomark. Med. 2011. Vol. 5, № 6. P. 795-806.
104. PharmGKB [Электронный ресурс]. URL: www.pharmgkb.org
167
105. Roider H.G., Pavlova N., Kirov I., Slavov S., Slavov T., Uzunov Z., Weiss B. Drug2Gene: an
exhaustive resource to explore effectively the drug-target relation network. // BMC
Bioinformatics. 2014. Vol. 15. P. 68.
106. Drug2Gene [Электронный ресурс]. URL: http://www.drug2gene.com
107. Filz O., Lagunin A., Filimonov D., Poroikov V. Computer-aided prediction of QTprolongation. // SAR QSAR Environ Res. 2008. Vol. 19, № 1-2. P. 81-90.
108. Fan S., Geng Q., Pan Z., Li X., Tie L., Pan Y., Li X. Clarifying off-target effects for torcetrapib
using network pharmacology and reverse docking approach. // BMC Syst. Biol. 2012. Vol. 6.
P. 152.
109. Xie L., Li J., Xie L., Bourne P.E. Drug discovery using chemical systems biology:
identification of the protein-ligand binding network to explain the side effects of CETP
inhibitors. // PLoS Comput. Biol. 2009. Vol. 5, № 5. e1000387.
110. GUSAR
[Электронный
Online
ресурс].
URL:
http://www.way2drug.com/gusar/antitargets.html
111. Liu X., Vogt I., Haque T., Campillos M. HitPick: a web server for hit identification and target
prediction of chemical screenings. // Bioinformatics. 2013. Vol. 29, № 15. P. 1910-1912.
112. HitPick [Электронный ресурс]. URL: http://mips.helmholtz-muenchen.de/proj/hitpick
113. Филимонов Д.А., Лагунин А.А., Глориозова Т.А., Рудик А.В., Дружиловский Д.С.,
Погодин П.В., Поройков В.В. Предсказание спектров биологической активности
органических
соединений
с
помощью
веб-ресурса
PASS
Online.
//
Химия
гетероциклических соединений. 2014. № 3. С. 483-499.
114. PASS Online [Электронный ресурс]. URL: http://www.way2drug.com/passonline
115. Liu X., Ouyang S., Yu B., Liu Y., Huang K., Gong J., Zheng S., Li Z., Li H., Jiang H.
PharmMapper server: a web server for potential drug target identification using pharmacophore
mapping approach. // Nucleic Acids Res. 2010. Vol. 38, Web Server issue. W609-W614.
116. PharmMapper [Электронный ресурс]. URL: http://59.78.96.61/pharmmapper
117. Keiser M.J., Roth B.L., Armbruster B.N., Ernsberger P., Irwin J.J., Shoichet B.K. Relating
protein pharmacology by ligand chemistry. // Nat. Biotechnol. 2007. Vol. 25, № 2. P. 197-206.
118. Similarity ensemble approach (SEA) [Электронный ресурс]. URL: http://sea.bkslab.org
119. Dunkel M., Günther S., Ahmed J., Wittig B., Preissner R. SuperPred: drug classification and
target prediction. // Nucleic Acids Res. 2008. Vol. 36, Web Server issue. W55-W59.
120. SuperPred [Электронный ресурс]. URL: http://bioinformatics.charite.de/superpred
168
121. Wang L., Ma C., Wipf P., Liu H., Su W., Xie X.Q. TargetHunter: an in silico target
identification tool for predicting therapeutic potential of small organic molecules based on
chemogenomic database. // AAPS J. 2013. Vol. 15, № 2. P. 395-406.
122. TargetHunter [Электронный ресурс]. URL: http://www.cbligand.org/TargetHunter
123. Luo H., Chen J., Shi L., Mikailov M., Zhu H., Wang K., He L., Yang L. DRAR-CPI: a server
for identifying drug repositioning potential and adverse drug reactions via the chemical-protein
interactome. // Nucleic Acids Res. 2011. Vol. 39, Web Server issue. W492-W498.
124. DRAR-CPI [Электронный ресурс]. URL: http://cpi.bio-x.cn/drar
125. Wang J.C., Chu P.Y., Chen C.M., Lin J.H. idTarget: a web server for identifying protein targets
of small chemical molecules with robust scoring functions and a divide-and-conquer docking
approach. Nucleic Acids Res. 2012. Vol. 40, Web Server issue. W393-W399.
126. idTarget [Электронный ресурс]. URL: http://idtarget.rcas.sinica.edu.tw
127. Zhao J., Yang P., Li F., Tao L., Ding H., Rui Y., Cao Z., Zhang W. Therapeutic effects of
astragaloside IV on myocardial injuries: multi-target identification and network analysis. //
PLoS One. 2012. Vol. 7, № 9. e44938.
128. INVDOCK [Электронный ресурс]. URL: http://bidd.nus.edu.sg/group/softwares/invdock.htm
129. SePreSA [Электронный ресурс]. URL: http://SePreSA.Bio-X.cn
130. Li H., Gao Z., Kang L., Zhang H., Yang K., Yu K., Luo X., Zhu W., Chen K., Shen J., Wang
X., Jiang H. TarFisDock: a web server for identifying drug targets with docking approach.
Nucleic Acids Res. 2006. Vol. 34, Web Server issue. W219-W224.
131. TarFisDock [Электронный ресурс]. URL: http://www.dddc.ac.cn/tarfisdock
132. Tanimoto T.T. // IBM Internal. Report. 17th Nov., 1957.
133. Hall B., Limaye A., Kulkarni A.B. Overview: generation of gene knockout mice. // Curr.
Protoc. Cell Biol. 2009. Chapter 19. P. 1217.
134. Shan G. RNA interference as a gene knockdown technique. // Int. J. Biochem. Cell Biol. 2010.
Vol. 42, № 8. P. 1243-1251.
135. Csermely P., Korcsmáros T., Kiss H.J., London G., Nussinov R. Structure and dynamics of
molecular networks: a novel paradigm of drug discovery: a comprehensive review. //
Pharmacol. Ther. 2013. Vol. 138, № 3. P. 333-408.
136. STRING [Электронный ресурс]. URL: http://string-db.org
137. Goel R., Harsha H.C., Pandey A., Prasad T.S. Human Protein Reference Database and Human
Proteinpedia as resources for phosphoproteome analysis. // Mol. Biosyst. 2012. Vol. 8, № 2. P.
453-463.
169
138. Human
Protein
Reference
Database
(HPRD)
[Электронный
ресурс].
URL:
http://www.hprd.org/
139. Chen J.Y., Mamidipalli S., Huan T. HAPPI: an online database of comprehensive human
annotated and predicted protein interactions. // BMC Genomics. 2009. Vol. 10. Suppl. 1. P. 16.
140. Human Annotated and Predicted Protein Interaction (HAPPI) Database [Электронный
ресурс]. URL: http://discern.uits.iu.edu:8340/HAPPI
141. Chatr-Aryamontri A., Breitkreutz B.J., Heinicke S., Boucher L., Winter A., Stark C., Nixon J.,
Ramage L., Kolas N., O'Donnell L., Reguly T., Breitkreutz A., Sellam A., Chen D., Chang C.,
Rust J., Livstone M., Oughtred R., Dolinski K., Tyers M. The BioGRID interaction database:
2013 update. // Nucleic Acids Res. 2013. Vol. 41, Database issue. D816-D823.
142. BioGRID [Электронный ресурс]. URL: http://thebiogrid.org/
143. Schaefer M.H., Fontaine J.F., Vinayagam A., Porras P., Wanker E.E., Andrade-Navarro M.A.
HIPPIE: Integrating protein interaction networks with experiment based quality scores. // PLoS
One. 2012. Vol. 7, № 2. e31826.
144. Human Integrated Protein-Protein Interaction Reference (HIPPIE) [Электронный ресурс].
URL: http://cbdm.mdc-berlin.de/tools/hippie/index.php
145. Kamburov A., Stelzl U., Lehrach H., Herwig R. The ConsensusPathDB interaction database:
2013 update. // Nucleic Acids Res. 2013. Vol. 41, Database issue. D793-D800.
146. ConsensusPathDB [Электронный ресурс]. URL: http://cpdb.molgen.mpg.de
147. Ramanan V.K., Shen L., Moore J.H., Saykin A.J. Pathway analysis of genomic data: concepts,
methods, and prospects for future development. // Trends Genet. 2012. Vol. 28, № 7. P. 323332.
148. ExPASy.
Bioinformatics
Resource
Portal
[Электронный
ресурс].
URL:
http://enzyme.expasy.org/
149. BioCarta [Электронный ресурс]. URL: http://www.biocarta.com
150. Ma H., Sorokin A., Mazein A., Selkov A., Selkov E., Demin O., Goryanin I. The Edinburgh
human metabolic network reconstruction and its functional analysis. // Mol. Syst. Biol. 2007.
Vol. 3. P. 135.
151. Edinburgh
Human
Metabolic
Network
(EHMN)
[Электронный
ресурс].
URL:
https://synthsys.inf.ed.ac.uk/twiki/bin/view.cgi/PublicCSB/EHMN
152. Romero P., Wagg J., Green M.L., Kaiser D., Krummenacker M., Karp P.D. Computational
prediction of human metabolic pathways from the complete human genome. // Genome Biol.
2005. Vol. 6, № 1. R2.
153. HumanCyc [Электронный ресурс]. URL: http://humancyc.org/
170
154. Ingenuity
Pathway
Analysis
(IPA)
[Электронный
ресурс].
URL:
http://www.ingenuity.com/products/ipa
155. Integrating Network Objects with Hierarchies (INOH) Pathway Database [Электронный
ресурс]. URL: http://inoh.hgc.jp/inohblog/main/
156. Sreenivasaiah P.K., Rani S., Cayetano J., Arul N., Kim do H. IPAVS: Integrated Pathway
Resources, Analysis and Visualization System. // Nucleic Acids Res. 2012. Vol. 40, Database
issue. D803-D808.
157. An Integrated Pathway Resources, Analysis and Visualization System (IPAVS) [Электронный
ресурс]. URL: http://ipavs.cidms.org/
158. Kanehisa M., Goto S. KEGG: kyoto encyclopedia of genes and genomes. // Nucleic Acids Res.
2000. Vol. 28, № 1. P. 27-30.
159. Kyoto Encyclopedia of Genes and Genomes (KEGG) [Электронный ресурс]. URL:
http://www.genome.jp/kegg
160. MetaСore [Электронный ресурс]. URL: http://lsresearch.thomsonreuters.com/maps/
161. Schaefer C.F., Anthony K., Krupa S., Buchoff J., Day M., Hannay T., Buetow K.H. PID: the
Pathway Interaction Database. // Nucleic Acids Res. 2009. Vol. 37, Database issue. D674D679.
162. NCI Pathway Interaction Database [Электронный ресурс]. URL: http://pid.nci.nih.gov
163. Kandasamy K., Mohan S.S., Raju R., Keerthikumar S., Kumar G.S., Venugopal A.K.,
Telikicherla D., Navarro J.D., Mathivanan S., Pecquet C., Gollapudi S.K., Tattikota S.G.,
Mohan S., Padhukasahasram H., Subbannayya Y., Goel R., Jacob H.K., Zhong J., Sekhar R.,
Nanjappa V., Balakrishnan L., Subbaiah R., Ramachandra Y.L., Rahiman B.A., Prasad T.S.,
Lin J.X., Houtman J.C., Desiderio S., Renauld J.C., Constantinescu S.N., Ohara O., Hirano T.,
Kubo M., Singh S., Khatri P., Draghici S., Bader G.D., Sander C., Leonard W.J., Pandey A.
NetPath: a public resource of curated signal transduction pathways. // Genome Biol. 2010. Vol.
11, № 1. R3.
164. NetPath [Электронный ресурс]. URL: http://www.netpath.org/
165. PROTEOMETM BIOBASE GmbH [Электронный ресурс]. URL: http://www.biobaseinternational.com/product/proteome
166. Croft D., Mundo A.F., Haw R., Milacic M., Weiser J., Wu G., Caudy M., Garapati P., Gillespie
M., Kamdar M.R., Jassal B., Jupe S., Matthews L., May B., Palatnik S., Rothfels K.,
Shamovsky V., Song H., Williams M., Birney E., Hermjakob H., Stein L., D'Eustachio P. The
Reactome pathway knowledgebase. // Nucleic Acids Res. 2014. Vol. 42, Database issue. D472D477.
171
167. Reactome.
A
curated
pathway
database
[Электронный
ресурс].
URL:
http://www.reactome.org
168. WikiPathways [Электронный ресурс]. URL: http://www.wikipathways.org
169. Bauer-Mehren A., Bundschus M., Rautschka M., Mayer M.A., Sanz F., Furlong L.I. Genedisease network analysis reveals functional modules in mendelian, complex and environmental
diseases. // PLoS One. 2011. Vol. 6, № 6. e20284.
170. Mathur S., Dinakarpandian D. Finding disease similarity based on implicit semantic similarity.
// J. Biomed. Inform. 2012. Vol. 45, № 2. P. 363-371.
171. Cheng L., Li J., Ju P., Peng J., Wang Y. SemFunSim: a new method for measuring disease
similarity by integrating semantic and gene functional association. // PLoS One. 2014. Vol. 9,
№ 6. e99415.
172. DisGeNet [Электронный ресурс]. URL: http://www.disgenet.org/
173. Bauer-Mehren A., Rautschka M., Sanz F., Furlong L.I. DisGeNET: a Cytoscape plugin to
visualize, integrate, search and analyze gene-disease networks. // Bioinformatics. 2010. Vol.
26. № 22, P. 2924-2926.
174. Linghu B., Snitkin E.S., Hu Z., Xia Y., Delisi C. Genome-wide prioritization of disease genes
and identification of disease-disease associations from an integrated human functional linkage
network. // Genome Biol. 2009. Vol. 10, № 9. R91.
175. Lee I., Blom U.M., Wang P.I., Shim J.E., Marcotte E.M. Prioritizing candidate disease genes
by network-based boosting of genome-wide association data. // Genome Res. 2011. Vol. 21, №
7. P. 1109-1121.
176. Chen X., Liu X., Jia X., Tan F., Yang R., Chen S., Liu L., Wang Y., Chen Y. Network
characteristic analysis of ADR-related proteins and identification of ADR-ADR associations. //
Sci. Rep. 2013. Vol. 3. P. 1744.
177. Doncheva N.T., Kacprowski T., Albrecht M. Recent approaches to the prioritization of
candidate disease genes. // Wiley Interdiscip. Rev. Syst. Biol. Med. 2012. Vol. 4, № 5. P. 429442.
178. Köhler S., Bauer S., Horn D., Robinson P.N. Walking the interactome for prioritization of
candidate disease genes. // Am. J. Hum. Genet. 2008. Vol. 82, № 4. P. 949-958.
179. Dezso Z., Nikolsky Y., Nikolskaya T., Miller J., Cherba D., Webb C., Bugrim A. Identifying
disease-specific genes based on their topological significance in protein networks. // BMC Syst.
Biol. 2009. Vol. 3. P. 36.
180. Wang J., Li Z.X., Qiu C.X., Wang D., Cui Q.H. The relationship between rational drug design
and drug side effects. // Brief. Bioinform. 2012. Vol. 13, № 3. P. 377-382.
172
181. Berger S.I., Ma'ayan A., Iyengar R. Systems pharmacology of arrhythmias. // Sci. Signal. 2010.
Vol. 3, № 118. ra30.
182. Azuaje F.J., Zhang L., Devaux Y., Wagner D.R. Drug-target network in myocardial infarction
reveals multiple side effects of unrelated drugs. // Sci. Rep. 2011. Vol. 1. P. 52.
183. Ashburner M., Ball C.A., Blake J.A., Botstein D., Butler H., Cherry J.M., Davis A.P., Dolinski
K., Dwight S.S., Eppig J.T., Harris M.A., Hill D.P., Issel-Tarver L., Kasarskis A., Lewis S.,
Matese J.C., Richardson J.E., Ringwald M., Rubin G.M., Sherlock G. Gene ontology: tool for
the unification of biology. The Gene Ontology Consortium. // Nat. Genet. 2000. Vol. 25, № 1.
P. 25-29.
184. Gene Ontology [Электронный ресурс]. URL: http://www.geneontology.org
185. Uniprot [Электронный ресурс]. URL: http://www.uniprot.org/
186. Khatri P., Sirota M., Butte A.J. Ten years of pathway analysis: current approaches and
outstanding challenges. // PLoS Comput. Biol. 2012. Vol. 8, № 2. e1002375.
187. Huang da W., Sherman B.T., Lempicki R.A. Systematic and integrative analysis of large gene
lists using DAVID bioinformatics resources. // Nat. Protoc. 2009. Vol. 4, № 1. P. 44-57.
188. Huang da W., Sherman B.T., Lempicki R.A. Bioinformatics enrichment tools: paths toward the
comprehensive functional analysis of large gene lists. // Nucleic Acids Res. 2009. Vol. 37, №
1. P. 1-13.
189. DAVID Bioinformatics Resources [Электронный ресурс]. URL: http://david.abcc.ncifcrf.gov/
190. GOToolBox [Электронный ресурс]. URL: http://genome.crg.es/GOToolBox/
191. Maere S., Heymans K., Kuiper M. BiNGO: a Cytoscape plugin to assess overrepresentation of
gene ontology categories in biological networks. // Bioinformatics. 2005. Vol. 21, № 16. P.
3448-3449.
192. Bindea G., Mlecnik B., Hackl H., Charoentong P., Tosolini M., Kirilovsky A., Fridman W.H.,
Pagès F., Trajanoski Z., Galon J. ClueGO: a Cytoscape plug-in to decipher functionally
grouped gene ontology and pathway annotation networks. // Bioinformatics. 2009. Vol. 25, №
8. P. 1091-1093.
193. Subramanian A., Tamayo P., Mootha V.K., Mukherjee S., Ebert B.L., Gillette M.A., Paulovich
A., Pomeroy S.L., Golub T.R., Lander E.S., Mesirov J.P. Gene set enrichment analysis: a
knowledge-based approach for interpreting genome-wide expression profiles. // Proc. Natl.
Acad. Sci. U. S. A. 2005. Vol. 102, № 43. P. 15545-15550.
194. Lee S., Lee K.H., Song M., Lee D. Building the process-drug-side effect network to discover
the relationship between biological processes and side effects. // BMC Bioinformatics. 2011.
Vol. 12. Suppl. 2. P. 2.
173
195. Lamb J. The Connectivity Map: a new tool for biomedical research. // Nat. Rev. Cancer. 2007.
Vol. 7, № 1. P. 54-60.
196. Connectivity Map [Электронный ресурс]. URL: https://www.broadinstitute.org/cmap/
197. RxList [Электронный ресурс]. URL: www.rxlist.com
198. Meyler’s Side Effects of Drugs. The International Encyclopedia of Adverse Reactions and
Interactions / Ed. J. K. Aronson. – 15th edition. – Amsterdam : Elsevier, 2006.
199. CredibleMeds [Электронный ресурс]. URL: www.crediblemeds.org
200. ChemIDplus [Электронный ресурс]. URL: http://chem.sis.nlm.nih.gov/chemidplus/
201. Filimonov D., Poroikov V., Borodina Yu., Gloriozova T. Chemical Similarity Assessment
through multilevel neighborhoods of atoms: definition and comparison with the other
descriptors. // J. Chem. Inf. Comput. Sci. 1999. Vol. 39. P. 666-670.
202. Filimonov D.A. and Poroikov V.V. Chemoinformatics Approaches to Virtual Screening. //
Cambridge. UK: Royal Society of Chemistry. 2008. P. 182-216.
203. Lagunin A., Filimonov D., Poroikov V. Multi-Targeted Natural Products Evaluation Based on
Biological Activity Prediction with PASS. // Current Pharmaceutical Design. 2010. Vol. 16, №
15. P. 1703-1717.
204. Погодин П.В., Лагунин А.А., Иванов С.М., Конова В.И., Филимонов Д.А., Поройков
В.В.
Компьютерный
прогноз
взаимодействия
низкомолекулярных
органических
соединений с белками-мишенями. // Вестник РГМУ. 2013. №4. С. 69-74.
205. Ivanov S.M., Lagunin A.A., Pogodin P.V., Filimonov D.A., Poroikov V.V. Identification of
Drug-Induced Myocardial Infarction-Related Protein Targets through the Prediction of DrugTarget Interactions and Analysis of Biological Processes. // Chem. Res. Toxicol. 2014. Vol. 27,
№ 7. P. 1263-1281.
206. Mann H.B., Whitney D.R. On a Test of Whether one of Two Random Variables is
Stochastically Larger than the Other. // Ann. Math. Statist. 1947. Vol. 18. P. 50-60.
207. Le D.H., Kwon Y.K. GPEC: a Cytoscape plug-in for random walk-based gene prioritization
and biomedical evidence collection. // Comput. Biol. Chem. 2012. Vol. 37. P. 17-23.
208. Benjamini Y., Hochberg Y. Controlling the false discovery rate: a practical and powerful
approach to multiple testing. // J. Roy. Statist. Soc. Ser. B. 1995. Vol. 57, № 1. P. 289–300.
209. Shannon P., Markiel A., Ozier O., Baliga N.S., Wang J.T., Ramage D., Amin N., Schwikowski
B., Ideker T. Cytoscape: a software environment for integrated models of biomolecular
interaction networks. // Genome Res. 2003. Vol. 13, № 11. P. 2498-2504.
174
210. Koborova O.N., Filimonov D.A., Zakharov A.V., Lagunin A.A., Ivanov S.M., Kel A.,
Poroikov V.V. In silico method for identification of promising anticancer drug targets. // SAR
QSAR Environ. Res. 2009. Vol. 20, № 7-8. P. 755-766.
211. Kel A., Voss N., Valeev T., Stegmaier P., Kel-Margoulis O., Wingender E. ExPlain: finding
upstream drug targets in disease gene regulatory networks. // SAR QSAR Environ. Res. 2008.
Vol. 19, № 5-6. P. 481-494.
212. ExPlainTM
BIOBASE
GmbH
[Электронный
ресурс].
URL:
http://www.biobase-
international.com/product/explain
213. Jelier R., Schuemie M.J., Veldhoven A., Dorssers L.C., Jenster G., Kors J.A. Anni 2.0: a
multipurpose text-mining tool for the life sciences. // Genome Biol. 2008. Vol. 9, № 6. R96.
214. Stoneman V.E., Bennett M.R. Role of apoptosis in atherosclerosis and its therapeutic
implications. // Clin. Sci. (Lond). 2004. Vol. 107, № 4. P. 343-354.
215. Clarke M.C., Figg N., Maguire J.J., Davenport A.P., Goddard M., Littlewood T.D., Bennett
M.R. Apoptosis of vascular smooth muscle cells induces features of plaque vulnerability in
atherosclerosis. // Nat. Med. 2006. Vol. 12, № 9. P. 1075-1080.
216. Sima A.V., Stancu C.S., Simionescu M. Vascular endothelium in atherosclerosis. // Cell Tissue
Res. 2009. Vol. 335, № 1. P. 191-203.
217. Rudijanto A. The role of vascular smooth muscle cells on the pathogenesis of atherosclerosis. //
Acta. Med. Indones. 2007. Vol. 39, № 2. P. 86-93.
218. Sluimer J.C., Daemen M.J. Novel concepts in atherogenesis: angiogenesis and hypoxia in
atherosclerosis. // J. Pathol. 2009. Vol. 218, № 1. P. 7-29.
219. DeFronzo R.A. Insulin resistance, lipotoxicity, type 2 diabetes and atherosclerosis: the missing
links. The Claude Bernard Lecture 2009. // Diabetologia. 2010. Vol. 53, № 7. P. 1270-1287.
220. Bornfeldt K.E., Tabas I. Insulin resistance, hyperglycemia, and atherosclerosis. // Cell Metab.
2011. Vol. 14, № 5. P. 575-585.
221. Vigen R., O'Donnell C.I., Barón A.E., Grunwald G.K., Maddox T.M., Bradley S.M., Barqawi
A., Woning G., Wierman M.E., Plomondon M.E., Rumsfeld J.S., Ho P.M. Association of
testosterone therapy with mortality, myocardial infarction, and stroke in men with low
testosterone levels. // JAMA. 2013. Vol. 310, № 17. P. 1829-1836.
222. Hu X., Zhang K., Jiang H. Is testosterone or estrogen more important for male patients with
coronary artery disease? // Eur. J. Intern. Med. 2012. Vol. 23, № 4. e114-e115.
223. Charach G., Rabinovich A., Argov O., Weintraub M., Rabinovich P. The role of bile Acid
excretion in atherosclerotic coronary artery disease. // Int. J. Vasc. Med. 2012. Article ID
949672.
175
224. Thijssen M.A., Mensink R.P. Fatty acids and atherosclerotic risk. // Handb. Exp. Pharmacol.
2005. Vol. 170. P. 165-194.
225. Baum S.J., Kris-Etherton P.M., Willett W.C., Lichtenstein A.H., Rudel L.L., Maki K.C.,
Whelan J., Ramsden C.E., Block R.C. Fatty acids in cardiovascular health and disease: a
comprehensive update. // J. Clin. Lipidol. 2012. Vol. 6, № 3. P. 216-234.
226. Gimeno R.E. Fatty acid transport proteins. // Curr. Opin. Lipidol. 2007. Vol. 18, № 3. P. 271276.
227. Rosca M.G., Hoppel C.L. Mitochondria in heart failure. // Cardiovasc. Res. 2010. Vol. 88, №
1. P. 40-50.
228. Rosca M.G., Hoppel C.L. Mitochondrial dysfunction in heart failure. // Heart Fail. Rev. 2013.
Vol. 18, Vol. 5. P. 607-622.
229. Tsutsui H., Kinugawa S., Matsushima S. Oxidative stress and heart failure. // Am. J. Physiol.
Heart Circ. Physiol. 2011. Vol. 301, № 6. H2181-H2190.
230. Pall M.L. The NO/ONOO-cycle as the central cause of heart failure. // Int. J. Mol. Sci. 2013.
Vol. 14, № 11. P. 22274-22330.
231. Aroor A.R., Mandavia C.H., Sowers J.R. Insulin resistance and heart failure: molecular
mechanisms. // Heart Fail. Clin. 2012. Vol. 8, № 4. P. 609-617.
232. Ohtani T., Mano T., Hikoso S., Sakata Y., Nishio M., Takeda Y., Otsu K., Miwa T., Masuyama
T., Hori M., Yamamoto K. Cardiac steroidogenesis and glucocorticoid in the development of
cardiac hypertrophy during the progression to heart failure. // J. Hypertens. 2009. Vol. 27, № 5.
P. 1074-1083.
233. Fraccarollo D., Berger S., Galuppo P., Kneitz S., Hein L., Schütz G., Frantz S., Ertl G.,
Bauersachs J. Deletion of cardiomyocyte mineralocorticoid receptor ameliorates adverse
remodeling after myocardial infarction. // Circulation. 2011. Vol. 123, № 4. P. 400-408.
234. Bhupathy P., Haines C.D., Leinwand L.A. Influence of sex hormones and phytoestrogens on
heart disease in men and women. // Womens Health (Lond Engl). 2010. Vol. 6, № 1. P. 77-95.
235. Sequeira V., Nijenkamp L.L., Regan J.A., van der Velden J. The physiological role of cardiac
cytoskeleton and its alterations in heart failure. // Biochim. Biophys. Acta. 2014. Vol. 1838, №
2. P. 700-722.
236. Brown D.A., O'Rourke B. Cardiac mitochondria and arrhythmias. // Cardiovasc. Res. 2010.
Vol. 88, № 2. P. 241-249.
237. Sovari A.A., Small O., Bonini M.G., Kocheril A.G., Dudley S.C. Ventricular Arrhythmia:
From Principles to Patients. // New York. Nova Science Publishers. 2013. P. 74-94.
176
238. Barth A.S., Tomaselli G.F. Cardiac metabolism and arrhythmias. // Circ. Arrhythm.
Electrophysiol. 2009. Vol. 2, № 3. P. 327-335.
239. Lopez-Izquierdo A., Pereira R.O., Wende A.R., Punske B.B., Abel E.D., Tristani-Firouzi M.
The absence of insulin signaling in the heart induces changes in potassium channel expression
and ventricular repolarization. // Am. J. Physiol. Heart Circ. Physiol. 2014. Vol. 306, № 5.
H747-H754.
240. Drimba L., Döbrönte R., Hegedüs C., Sári R., Di Y., Németh J., Szilvássy Z., Peitl B. The role
of acute hyperinsulinemia in the development of cardiac arrhythmias. // Naunyn.
Schmiedebergs Arch. Pharmacol. 2013. Vol. 386, № 5. P. 435-444.
241. Chow E., Bernjak A., Williams S., Fawdry R.A., Hibbert S., Freeman J., Sheridan P.J., Heller
S.R. Risk of cardiac arrhythmias during hypoglycemia in patients with type 2 diabetes and
cardiovascular risk. // Diabetes. 2014. Vol. 63, Vol. 5. P. 1738-1747.
242. Sohn K., Wende A.R., Abel E.D., Moreno A.P., Sachse F.B., Punske B.B. Absence of glucose
transporter 4 diminishes electrical activity of mouse hearts during hypoxia. // Exp. Physiol.
2013. Vol. 98, № 3. P. 746-757.
243. Shen M.J., Zipes D.P. Role of the autonomic nervous system in modulating cardiac
arrhythmias. // Circ. Res. 2014. Vol. 114, № 6. P. 1004-1021.
244. Severs N.J., Bruce A.F., Dupont E., Rothery S. Remodelling of gap junctions and connexin
expression in diseased myocardium. // Cardiovasc. Res. 2008. Vol. 80, № 1. P. 9-19.
245. Feuerstein G.Z., Young P.R. Apoptosis in cardiac diseases: stress- and mitogen-activated
signaling pathways. // Cardiovasc. Res. 2000. Vol. 45, № 3. P. 560-569.
246. O'Mahony C., Lambiase P.D., Rahman S.M., Cardona M., Calcagnino M., Quarta G., Tsovolas
K., Al-Shaikh S., McKenna W., Elliott P. The relation of ventricular arrhythmia
electrophysiological characteristics to cardiac phenotype and circadian patterns in hypertrophic
cardiomyopathy. // Europace. 2012. Vol. 14, № 5. P. 724-733.
247. Chen J.Y., Shen C., Sivachenko A.Y. Mining Alzheimer disease relevant proteins from
integrated protein interactome data. // Pac. Symp. Biocomput. 2006. P. 367-378.
248. Potter E.K., Smith-White M.A. Galanin modulates cholinergic neurotransmission in the heart.
// Neuropeptides. 2005. Vol. 39, № 3. P. 345-348.
249. Belloni A.S., Malendowicz L.K., Rucinski M., Guidolin D., Nussdorfer G.G. Galanin
stimulates cortisol secretion from human adrenocortical cells through the activation of galanin
receptor subtype 1 coupled to the adenylate cyclase-dependent signaling cascade. // Int. J. Mol.
Med. 2007. Vol. 20, № 6. P. 859-864.
177
250. Zorrilla E.P., Brennan M., Sabino V., Lu X., Bartfai T. Galanin type 1 receptor knockout mice
show altered responses to high-fat diet and glucose challenge. // Physiol. Behav. 2007. Vol. 91.
№ 5, P. 479-485.
251. Kievit P., Halem H., Marks D.L., Dong J.Z., Glavas M.M., Sinnayah P., Pranger L., Cowley
M.A., Grove K.L., Culler M.D. Chronic treatment with a melanocortin-4 receptor agonist
causes weight loss, reduces insulin resistance, and improves cardiovascular function in dietinduced obese rhesus macaques. // Diabetes. 2013. Vol. 62, № 2. P. 490-497.
252. Sayk F., Heutling D., Dodt C., Iwen K.A., Wellhoner J.P., Scherag S., Hinney A., Hebebrand
J., Lehnert H. Sympathetic function in human carriers of melanocortin-4 receptor gene
mutations. // J. Clin. Endocrinol. Metab. 2010. Vol. 95, № 4. P. 1998-2002.
253. Lakaye B., Coumans B., Harray S., Grisar T. Melanin-concentrating hormone and immune
function. // Peptides. 2009. Vol. 30, № 11. P. 2076-2080.
254. Drug Recalls [Электронный ресурс]. URL: http://www.drugrecalls.com/
255. Trelle S., Reichenbach S., Wandel S., Hildebrand P., Tschannen B., Villiger P.M., Egger M.,
Jüni P. Cardiovascular safety of non-steroidal anti-inflammatory drugs: network meta-analysis.
// BMJ. 2011. Vol. 342. c7086.
256. Helgadottir A., Manolescu A., Thorleifsson G., Gretarsdottir S., Jonsdottir H., Thorsteinsdottir
U., Samani N.J., Gudmundsson G., Grant S.F., Thorgeirsson G., Sveinbjornsdottir S.,
Valdimarsson E.M., Matthiasson S.E., Johannsson H., Gudmundsdottir O., Gurney M.E., Sainz
J., Thorhallsdottir M., Andresdottir M., Frigge M.L., Topol E.J., Kong A., Gudnason V.,
Hakonarson H., Gulcher J.R., Stefansson K. The gene encoding 5-lipoxygenase activating
protein confers risk of myocardial infarction and stroke. // Nat. Genet. 2004. Vol. 36, № 3. P.
233-239.
257. Zhang G., Marshall A.L., Thomas A.L., Kernan K.A., Su Y., LeBoeuf R.C., Dong X.R., Tchao
B.N. In vivo knockdown of nicotinic acetylcholine receptor α1 diminishes aortic
atherosclerosis. // Atherosclerosis. 2011. Vol. 215, № 1. P. 34-42.
258. Michel J.B., Virmani R., Arbustini E., Pasterkamp G. Intraplaque haemorrhages as the trigger
of plaque vulnerability. // Eur. Heart J. 2011. Vol. 32, № 16. P. 1977-1985.
259. Klucken J., Büchler C., Orsó E., Kaminski W.E., Porsch-Ozcürümez M., Liebisch G.,
Kapinsky M., Diederich W., Drobnik W., Dean M., Allikmets R., Schmitz G. ABCG1 (ABC8),
the human homolog of the Drosophila white gene, is a regulator of macrophage cholesterol and
phospholipid transport. // Proc. Natl. Acad. Sci. U. S. A. 2000. Vol. 97, № 2. P. 817-822.
260. Spiecker M., Liao J. Cytochrome P450 epoxygenase CYP2J2 and the risk of coronary artery
disease. // Trends Cardiovasc. Med. 2006. Vol. 16, № 6. P. 204-208.
178
261. Hughes S.E. Localisation and differential expression of the fibroblast growth factor receptor
(FGFR) multigene family in normal and atherosclerotic human arteries. // Cardiovasc. Res.
1996. Vol. 32, № 3. P. 557-569.
262. Wu Z., Lou Y., Jin W., Liu Y., Lu L., Lu G. The C161T polymorphism in the peroxisome
proliferator-activated receptor gamma gene (PPARγ) is associated with risk of coronary artery
disease: a meta-analysis. // Mol. Biol. Rep. 2013. Vol. 40, № 4. P. 3101-3112.
263. Yu Y., Lucitt M.B., Stubbe J., Cheng Y., Friis U.G., Hansen P.B., Jensen B.L., Smyth E.M.,
FitzGerald G.A. Prostaglandin F2alpha elevates blood pressure and promotes atherosclerosis. //
Proc. Natl. Acad. Sci. U. S. A. 2009. Vol. 106, № 19. P. 7985-7990.
264. Sussmann M., Sarbia M., Meyer-Kirchrath J., Nüsing R.M., Schrör K., Fischer J.W. Induction
of hyaluronic acid synthase 2 (HAS2) in human vascular smooth muscle cells by vasodilatory
prostaglandins. // Circ. Res. 2004. Vol. 94, № 5. P. 592-600.
265. Hotary K.B., Yana I., Sabeh F., Li X.Y., Holmbeck K., Birkedal-Hansen H., Allen E.D.,
Hiraoka N., Weiss S.J. Matrix metalloproteinases (MMPs) regulate fibrin-invasive activity via
MT1-MMP-dependent and -independent processes. // J. Exp. Med. 2002. Vol. 195, № 3. P.
295-308.
266. Panicot-Dubois L., Thomas G.M., Furie B.C., Furie B., Lombardo D., Dubois C. Bile saltdependent lipase interacts with platelet CXCR4 and modulates thrombus formation in mice and
humans. // J. Clin. Invest. 2007. Vol. 117, № 12. P. 3708-3719.
267. Gates M.A., Araujo A.B., Hall S.A., Wittert G.A., McKinlay J.B. Non steroidal antiinflammatory drug use and levels of oestrogens and androgens in men. // Clin. Endocrinol.
(Oxf). 2012. Vol. 76, № 2. P. 272-280.
268. Sone H., Takahashi A., Yamada N. Ibuprofen-related hypoglycemia in a patient receiving
sulfonylurea. // Ann. Intern. Med. 2001. Vol. 134, № 4. P. 344.
269. Pereira Arias A.M., Romijn J.A., Corssmit E.P., Ackermans M.T., Nijpels G., Endert E.,
Sauerwein H.P. Indomethacin decreases insulin secretion in patients with type 2 diabetes
mellitus. // Metabolism. 2000. Vol. 49, № 7. P. 839-844.
270. Sudano I., Flammer A.J., Roas S., Enseleit F., Noll G., Ruschitzka F. Nonsteroidal
antiinflammatory drugs, acetaminophen, and hypertension. // Curr. Hypertens. Rep. 2012. Vol.
14, № 4. P. 304-309.
271. Kang N.N., Fu L., Xu J., Han Y., Cao J.X., Sun J.F., Zheng M. Testosterone improves cardiac
function and alters angiotensin II receptors in isoproterenol-induced heart failure. // Arch.
Cardiovasc. Dis. 2012. Vol. 105, № 2. P. 68-76.
179
272. Fliegner D., Schubert C., Penkalla A., Witt H., Kararigas G., Dworatzek E., Staub E., Martus
P., Ruiz Noppinger P., Kintscher U., Gustafsson J.A., Regitz-Zagrosek V. Female sex and
estrogen receptor-beta attenuate cardiac remodeling and apoptosis in pressure overload. // Am.
J. Physiol. Regul. Integr. Comp. Physiol. 2010. Vol. 298, № 6. R1597-R1606.
273. Kwon D.H., Eom G.H., Kee H.J., Nam Y.S., Cho Y.K., Kim D.K., Koo J.Y., Kim H.S., Nam
K.I., Kim K.K., Lee I.K., Park S.B., Choi H.S., Kook H. Estrogen-related receptor gamma
induces cardiac hypertrophy by activating GATA4. // J. Mol. Cell Cardiol. 2013. Vol. 65. P.
88-97.
274. Otte C., Wüst S., Zhao S., Pawlikowska L., Kwok P.Y., Whooley M.A. Glucocorticoid
receptor gene, low-grade inflammation, and heart failure: the Heart and Soul study. // J. Clin.
Endocrinol. Metab. 2010. Vol. 95, № 6. P. 2885-2891.
275. Fraccarollo D., Galuppo P., Bauersachs J. Mineralocorticoid receptor antagonism and cardiac
remodeling in ischemic heart failure. // Curr. Med. Chem. Cardiovasc. Hematol. Agents. 2004.
Vol. 2, № 4. P. 287-294.
276. Kararigas G., Becher E., Mahmoodzadeh S., Knosalla C., Hetzer R., Regitz-Zagrosek V. Sexspecific modification of progesterone receptor expression by 17β-oestradiol in human cardiac
t№s. // Biol. Sex Differ. 2010. Vol. 1, № 1. P. 2.
277. Bleumink G.S., Feenstra J., Sturkenboom M.C., Stricker B.H. Nonsteroidal anti-inflammatory
drugs and heart failure. // Drugs. 2003. Vol. 63, № 6. P. 525-534.
278. Colecraft H.M., Alseikhan B., Takahashi S.X., Chaudhuri D., Mittman S., Yegnasubramanian
V., Alvania R.S., Johns D.C., Marbán E., Yue D.T. Novel functional properties of Ca(2+)
channel beta subunits revealed by their expression in adult rat heart cells. // J. Physiol. 2002.
Vol. 541, Pt 2. P. 435-452.
279. Goonasekera S.A., Hammer K., Auger-Messier M., Bodi I., Chen X., Zhang H., Reiken S.,
Elrod J.W., Correll R.N., York A.J., Sargent M.A., Hofmann F., Moosmang S., Marks A.R.,
Houser S.R., Bers D.M., Molkentin J.D. Decreased cardiac L-type Ca²⁺ channel activity
induces hypertrophy and heart failure in mice. // J. Clin. Invest. 2012. Vol. 122, № 1. P. 280290.
280. Liu W., Zi M., Chi H., Jin J., Prehar S., Neyses L., Cartwright E.J., Flavell R.A., Davis R.J.,
Wang X. Deprivation of MKK7 in cardiomyocytes provokes heart failure in mice when
exposed to pressure overload. // J. Mol. Cell. Cardiol. 2011. Vol. 50, № 4. P. 702-711.
281. Force T., Kolaja K.L. Cardiotoxicity of kinase inhibitors: the prediction and translation of
preclinical models to clinical outcomes. // Nat. Rev. Drug Discov. 2011. Vol. 10, № 2. P. 111126.
180
282. Thomson D.M., Hancock C.R., Evanson B.G., Kenney S.G., Malan B.B., Mongillo A.D.,
Brown J.D., Hepworth S., Fillmore N., Parcell A.C., Kooyman D.L., Winder W.W. Skeletal
muscle dysfunction in muscle-specific LKB1 knockout mice. // J. Appl. Physiol. (1985). 2010.
Vol. 108, № 6. P. 1775-1785.
283. Wang A., Nomura M., Patan S., Ware J.A. Inhibition of protein kinase Calpha prevents
endothelial cell migration and vascular tube formation in vitro and myocardial
neovascularization in vivo. // Circ. Res. 2002. Vol. 90, № 5. P. 609-616.
284. Scharf M., Neef S, Freund R, Geers-Knörr C, Franz-Wachtel M, Brandis A, Krone D,
Schneider H, Groos S, Menon M.B., Chang K.C., Kraft T., Meissner J.D., Boheler K.R., Maier
L.S., Gaestel M., Scheibe R.J. Mitogen-activated protein kinase-activated protein kinases 2 and
3 regulate SERCA2a expression and fiber type composition to modulate skeletal muscle and
cardiomyocyte function. // Mol. Cell Biol. 2013. Vol. 33, № 13. P. 2586-2602.
285. Ahern C.A., Zhang J.F., Wookalis M.J., Horn R. Modulation of the cardiac sodium channel
NaV1.5 by Fyn, a Src family tyrosine kinase. // Circ. Res. 2005. Vol. 96, № 9. P. 991-998.
286. Dennis A., Wang L., Wan X., Ficker E. hERG channel trafficking: novel targets in druginduced long QT syndrome. // Biochem. Soc. Trans. 2007. Vol. 35, Pt 5. P. 1060-1063.
287. Harada M., Nattel S.N., Nattel S. AMP-activated protein kinase: potential role in cardiac
electrophysiology and arrhythmias. // Circ. Arrhythm. Electrophysiol. 2012. Vol. 5, № 4. P.
860-867.
288. Zhang Q.Y., Wang W., Shi Q.X., Li Y.L., Huang J.H., Yao Y., Li J., Zhang S.M., Fan R., Zhou
J.J., Guo H.T., Wang Y.M., Yin W., Pei J.M. Antiarrhythmic effect mediated by κ-opioid
receptor is associated with Cx43 stabilization. // Crit. Care Med. 2010. Vol. 38, № 12. P. 23652376.
289. Yu X., Zhang W., Bian J., Wong T.M. Pro- and anti-arrhythmic effects of a kappa opioid
receptor agonist: a model for the biphasic action of a local hormone in the heart. // Clin. Exp.
Pharmacol. Physiol. 1999. Vol. 26, № 10. P. 842-844.
181
СПИСОК РАБОТ ОПУБЛИКОВАННЫХ ПО МАТЕРИАЛАМ ДИССЕРТАЦИИ:
1. Ivanov S.M., Lagunin A.A., Pogodin P.V., Filimonov D.A., Poroikov V.V. Identification of
Drug-Induced Myocardial Infarction-Related Protein Targets through the Prediction of DrugTarget Interactions and Analysis of Biological Processes. // Chem. Res. Toxicol. 2014. Vol. 27,
№ 7. P. 1263-1281.
2. Иванов С.М., Лагунин А.А., Захаров А.В., Филимонов Д.А., Поройков В.В.
Компьютерный
поиск
молекулярных
механизмов
ульцерогенного
действия
нестероидных противовоспалительных средств. // Биомедицинская химия. 2014. Том 60,
№ 1. С. 7-16. Ivanov S. M., Lagunin A.A., Zakharov A.V., Filimonov D.A., Poroikov V.V.
Computer Search for Molecular Mechanisms of Ulcerogenic Action of Non-Steroidal AntiInflammatory Drugs. // Biochemistry (Moscow) Supplement Series B: Biomedical Chemistry.
2013. Vol. 7, № 1. P. 40–45.
3. Lagunin A.A., Goel R.K., Gawande D.Y., Pahwa P., Gloriozova T.A., Dmitriev A.V., Ivanov
S.M., Rudik A.V., Konova V.I., Pogodin P.V., Druzhilovsky D.S., Poroikov V.V. Chemo- and
bioinformatics resources for in silico drug discovery from medicinal plants beyond their
traditional use: a critical review. // Nat. Prod. Rep. 2014. DOI: 10.1039/C4NP00068D
4. Погодин П.В., Лагунин А.А., Иванов С.М., Конова В.И., Филимонов Д.А., Поройков
В.В.
Компьютерный
прогноз
взаимодействия
низкомолекулярных
органических
соединений с белками-мишенями. // Вестник РГМУ. 2013. №4. C. 69-74.
5. Koborova O.N., Filimonov D.A., Zakharov A.V., Lagunin A.A., Ivanov S.M., Kel A.,
Poroikov V.V. In silico method for identification of promising anticancer drug targets. // SAR
QSAR Environ. Res. 2009. Vol. 20, № 7-8. P. 755–766.
6. Ivanov S.M., Lagunin A.A., Pogodin P.V., Filimonov D.A., Poroikov V.V. Identification of
drug targets related to the induction of ventricular tachyarrhythmia through systems chemical
biology approach. // Abstr. 20th European Symposium on Quantitative Structure-Activity
Relationship. St-Petersburg (Russia). 2014. P. 126.
7. Lagunin A.A., Ivanov S.M., Pogodin P.V., Filimonov D.A., Poroikov V.V. Chemical systems
biology identification of drug targets related with cardiovascular adverse effects. // Abstr. 20th
European Symposium on Quantitative Structure-Activity Relationship. St-Petersburg (Russia).
2014. P. 53.
8. Иванов С.М., Лагунин А.А., Погодин П.В., Филимонов Д.А., Поройков В.В.
Компьютерная оценка нежелательных мишеней лекарственных соединений, связанных с
182
индукцией инфаркта миокарда. // Материалы XXI Российского национального конгресса
«Человек и лекарство». Москва. 2014. С. 250.
9. Ivanov S.M., Lagunin A.A., Pogodin P.V., Filimonov D.A., Poroikov V.V. In silico
identification of drug-induced myocardial infarction related antitargets by drug target
interactions prediction and analysis of biological networks. // Abstr. 7th International
Symposium “Computational Methods in Toxicology and Pharmacology Integrating Internet
Resources (CMTPI-2013)”. Seoul (Korea). 2013. P. 90.
10. Lagunin A., Ivanov S., Pogodin P., Rudik A., Gloriozova T., Gawande D., Goel R., Poroikov
V. In silico estimation of interactions between the phytoconstituents of medicinal plants and
human regulatory pathways. // Abstr. 9th International Symposium on Integrative
Bioinformatics. Germany. 2013. P.160.
11. Иванов С.М., Лагунин А.А., Захаров А.В., Филимонов Д.А., Поройков В.В.
Компьютерный поиск молекулярных мишеней, связанных с развитием пептических язв,
индуцируемых нестероидными противовоспалительными средствами. // Материалы XIX
Российского национального конгресса «Человек и лекарство». Москва. 2012. С. 508.
12. Иванов С.М. Компьютерный поиск возможных молекулярных мишеней, связанных с
побочными эффектами нестероидных противовоспалительных средств. // Материалы VI
Московского Международного конгресса «Биотехнология: состояние и перспективы
развития». Москва. 2011. С. 403.
13. Koborova O.N., Filimonov D.A., Zakharov A.V., Lagunin A.A., Ivanov S.M., Poroikov V.V.,
Kel A. In silico method for identification of promising anticancer targets. // Abstr. 5th
International Symposium “Computational Methods in Toxicology and Pharmacology
Integrating Internet Resources (CMTPI-2009)”. Istanbul (Turkey). 2009. P. 60.
183
ПРИЛОЖЕНИЕ
Таблица 1
Лекарственные соединения выборок с информацией об исследуемых побочных эффектах
Лекарственное соединение
Abacavir
Abiraterone Acetate
Acamprosate
Acebutolol
Aceclofenac
Acetaminophen
Acetazolamide
Acetylcysteine
Acetylsalicylic Acid
Aciclovir
Acitretin
Adefovir Dipivoxil
Adenosine
Ajmaline
Alendronate
Alfentanil
Alfuzosin
Aliskiren
Allopurinol
Almotriptan
Alosetron
Alprazolam
Alprostadil
Altretamine
Amantadine
Ambrisentan
Amifostine
Amikacin
Amiloride
Aminocaproic Acid
Aminoglutethimide
Aminohippurate
Aminosalicylic Acid
Amiodarone
Amisulpride
Amitriptyline
Amlodipine
Amobarbital
Amoxapine
Amoxicillin
Amphetamine
Amphotericin B
Ampicillin
Amprenavir
Amrinone
Amsacrine
Amyl Nitrite
Anagrelide
Anastrozole
Anidulafungin
Apomorphine
Argatroban
Argipressin
Aripiprazole
Asenapine
Astemizole
ИМ
СН
ЖА
X
X
X
X
X
X
X
X4
X
Н
Н
X4
X4
X2
X
X4
X4
X4
X
X4
X
X
X3
X
X
Н
X
X
X
Н
X
X
X
X
X1
X3
X3
X4
X3
X
X
X4
X4
X
X
X4
X
X
X
X1
X
X
X
X
X
X4
X2
X4
X
X4
X1
Лекарственное соединение
Levetiracetam
Levodopa
Levomethadyl Acetate
Levonorgestrel
Levorphanol
Levothyroxine
Lidocaine
Lincomycin
Linezolid
Liothyronine
Lisdexamfetamine
Lisinopril
Lomefloxacin
Lomustine
Loracarbef
Loratadine
Lorazepam
Losartan
Lovastatin
Loxapine
L-Tryptophan
Lurasidone
Mannitol
Maprotiline
Maraviroc
Mecamylamine
Mechlorethamine
Meclizine
Meclofenamic Acid
Medroxyprogesterone Acetate
Mefenamic Acid
Mefloquine
Megestrol
Meloxicam
Melphalan
Memantine
Meperidine
Mephenytoin
Mepivacaine
Meprobamate
Mercaptopurine
Meropenem
Mesalazine
Mesoridazine
Metaraminol
Metaxalone
Metformin
Methadone
Methamphetamine
Methazolamide
Methimazole
Methocarbamol
Methohexital
Methotrexate
Methoxsalen
Methsuximide
ИМ
СН
X
X1
X
X
X
X
X
X
X
X
X
X
ЖА
X
X4
X4
Н
X4
X4
X
X4
X
X
X
X4
X
X
X
X
X
X
X4
X
X
X
X
X
X4
X1
X
X
X
X1
184
Atazanavir
Atenolol
Atomoxetine
Atorvastatin
Atovaquone
Atropine
Azacitidine
Azathioprine
Azilsartan Medoxomil
Azithromycin
Aztreonam
Baclofen
Bedaquiline
Benazepril
Bendamustine
Bendroflumethiazide
Benzatropine
Benzonatate
Benzphetamine
Bepridil
Betahistine
Betaine
Betaxolol
Bexarotene
Bezafibrate
Bicalutamide
Biperiden
Bisacodyl
Bisoprolol
Bortezomib
Bosentan
Bosutinib
Bromazepam
Bromocriptine
Brompheniramine
Bumetanide
Bupivacaine
Buprenorphine
Bupropion
Buserelin
Buspirone
Busulfan
Butabarbital
Butorphanol
Cabergoline
Caffeine
Calcitriol
Candesartan Cilexetil
Capecitabine
Captopril
Carbamazepine
Carbenicillin
Carbinoxamine
Carboprost Tromethamine
Carglumic Acid
Carisoprodol
Carmustine
Carvedilol
Caspofungin
Cefaclor
Cefadroxil
Cefamandole
Cefazolin
Cefdinir
Cefditoren Pivoxil
Cefepime
Cefixime
X
X
X
X
X2
Н
X4
X4
X1
Н
X
Н
X2
X
X
X1
X
X
X
X
X
X
X
X
Н
X
X
X
Н
X
X
X4
X4
X4
X
X
X
X4
X2
X4
X2
X
X
X
X
X
X
X
X
X
X4
X
X
X
X
X
Н
X
Н
X4
Methyclothiazide
Methyldopa
Methylergonovine
Methylphenidate
Methylphenobarbital
Methylprednisolone
Methyltestosterone
Methysergide
Metoclopramide
Metolazone
Metoprolol
Metronidazole
Metyrapone
Metyrosine
Mexiletine
Miconazole
Midazolam
Midodrine
Mifepristone
Miglitol
Miglustat
Milnacipran
Milrinone
Minocycline
Minoxidil
Mirabegron
Mirtazapine
Misoprostol
Mitomycin
Mitotane
Mitoxantrone
Modafinil
Moexipril
Molindone
Montelukast
Moricizine
Morphine
Moxifloxacin
Mycophenolate Mofetil
Nabilone
Nabumetone
Nadolol
Nafcillin
Nalbuphine
Nalidixic Acid
Nalmefene
Naloxone
Naltrexone
Nandrolone Decanoate
Naproxen
Naratriptan
Nateglinide
Nebivolol
Nefazodone
Nelarabine
Nelfinavir
Nevirapine
Niacin
Nicardipine
Nicotine
Nifedipine
Nilotinib
Nilutamide
Nimodipine
Nisoldipine
Nitazoxanide
Nitisinone
X
X
X
X
Н
X
X
X4
X
X4
X
Н
X4
X4
X2
Н
X
X
X
X4
Н
X
X2
X2
X
X
X
X
X
X
X
X4
X4
X
X4
X
X
X1
X4
X
X
X
X
X
X
X
X
X4
X
X
X4
X
X4
X
X
X
X
X
X2
X
X
X
X
X
X4
X2
185
Cefoperazone
Cefotaxime
Cefotetan
Cefoxitin
Cefpodoxime
Cefprozil
Cefradine
Ceftaroline Fosamil
Ceftazidime
Ceftibuten
Ceftizoxime
Ceftobiprole Medocaril
Ceftriaxone
Cefuroxime
Celecoxib
Cephalexin
Cerivastatin
Cetirizine
Cevimeline
Chlorambucil
Chloramphenicol
Chlordiazepoxide
Chloroprocaine
Chloroquine
Chlorothiazide
Chlorpheniramine
Chlorpromazine
Chlorpropamide
Chlorthalidone
Chlorzoxazone
Cidofovir
Cilazapril
Cilostazol
Cimetidine
Cinacalcet
Cinoxacin
Ciprofloxacin
Cisapride
Citalopram
Cladribine
Clarithromycin
Clemastine
Clevidipine Butyrate
Clindamycin Phosphate
Clobazam
Clofarabine
Clofazimine
Clofibrate
Clomifene
Clomipramine
Clonazepam
Clonidine
Clopidogrel
Clorazepate
Clozapine
Cocaine
Codeine
Colchicine
Colistin
Conivaptan
Cortisone Acetate
Crizotinib
Cromoglicic Acid
Cyclobenzaprine
Cyclophosphamide
Cycloserine
Cyclosporine
X
X
X
X
X4
X4
X
X
X1
X1
X
X
X
X
X4
X
X
X
X
X3
X1
X1
X1
X4
X
X
X
Н
X
X
Н
X
X
X
X
X
X
X
Н
X
Н
X
X
X
X3
X4
X2
X1
X4
X2
Nitrazepam
Nitrofurantoin
Nitroglycerin
Nizatidine
Norepinephrine
Norethindrone
Norfloxacin
Nortriptyline
Octreotide
Ofloxacin
Olanzapine
Olmesartan Medoxomil
Omeprazole
Ondansetron
Orciprenaline
Orphenadrine
Oseltamivir
Oxacillin
Oxandrolone
Oxaprozin
Oxazepam
Oxcarbazepine
Oxybutynin
Oxycodone
Oxymetholone
Oxytetracycline
Oxytocin
Paclitaxel
Paliperidone
Palonosetron
Pamidronate
Pantoprazole
Papaverine
Paricalcitol
Paroxetine
Pazopanib
Pemetrexed
Pemoline
Penbutolol
Penicillamine
Penicillin G
Penicillin V
Pentamidine
Pentazocine
Pentobarbital
Pentostatin
Pentoxifylline
Perflubron
Pergolide
Perindopril
Perphenazine
Phenazopyridine
Phendimetrazine
Phenelzine
Phenobarbital
Phenoxybenzamine
Phentermine
Phentolamine
Phenylephrine
Phenytoin
Physostigmine
Phytonadione
Pilocarpine
Pimozide
Pindolol
Pioglitazone
Piperacillin
X
X4
X
X
X
X
X
X
X
X
X2
X3
X4
X2
X2
X4
X1
X4
X
X
X
X
X2
X4
X2
X4
X
X
X
X
X4
X
X
X
X
X3
X2
X
X
X1
X
X
X
X
X
X
X4
X
X4
X
X4
X
X4
X
X
X1
X
X
X
186
Cyproheptadine
Cyproterone
Cytarabine
Dabigatran Etexilate
Dabrafenib
Dacarbazine
Dalfampridine
Danazol
Dantrolene
Dapsone
Darifenacin
Darunavir
Dasatinib
Daunorubicin
Decitabine
Deferasirox
Deferiprone
Deferoxamine
Delavirdine
Demeclocycline
Desflurane
Desipramine
Desloratadine
Desmopressin
Desvenlafaxine
Dexamethasone/Betamethasone
Dexmedetomidine
Dexpanthenol
Dexrazoxane
Diatrizoate
Diazepam
Diazoxide
Diclofenac
Dicloxacillin
Dicyclomine
Didanosine
Diethylpropion
Diflunisal
Digoxin
Dihydroergotamine
Diltiazem
Dimercaprol
Dinoprostone
Diphenhydramine
Dipyridamole
Disopyramide
Disulfiram
Dobutamine
Docetaxel
Dofetilide
Dolasetron
Domperidone
Donepezil
Dopamine
Doripenem
Doxapram
Doxazosin
Doxepin
Doxercalciferol
Doxorubicin/Epirubicin
Doxycycline
Dronabinol
Dronedarone
Droperidol
Duloxetine
Dutasteride
Dyphylline
X
X
Н
X
X
Н
X2
X
X
X
X
X
X
X
X
X
X2
X4
X
X
X
X
X
X
X
X
X
X
X2
X
X
X
X
X
X4
X3
X4
X4
X
X
X
X
X4
X4
X4
X
X
X
X
X
X
X
X
X
X
X3
X4
X1
X4
X4
X1
X2
X1
X4
X4
X
X
X4
X4
X3
X
X
X4
X
X1
X1
X
X
Pipotiazine
Piroxicam
Pitavastatin
Pizotyline
Plerixafor
Plicamycin
Polidocanol
Polymyxin B Sulfate
Polythiazide
Posaconazole
Pralatrexate
Pramipexole
Prasugrel
Pravastatin
Praziquantel
Prazosin
Prednisolone
Prednisone
Pregabalin
Prenylamine
Prilocaine
Primaquine
Primidone
Probenecid
Probucol
Procainamide
Procaine
Procarbazine
Prochlorperazine
Procyclidine
Progesterone
Promethazine
Propafenone
Propofol
Propoxyphene
Propranolol
Propylthiouracil
Protriptyline
Pyrazinamide
Pyridoxine
Pyrimethamine
Quazepam
Quetiapine
Quinapril
Quinidine/Quinine
Rabeprazole
Raloxifene
Raltegravir
Raltitrexed
Ramelteon
Ramipril
Ranitidine
Ranolazine
Rasagiline
Regadenoson
Remifentanil
Repaglinide
Reserpine
Ribavirin
Rifabutin
Rifampin
Rifapentine
Rilpivirine
Riluzole
Rimantadine
Risedronate
Risperidone
X
X
X
X
X3
X
X
X4
X
X
X
X
Н
X4
X4
X
X
X
Н
X4
X1
X4
Н
Н
X
X
X
X
X
X
X
X
X
X1
X1
X2
X4
X4
X3
X4
X
X2
X
X1
X4
X
X
X
X
X
X
X2
X4
X4
X
Н
X
Н
X
X
X2
X4
X2
187
Edetic Acid
Efavirenz
Eletriptan
Emtricitabine
Enalapril
Encainide
Enflurane
Enoxacin
Enoxaparin
Enoximone
Entacapone
Entecavir
Ephedrine
Epinephrine
Eplerenone
Epoprostenol
Eprosartan
Eptifibatide
Ergocalciferol
Ergotamine
Eribulin
Erlotinib
Ertapenem
Erythromycin
Esmolol
Estazolam
Estradiol
Estramustine Phosphate
Ethacrynic Acid
Ethambutol
Ethionamide
Ethosuximide
Ethotoin
Etodolac
Etomidate
Etonogestrel
Etoposide
Etravirine
Everolimus
Exemestane
Ezetimibe
Ezogabine
Famciclovir
Famotidine
Febuxostat
Felbamate
Felodipine
Fenfluramine
Fenofibrate
Fenoldopam
Fenoprofen
Fentanyl
Fesoterodine
Fexofenadine
Finasteride
Fingolimod
Flavoxate
Flecainide
Fluconazole
Flucytosine
Fludarabine
Fludrocortisone Acetate
Flumazenil
Fluorescein
Fluorouracil
Fluoxetine
Fluoxymesterone
X
X
X4
X
X
Н
Н
X4
X4
X4
X4
X
X
X4
X4
X
X2
X
X
X
X
X
X
X
X4
X1
X4
X
X
X
X
X
X
X
X2
X
X
X
X
X
X
X2
X
X
X
X4
X4
X2
X
X
X1
X3
X
X
X
X4
X
X
X
X
X4
X3
Ritonavir
Rivaroxaban
Rivastigmine
Rizatriptan
Rofecoxib
Roflumilast
Romidepsin
Ropinirole
Ropivacaine
Rosiglitazone
Rosuvastatin
Rotigotine
Roxithromycin
Rufinamide
Ruxolitinib
Salbutamol
Salsalate
Saquinavir
Saxagliptin
Scopolamine
Secobarbital
Selegiline
Sertindole
Sertraline
Sevoflurane
Sibutramine
Sildenafil
Silodosin
Simvastatin
Sincalide
Sirolimus
Sitagliptin
Sitaxentan
Solifenacin
Sorafenib
Sotalol
Sparfloxacin
Spectinomycin
Spiramycin
Spironolactone
Stavudine
Streptomycin
Streptozocin
Succimer
Sufentanil
Sulfadiazine
Sulfinpyrazone
Sulfisoxazole
Sulindac
Sulpiride
Sumatriptan
Sunitinib
Tacrine
Tacrolimus
Tadalafil
Tamoxifen
Tamsulosin
Tapentadol
Tegaserod
Telbivudine
Telithromycin
Telmisartan
Temazepam
Temozolomide
Temsirolimus
Teniposide
Tenofovir
X
X3
X
X
X
X
X
X
X
X
Н
X4
X4
X
X4
X4
X
X
Н
X4
X2
X4
X2
X
Н
X
X
X
X
Н
X
X2
X3
X1
X4
X
X
X
X
X
X
X
Н
Н
X4
X3
X2
X1
X1
X4
X4
X
Н
X
X
X
X
X
X
Н
X
X
X
X
X1
X4
X2
X2
X2
X2
X
X
188
Fluphenazine
Flurazepam
Flurbiprofen
Flutamide
Fluvastatin
Fluvoxamine
Folic Acid
Fomepizole
Formoterol
Fosamprenavir
Fosaprepitant
Fosfomycin
Fosinopril
Fosphenytoin
Frovatriptan
Fulvestrant
Furazolidone
Furosemide
Gabapentin
Galantamine
Gamma Hydroxybutyric Acid
Gamma-Phenyl-Butyric Acid
Ganciclovir
Gatifloxacin
Gefitinib
Gemcitabine
Gemfibrozil
Gemifloxacin
Gliclazide
Glimepiride
Glipizide
Glyburide
Granisetron
Grepafloxacin
Griseofulvin
Guaifenesin
Guanabenz
Guanethidine
Guanfacine
Halofantrine
Haloperidol
Hydralazine
Hydrochlorothiazide
Hydrocortisone
Hydroflumethiazide
Hydromorphone
Hydroxychloroquine
Hydroxyprogesterone Caproate
Hydroxyzine
Ibandronate
Ibuprofen
Ibutilide
Idarubicin
Ifosfamide
Iloperidone
Iloprost
Imatinib
Imipramine
Indapamide
Indinavir
Indomethacin
Iodipamide
Iohexol
Iopamidol
Iopromide
Iothalamic Acid
Ioversol
X4
X
X
X
X
X
X
X
X
X4
X4
X
X
X
X2
X4
X3
X
X
X
X
X3
X4
X2
X4
X
X
X
X
X2
X2
X4
X
X
X
X
X
X1
X1
X3
X
X
X
X
X
X
X4
X4
X4
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X4
X4
X
X
X4
X1
X4
X2
X3
X3
X4
Terazosin
Terbinafine
Terbutaline
Terfenadine
Terodiline
Testosterone
Tetrabenazine
Tetracaine
Tetracycline
Tetrahydrobiopterin
Thalidomide
Theophylline
Thiabendazole
Thiethylperazine
Thioguanine
Thiopental
Thioridazine
Thiotepa
Thiothixene
Tiagabine
Tiapride
Ticagrelor
Ticlopidine
Tigecycline
Tiludronate
Timolol
Tinidazole
Tipranavir
Tirofiban
Tizanidine
Tobramycin
Tocainide
Tolazamide
Tolazoline
Tolbutamide
Tolcapone
Tolmetin
Tolterodine
Tolvaptan
Topiramate
Topotecan
Torasemide
Toremifene
Tramadol
Trandolapril
Tranexamic Acid
Tranylcypromine
Trazodone
Treprostinil
Tretinoin/Isotretinoin/Alitretinoin
Triamcinolone Acetonide
Triamterene
Triazolam
Trifluoperazine
Trihexyphenidyl
Trimethadione
Trimethobenzamide
Trimethoprim
Trimetrexate
Trimipramine
Troglitazone
Troleandomycin
Trovafloxacin
Ulipristal Acetate
Urofollitropin
Ursodeoxycholic Acid
Valaciclovir
X
Н
Н
X1
X1
X2
X
X
X
X4
X1
X
Н
Н
X4
X
X4
X
X
X
X2
X
X
X4
X
X
X
X2
X4
X
X
X
X4
X2
X4
X
X
X
X
X
X
X
X3
X3
X
189
Ioxilan
Valdecoxib
X
X
X4
Irbesartan
X
X
Valganciclovir
Irinotecan
X
Valproic Acid
Isocarboxazid
Valsartan
Isoflurane
Vandetanib
X
X1
Isoniazid
Vardenafil
X
X2
Isoproterenol
X4
Varenicline
X
Isosorbide Dinitrate
X
Vemurafenib
X2
Isosorbide Mononitrate
X
X
X4
Venlafaxine
X
X
X2
Isoxsuprine
Verapamil
X
X
X4
Isradipine
X
X
X2
Vigabatrin
Itraconazole
X
X3
Vilazodone
Ixabepilone
Vinblastine
X
Kanamycin
Vincristine
X
Ketamine
Vinorelbine
X
Ketoconazole
X3
Vitamin A
Ketoprofen
X
X
Vitamin C
Ketorolac
X
X
X4
Voriconazole
X
X
X2
Ketotifen
Vorinostat
X
X2
Labetalol
X
X
X4
Warfarin
Lacosamide
Yohimbine
Lamivudine
Zafirlukast
Lamotrigine
X
Zalcitabine
X
Lanreotide
Zaleplon
X4
Lansoprazole
X
Zanamivir
Lapatinib
Н
Н
X2
Zidovudine
X
L-Arginine
Zileuton
L-Carnitine
Ziprasidone
X
X2
Leflunomide
Zoledronate
Lenalidomide
X
X
Zolmitriptan
X
X4
Letrozole
X
X
Zolpidem
X
X4
Leucovorin
Zonisamide
X
Leuprolide
X
X
Zopiclone
ИМ – инфаркт миокарда; СН – сердечная недостаточность; ЖА – желудочковые аритмии; X – данное лекарственное соединение вызывает
данный побочный эффект; X1 – соединение, обладающее способностью вызывать Torsade de Pointes, по данным CredibleMeds; X2 – соединение,
обладающее способностью вызывать удлинение интервала QT на ЭКГ по данным CredibleMeds, но для оценки его способности вызывать
Torsade de Pointes недостаточно данных; X3 – соединение, обладающее способностью вызывать Torsade de Pointes только в специфических
условиях (по данным CredibleMeds); X4 – информация о способности этого соединения вызывать желудочковые аритмии была получена из
источников, отличных от CredibleMeds; Н – данное соединение не входит в соответствующую выборку.
190
Таблица 2
Информация о вершинах регуляторной сети кардиомиоцита
Идентификатор
вершины
Q8IZP0
P00519
P42684
Q13085
O00763
32
P24666
Actin
Q08462
O60266
Q8NFM4
O95622
O43306
P51828
P40145
O60503
P35611
P35612
134
P30542
135
P29274
P29275
P35348
P35368
P25100
153
P08588
P07550
P25098
Q99490
Q15109
P30556
P50052
Q9UKA4
Q02952
Q12802
Q9Y2D5
O75969
Q5JQC9
P24588
O43823
P31749
208
P31751
Q9Y243
Q9UM73
AMP
AMPK
O14727
P27695
Q9UBZ4
P02649
P10275
367
P10398
P84077
P53365
Название вершины
ABI1
ABL1
ABL2
ACACA
ACACB
ACACB
ACP1
ACTIN
ADCY2
ADCY3
ADCY4
ADCY5
ADCY6
ADCY7
ADCY8
ADCY9
ADD1
ADD2
ADORA1
ADORA1
ADORA2A
ADORA2A
ADORA2B
ADRA1A
ADRA1B
ADRA1D
ADRB1
ADRB1
ADRB2
ADRBK1
AGAP2
AGER
AGTR1
AGTR2
AKAP11
AKAP12
AKAP13
AKAP2
AKAP3
AKAP4
AKAP5
AKAP8
AKT1
AKT2
AKT2
AKT3
ALK
AMP
AMPK
APAF1
APEX1
APEX2
APOE
AR
AR
ARAF
ARF1
ARFIP2
Q07960
ARHGAP1
A1A4S6
A7KAX9
Q9NRY4
Q13017
P52565
P52566
Q99819
Q92888
Q9HCE6
ARHGAP10
ARHGAP32
ARHGAP35
ARHGAP5
ARHGDIA
ARHGDIB
ARHGDIG
ARHGEF1
ARHGEF10L
Идентификатор
вершины
P07332
P11362
P21802
2263
P22455
P09769
2274
Q14192
Q14318
Formin
P01100
2353
O43524
P98177
Q9BZS1
Q92837
frizzled receptors
Q8WU20
P06241
Q9UM11
G-alpha-11
G-alpha-12
G-alpha-13
G-alpha-14
G-alpha-15
G-alpha-i
G-alpha-o
G-alpha-q
G-alpha-s
G-alpha-z
G-beta:G-gamma
P35575
2538
Gab-1
Q9UQC2
GADD45
GADD45 gene
O14976
Q14393
2623
P15976
P23769
P23771
2626
P43694
2627
Q92908
P17302
2697
P63244
P07203
O75791
Q13322
Q14449
P62993
Q14451
P49840
P49841
Guanylate cyclase
soluble
P13807
P54257
Q13547
Q92769
O15379
P56524
Q9UQL6
Q8WUI4
Q9BY41
Название вершины
FES
FGFR1
FGFR2
FGFR2
FGFR4
FGR
FHL2
FHL2
FKBP8
FORMIN
FOS
FOS
FOXO3
FOXO4
FOXP3
FRAT1
FRIZZLED RECEPTORS
FRS2
FYN
FZR1
G-ALPHA-11
G-ALPHA-12
G-ALPHA-13
G-ALPHA-14
G-ALPHA-15
G-ALPHA-I
G-ALPHA-O
G-ALPHA-Q
G-ALPHA-S
G-ALPHA-Z
G-BETA:G-GAMMA
G6PC
G6PC
GAB-1
GAB2
GADD45
GADD45 GENE
GAK
GAS6
GATA1
GATA1
GATA2
GATA3
GATA4
GATA4
GATA6
GATA6
GJA1
GJA1
GNB2L1
GPX1
GRAP2
GRB10
GRB14
GRB2
GRB7
GSK3A
GSK3B
GUANYLATE CYCLASE
SOLUBLE
GYS1
HAP1
HDAC1
HDAC2
HDAC3
HDAC4
HDAC5
HDAC7
HDAC8
Идентификатор
вершины
Q15118
Q9P0J1
O15530
O60825
Q16875
P06401
Q16816
Phosphatidic acid
PI3K IA class
PI3K IB class
O75925
O75928
Q9Y2I7
5292
P11309
11040
Q9P1W9
Q86V86
Q13526
5300
PIP2
PIP3
PKAc
P61925
Q9C010
Q9Y2B9
Q99640
Q16512
Q16513
Q9NQ66
Q00722
P51178
Q9P212
P19174
P16885
Q13393
5337
O14939
P53350
10769
Q9NYY3
Q9H4B4
P26678
O43157
Q13794
5366
PMCA
P29590
PP1
PP2A
Q07869
5468
P37231
Q9UBK2
Q86YN6
P35813
O75688
Q96KQ4
Название вершины
PDK1
PDP1
PDPK1
PFKFB2
PFKFB3
PGR
PHKG1
PHOSPHATIDIC ACID
PI3K IA CLASS
PI3K IB CLASS
PIAS1
PIAS2
PIKFYVE
PIM1
PIM1
PIM2
PIM2
PIM3
PIN1
PIN1
PIP2
PIP3
PKAC
PKIA
PKIB
PKIG
PKMYT1
PKN1
PKN2
PLCB1
PLCB2
PLCD1
PLCE1
PLCG1
PLCG2
PLD1
PLD1
PLD2
PLK1
PLK2
PLK2
PLK3
PLN
PLXNB1
PMAIP1
PMAIP1
PMCA
PML
PP1
PP2A
PPARA
PPARG
PPARG
PPARGC1A
PPARGC1B
PPM1A
PPM1B
PPP1R13B
Q96A00
PPP1R14A
Q9UD71
P60510
P53041
Q8TCU6
P17252
P05771
Q05655
Q02156
P05129
PPP1R1B
PPP4C
PPP5C
PREX1
PRKCA
PRKCB
PRKCD
PRKCE
PRKCG
191
Q9NZN5
Q92974
Q9NR81
Q14155
ARP2/3
P49407
P32121
P18846
P15336
472
Q13315
ATP
P16615
Q13535
O14965
P37288
O15169
Q9Y2T1
572
Q92934
573
Q99933
O95816
O95817
Q9UQB8
Q16611
Q07812
581
27113
Q9BXH1
P56945
P10415
596
Q16548
597
Q07817
598
Q9HD36
O43521
10018
Q92843
P55957
Q13323
329
Q13490
330
Q13489
O15392
332
Q8WV28
Q96LC9
P51813
Q12982
P15056
P38398
672
P51587
c-jun/c-fos
Ca2+
Q9Y376
Q9Y6J0
Q9NZU7
Q13936
O43497
O95180
P27708
790
CAK
Calcineurin A
P62158
Calpain 2
CaMKI
CaMKII
CaMKIV
Q8N5S9
Q96RR4
cAMP
ARHGEF12
ARHGEF2
ARHGEF3
ARHGEF7
ARP2/3
ARRB1
ARRB2
ATF1
ATF2
ATM
ATM
ATP
ATP2A2
ATR
AURKA
AVPR1A
AXIN1
AXIN2
BAD
BAD
BAG1
BAG1
BAG2
BAG3
BAIAP2
BAK1
BAX
BAX
BBC3
BBC3
BCAR1
BCL2
BCL2
BCL2A1
BCL2A1
BCL2L1
BCL2L1
BCL2L10
BCL2L11
BCL2L11
BCL2L2
BID
BIK
BIRC2
BIRC2
BIRC3
BIRC3
BIRC5
BIRC5
BLNK
BMF
BMX
BNIP2
BRAF
BRCA1
BRCA1
BRCA2
C-JUN/C-FOS
CA2+
CAB39
CABIN1
CABP1
CACNA1C
CACNA1G
CACNA1H
CAD
CAD
CAK
CALCINEURIN A
CALM1
CALPAIN 2
CAMKI
CAMKII
CAMKIV
CAMKK1
CAMKK2
CAMP
Q9UKV0
P14210
3091
Q16665
Q86Z02
Q9H2X6
P09429
P04035
P41235
3172
P01112
P35367
P25021
O00198
8739
Q00613
3320
P07900
P11142
3315
P04792
Q9NZL4
Q92598
P28223
P41595
Q13639
O43464
P42858
P05019
P08069
P01344
P17936
O95163
O14920
Q14164
Q9Y6K9
P14778
P27930
Q9NPH3
Q13418
Q9H0C8
P06213
insulin
IP3
P46940
P51617
O43187
Q9Y616
Q14653
3665
Q92985
P35568
8660
Q9Y4H2
O14654
Q96J02
P05556
P16144
3708
Q14643
P23458
O60674
3718
P52333
3725
P05412
3726
P17275
P17535
P14923
Q92831
Q16322
P22460
Q9UK17
P15382
Q12809
P63252
HDAC9
HGF
HIF1A
HIF1A
HIPK1
HIPK2
HMGB1
HMGCR
HNF4A
HNF4A
HRAS
HRH1
HRH2
HRK
HRK
HSF1
HSP90AA1
HSP90AA1
HSPA8
HSPB1
HSPB1
HSPBP1
HSPH1
HTR2A
HTR2B
HTR4
HTRA2
HTT
IGF1
IGF1R
IGF2
IGFBP3
IKBKAP
IKBKB
IKBKE
IKBKG
IL1R1
IL1R2
IL1RAP
ILK
ILKAP
INSR
INSULIN
IP3
IQGAP1
IRAK1
IRAK2
IRAK3
IRF3
IRF7
IRF7
IRS1
IRS2
IRS2
IRS4
ITCH
ITGB1
ITGB4
ITPR1
ITPR1
JAK1
JAK2
JAK3
JAK3
JUN
JUN
JUNB
JUNB
JUND
JUP
KAT2B
KCNA10
KCNA5
KCND3
KCNE1
KCNH2
KCNJ2
P24723
P41743
Q04759
Q05513
Q15139
Q9BZL6
P78527
Q13976
Q13237
Profilin
P07225
5663
P49768
P49810
5664
5728
P60484
Q05397
Q14289
P18031
5770
Q06124
Q05209
P23467
P10586
Q12913
P28827
Q15256
P49023
P62491
P63000
P54725
Q99638
P04049
P11233
P11234
Q15311
Q12967
Q5JS13
P62826
P49792
Q96S59
P62834
P61224
P47736
P52306
P10114
P61225
Q13905
Q9Y4G8
O95398
Q8WZA2
Q92565
Q9UL19
P20936
Q15283
Q14644
Q9Y272
Q13972
O14827
O95267
Q7LDG7
Q8IV61
Q8TDF6
Q9NS23
Q8WWW0
P06400
Q08999
P62877
Q04206
RGL
O43665
O94810
O43566
O15492
Q9NS28
P41220
PRKCH
PRKCI
PRKCQ
PRKCZ
PRKD1
PRKD2
PRKDC
PRKG1
PRKG2
PROFILIN
PROS1
PSEN1
PSEN1
PSEN2
PSEN2
PTEN
PTEN
PTK2
PTK2B
PTPN1
PTPN1
PTPN11
PTPN12
PTPRB
PTPRF
PTPRJ
PTPRM
PTPRR
PXN
RAB11A
RAC1
RAD23A
RAD9A
RAF1
RALA
RALB
RALBP1
RALGDS
RALGPS1
RAN
RANBP2
RANBP9
RAP1A
RAP1B
RAP1GAP
RAP1GDS1
RAP2A
RAP2B
RAPGEF1
RAPGEF2
RAPGEF3
RAPGEF4
RAPGEF5
RARRES3
RASA1
RASA2
RASA3
RASD1
RASGRF1
RASGRF2
RASGRP1
RASGRP2
RASGRP3
RASGRP4
RASSF1
RASSF5
RB1
RBL2
RBX1
RELA
RGL
RGS10
RGS11
RGS14
RGS16
RGS18
RGS2
192
P27824
Q86X55
P29466
834
Q92851
P42575
P42574
P49662
P55212
P55210
840
Q14790
Q9UKL3
P55211
O14958
P04040
847
857
Q03135
P22681
P14635
P24385
595
P30279
894
896
P30281
P41597
Q9UNH5
O60729
P30304
993
P30305
P30307
P49427
P60953
Q5VT25
Q9Y5S2
Q9NRR8
P06493
Q00536
1017
P24941
Q00526
Q00535
Q00534
1021
1026
P38936
1027
P46527
1028
P49918
P42771
1029
Q8N726
P42772
1030
P42773
1031
P55273
Q16878
1036
P17676
1051
P23528
Q9Y281
cGMP
O14757
1111
O96017
Choline
P11229
P08172
P20309
P08173
O15111
CANX
CARM1
CASP1
CASP1
CASP10
CASP2
CASP3
CASP4
CASP6
CASP7
CASP7
CASP8
CASP8AP2
CASP9
CASQ2
CAT
CAT
CAV1
CAV1
CBL
CCNB1
CCND1
CCND1
CCND2
CCND2
CCND3
CCND3
CCR2
CDC14A
CDC14B
CDC25A
CDC25A
CDC25B
CDC25C
CDC34
CDC42
CDC42BPA
CDC42BPB
CDC42SE1
CDK1
CDK16
CDK2
CDK2
CDK3
CDK5
CDK6
CDK6
CDKN1A
CDKN1A
CDKN1B
CDKN1B
CDKN1C
CDKN1C
CDKN2A
CDKN2A
CDKN2A
CDKN2B
CDKN2B
CDKN2C
CDKN2C
CDKN2D
CDO1
CDO1
CEBPB
CEBPB
CFL1
CFL2
CGMP
CHEK1
CHEK1
CHEK2
CHOLINE
CHRM1
CHRM2
CHRM3
CHRM4
CHUK
P48549
P48050
P48544
P51787
KDELR
Q92845
Q13118
Q9NR64
P01116
Q8IVT5
Q9UHA4
Q14847
O43561
O95835
Q9NRM7
Q13094
3939
P00338
P53667
P53671
P48059
Q05469
P02545
P20700
O75581
Q86UL8
Q5TCQ9
P11137
Q02750
P36507
P46734
P45985
Q13163
P52564
O14733
Q13233
Q02779
Q16584
Q12852
O43283
Q99558
Q9Y2U5
Q99759
Q9Y6R4
Q99683
O43318
P41279
4134
P27816
Q92918
Q12851
5871
Q8IVH8
O95819
Q9Y4K4
P28482
P53779
Q15759
P53778
O15264
Q16539
P27361
Q16659
Q13164
P45983
Q9UQF2
Q13387
Q9UPT6
P45984
P49137
Q16644
Q8IW41
P10636
Q9P0L2
Q7KZI7
P27448
Q96L34
KCNJ3
KCNJ4
KCNJ5
KCNQ1
KDELR
KIFAP3
KLF10
KLHL1
KRAS
KSR1
LAMTOR3
LASP1
LAT
LATS1
LATS2
LCP2
LDHA
LDHA
LIMK1
LIMK2
LIMS1
LIPE
LMNA
LMNB1
LRP6
MAGI2
MAGI3
MAP2
MAP2K1
MAP2K2
MAP2K3
MAP2K4
MAP2K5
MAP2K6
MAP2K7
MAP3K1
MAP3K10
MAP3K11
MAP3K12
MAP3K13
MAP3K14
MAP3K2
MAP3K3
MAP3K4
MAP3K5
MAP3K7
MAP3K8
MAP4
MAP4
MAP4K1
MAP4K2
MAP4K2
MAP4K3
MAP4K4
MAP4K5
MAPK1
MAPK10
MAPK11
MAPK12
MAPK13
MAPK14
MAPK3
MAPK6
MAPK7
MAPK8
MAPK8IP1
MAPK8IP2
MAPK8IP3
MAPK9
MAPKAPK2
MAPKAPK3
MAPKAPK5
MAPT
MARK1
MARK2
MARK3
MARK4
P49796
P49798
P49802
Q15382
P61586
P62745
Q13671
Q13546
O43353
RIT
Q96EQ8
Q13464
O75116
P62753
Q15418
Q15349
P51812
O75676
O75582
P23443
Q9UBS0
Q8N122
P10301
Q9BST9
P21817
Q92736
Q15413
Q9H4B6
Q12770
22937
Q14524
P05121
5054
Q8TBK2
Q8WTS6
O00141
Q96BR1
Q9NRF2
O14492
Q15464
P29353
P57059
Q9H0K1
Q9Y2K2
Q9BRV8
Q96FS4
Q96EB6
23411
O95343
P12755
P12757
P14672
6517
P32418
P19634
Q9H2G2
SMAD2
P84022
Q13485
4092
O15105
P51532
Q9HCE7
Q9HAU4
P37840
Q9Y6H5
8651
O15524
O14543
9021
P00441
6647
P04179
6648
Sos
P08047
O43609
RGS3
RGS4
RGS7
RHEB
RHOA
RHOB
RIN1
RIPK1
RIPK2
RIT
RNF125
ROCK1
ROCK2
RPS6
RPS6KA1
RPS6KA2
RPS6KA3
RPS6KA4
RPS6KA5
RPS6KB1
RPS6KB2
RPTOR
RRAS
RTKN
RYR1
RYR2
RYR3
SAV1
SCAP
SCAP
SCN5A
SERPINE1
SERPINE1
SETD6
SETD7
SGK1
SGK3
SH2B1
SH2B2
SHB
SHC1
SIK1
SIK2
SIK3
SIKE1
SIPA1
SIRT1
SIRT1
SIX3
SKI
SKIL
SLC2A4
SLC2A4
SLC8A1
SLC9A1
SLK
SMAD2
SMAD3
SMAD4
SMAD7
SMAD7
SMARCA4
SMURF1
SMURF2
SNCA
SNCAIP
SOCS1
SOCS1
SOCS3
SOCS3
SOD1
SOD1
SOD2
SOD2
SOS
SP1
SPRY1
193
Q99828
CKII
Clathrin
P49759
P49760
P21554
P34972
Q92905
1375
Q92523
P78560
P16220
Q92793
P46108
P46109
Q53ET0
O43186
P41240
P48729
P48730
P49674
P35222
1499
O60716
Q14247
Q13616
CyclinB:Cdk1
cyclinE:Cdk3
Q96F07
Q99418
Cytochrome C
O75553
DAG
Q9UN19
Q9UER7
Q9UJU6
O00273
O76075
Q13574
Q9NR28
O60610
Q9NSV4
22943
O94907
CIB1
CKII
CLATHRIN
CLK1
CLK2
CNR1
CNR2
COPS5
CPT1B
CPT1B
CRADD
CREB1
CREBBP
CRK
CRKL
CRTC2
CRX
CSK
CSNK1A1
CSNK1D
CSNK1E
CTNNB1
CTNNB1
CTNND1
CTTN
CUL1
CYCLINB:CDK1
CYCLINE:CDK3
CYFIP2
CYTH2
CYTOCHROME C
CYTOSOLIC
PHOSPHOLIPASE
A2
DAB1
DAG
DAPP1
DAXX
DBNL
DFFA
DFFB
DGKZ
DIABLO
DIAPH1
DIAPH3
DKK1
DKK1
P78352
DLG4
Q09013
P31689
O60884
Q8WW22
P25686
Q13217
Q9H3Z4
P50570
Q14185
DOCK2
Q99704
P21728
P60981
P28562
1843
Q9Y6W6
Q9BY84
1846
Q13115
Q16690
Q16829
Q99956
Dvl
Q13627
Q01094
Q16254
Q9BQ95
Q9H8V3
DMPK
DNAJA1
DNAJA2
DNAJA4
DNAJB2
DNAJC3
DNAJC5
DNM2
DOCK1
DOCK2
DOK1
DRD1
DSTN
DUSP1
DUSP1
DUSP10
DUSP16
DUSP4
DUSP4
DUSP5
DUSP7
DUSP9
DVL
DYRK1A
E2F1
E2F4
ECSIT
ECT2
cytosolic
phospholipase A2
Q7Z434
P10911
O15068
4170
Q07820
4193
Q00987
O15151
Q03112
Q02078
Q02080
4208
Q06413
Q14814
Q16820
Q12866
4233
P08581
O75030
Q9BUB5
Q9HBH9
MLCP
P55196
Q9NP71
4313
P08253
Q96BY2
P00540
O14807
Q04912
Q9P289
MAVS
MCF2
MCF2L
MCL1
MCL1
MDM2
MDM2
MDM4
MECOM
MEF2A
MEF2B
MEF2C
MEF2C
MEF2D
MEP1B
MERTK
MET
MET
MITF
MKNK1
MKNK2
MLCP
MLLT4
MLXIPL
MMP2
MMP2
MOAP1
MOS
MRAS
MST1R
MST4
O43597
P12931
P36956
P11831
6722
P30626
P50502
P42224
6772
P40763
6776
P42229
P51692
O94804
6793
6794
Q15831
Q13188
Q15208
Q9UEW8
Q13043
Q7RTN6
P63165
P43405
Q96PV0
Q15750
Q9NYJ8
Q7L7X3
Q9UL54
Q9UHD2
29110
SPRY2
SRC
SREBF1
SRF
SRF
SRI
ST13
STAT1
STAT1
STAT3
STAT5A
STAT5A
STAT5B
STK10
STK10
STK11
STK11
STK3
STK38
STK39
STK4
STRADA
SUMO1
SYK
SYNGAP1
TAB1
TAB2
TAOK1
TAOK2
TBK1
TBK1
P42345
MTOR
Q99593
TBX5
P01106
4609
Q99836
P13533
Q32MK0
Q13459
93649
Q8IZQ8
4654
P15172
4656
P15173
Myosin light chain
Myosin regulatory
light chain
Na+ /K+ -ATPase
P16333
O43639
Q9Y2A7
Q15788
Q15596
Q9Y6Q9
Q13772
Q14686
O75376
Q9Y618
P46934
Q96PU5
Q13562
4790
NF-kB
P21359
4772
O95644
Q13469
Q12968
Q14934
Q16236
4792
P25963
Q15653
P08138
1482
MYC
MYC
MYD88
MYH6
MYLK3
MYO9B
MYOCD
MYOCD
MYOD1
MYOD1
MYOG
MYOG
MYOSIN LIGHT CHAIN
MYOSIN REGULATORY
LIGHT CHAIN
NA+ /K+ -ATPASE
NCK1
NCK2
NCKAP1
NCOA1
NCOA2
NCOA3
NCOA4
NCOA6
NCOR1
NCOR2
NEDD4
NEDD4L
NEUROD1
NF-KB
NF-KB
NF1
NFATC1
NFATC1
NFATC2
NFATC3
NFATC4
NFE2L2
NFKBIA
NFKBIA
NFKBIB
NGFR
NKX2-5
P15923
P15884
Q02763
Q15569
O43294
P36897
P37173
P21980
P10827
P10828
Q13009
Q8IUC6
Q07157
TCF3
TCF4
TEK
TESK1
TGFB1I1
TGFBR1
TGFBR2
TGM2
THRA
THRB
TIAM1
TICAM1
TJP1
Q9UDY2
TJP2
P01375
8795
O14763
O14798
8794
Q9Y6Q6
Q9NP84
O14836
Q02223
P19438
P20333
Q8NFZ5
P63316
P19429
7157
P04637
Q13625
7161
O15350
Q15628
Q12933
Q13114
O00463
Q9Y4K3
Q15629
P19474
Q14258
Q92574
TNF
TNFRSF10B
TNFRSF10B
TNFRSF10C
TNFRSF10C
TNFRSF11A
TNFRSF12A
TNFRSF13B
TNFRSF17
TNFRSF1A
TNFRSF1B
TNIP2
TNNC1
TNNI3
TP53
TP53
TP53BP2
TP73
TP73
TRADD
TRAF2
TRAF3
TRAF5
TRAF6
TRAM1
TRIM21
TRIM25
TSC1
194
P25101
EDNRA
P52952
NKX2-5
P49815
P24530
EDNRB
Q9UBE8
NLK
Tubulin
P13639
EEF2
NO
NO
P10599
O00418
EEF2K
Q9Y239
NOD1
7295
P00533
EGFR
Q9HC29
NOD2
Q16881
P18146
EGR1
P29475
NOS1
P29597
1958
EGR1
4846
NOS3
P62837
Q96KQ7
EHMT2
P29474
NOS3
P25874
eIF-4B
EIF-4B
P06748
NPM1
O75385
Q13144
EIF2B5
P25929
NPY1R
Q8IYT8
EIF4A
EIF4A
P49146
NPY2R
O75604
P06730
EIF4E
7182
NR2C2
Q93009
1978
EIF4EBP1
P49116
NR2C2
Q9UKP6
Q13541
EIF4EBP1
P04150
NR3C1
P50552
Q04637
EIF4G1
3164
NR4A1
P15498
O43432
EIF4G3
P22736
NR4A1
P52735
Q15717
ELAVL1
Q92570
NR4A3
P21796
P19419
ELK1
P01111
NRAS
P45880
2002
ELK1
Q16656
NRF1
Q86Y07
P28324
ELK4
8204
NRIP1
P42768
Q09472
EP300
P48552
NRIP1
Q92558
Q9Y6I3
EPN1
P04629
NTRK1
Q9Y6W5
P19235
EPOR
Q16620
NTRK2
O00401
Q12929
EPS8
Q16288
NTRK3
P30291
2064
ERBB2
O60285
NUAK1
7465
P04626
ERBB2
Q9H093
NUAK2
Q9H4A3
P21860
ERBB3
Q14980
NUMA1
Wnt
2065
ERBB3
P41145
OPRK1
P04628
Q15303
ERBB4
P41146
OPRL1
P19544
2099
ESR1
Q13153
PAK1
Q9NZC7
P03372
ESR1
Q13177
PAK2
Q9H0M0
2100
ESR2
O75914
PAK3
331
Q92731
ESR2
O96013
PAK4
P98170
P11474
ESRRA
Q9NQU5
PAK6
P13010
P62508
ESRRG
Q9NPB6
PARD6A
P46937
P14921
ETS1
5071
PARK2
P07947
P15036
ETS2
O60260
PARK2
7525
P50549
ETV1
P09874
PARP1
P31946
P15311
EZR
5111
PCNA
P62258
7430
EZR
P12004
PCNA
Q04917
Q13158
FADD
Q14432
PDE3A
P27348
O94887
FARP2
Q13370
PDE3B
P63104
P25445
FAS
P27815
PDE4A
P25490
355
FAS
Q08499
PDE4D
Q9NYL2
Q9UKT4
FBXO5
P08559
PDHA1
P43403
P16591
FER
P30101
PDIA3
O95405
В таблице представлены идентификаторы вершин двух типов: Uniprot Accession для белков и EntrezID для генов.
TSC2
TUBULIN
TXN
TXN
TXNRD1
TYK2
UBE2D2
UCP1
ULK1
ULK2
USP2
USP7
UTS2R
VASP
VAV1
VAV2
VDAC1
VDAC2
VRK2
WAS
WASF1
WASF2
WASL
WEE1
WEE1
WNK1
WNT
WNT1
WT1
WWOX
WWP1
XIAP
XIAP
XRCC5
YAP1
YES1
YES1
YWHAB
YWHAE
YWHAH
YWHAQ
YWHAZ
YY1
ZAK
ZAP70
ZFYVE9
195
Таблица 3
Список вершин регуляторной сети кардиомиоцита, которые соответствуют генам домашнего
хозяйства
Идентификатор вершины
Название вершины
P00519
ABL1
P35611
ADD1
P10398
ARAF
P84077
ARF1
Q07960
ARHGAP1
P52565
ARHGDIA
Q14155
ARHGEF7
P62158
CALM1
P27824
CANX
P30281
CCND3
P23528
CFL1
P41240
CSK
P49674
CSNK1E
Q9UER7
DAXX
O60610
DIAPH1
Q16254
E2F4
P13639
EEF2
P15311
EZR
G-alpha-i
G-alpha-i
G-alpha-q
G-alpha-q
G-alpha-s
G-alpha-s
G-beta:G-gamma
G-beta:G-gamma
P49840
GSK3A
P09429
HMGB1
P11142
HSPA8
Q13418
ILK
P23458
JAK1
P17535
JUND
Q14847
LASP1
P00338
LDHA
В таблице приведены идентификаторы Uniprot для соответствующих белков.
Идентификатор вершины
P36507
Q16584
P27816
Q9UQF2
P49137
Q07820
P01106
P25963
O96013
P11309
Q13526
Q9BZL6
P63000
P54725
Q99638
P62826
P61224
Q9NS23
Q04206
P61586
Q9UBS0
P00441
P36956
P11831
P10599
P62837
P31946
Q04917
P27348
P63104
Название вершины
MAP2K2
MAP3K11
MAP4
MAPK8IP1
MAPKAPK2
MCL1
MYC
NFKBIA
PAK4
PIM1
PIN1
PRKD2
RAC1
RAD23A
RAD9A
RAN
RAP1B
RASSF1
RELA
RHOA
RPS6KB2
SOD1
SREBF1
SRF
TXN
UBE2D2
YWHAB
YWHAH
YWHAQ
YWHAZ
Таблица 4
Значения параметра дихотомических функций 21 вершины регуляторной сети кардиомиоцита
Идентификатор вершины
Название вершины
P10415
BCL2
Q07817
BCL2L1
cAMP
cAMP
834
CASP1
P48730
CSNK1D
G-alpha-q
G-alpha-q
G-alpha-s
G-alpha-s
G-beta:G-gamma
G-beta:G-gamma
P17302
GJA1
P35568
IRS1
Q9Y4H2
IRS2
O15151
MDM4
P55196
MLLT4
Q96PU5
NEDD4L
Q12913
PTPRJ
P28827
PTPRM
P49792
RANBP2
Q14524
SCN5A
Q9UDY2
TJP2
P04637
TP53
В таблице приведены Uniprot Accessions для белков и EntrezIDs для генов.
Параметр ai
1
4
1
-1
1
2
1
1
5
1
1
3
4
1
1
1
1
1
1
-5
196
Таблица 5
Список публикаций с подтверждением взаимосвязей между белками-мишенями первой
категории достоверности и инфарктом миокарда
Белки-мишени
Идентификаторы PubMed
5-lipoxygenase activating protein
Acetylcholine receptor protein alpha chain
Acyl coenzyme A:cholesterol acyltransferase 1
Acyl coenzyme A:cholesterol acyltransferase 2
Alpha-1a adrenergic receptor
Alpha-1d adrenergic receptor
Alpha-2a adrenergic receptor
Alpha-2b adrenergic receptor
Alpha-2c adrenergic receptor
Androgen Receptor
Apoptosis regulator Bcl-X
Appetite-regulating hormone
ATP-binding cassette sub-family G member 2
Bradykinin B1 receptor
C5a anaphylatoxin chemotactic receptor
CDK-interacting protein 1
C-X-C chemokine receptor type 3
Cysteinyl leukotriene receptor 1
Cytochrome P450 2J2
Endothelin receptor ET-B
Estrogen receptor alpha
Fibroblast growth factor receptor 2
Histamine H1 receptor
Histone deacetylase 7
Hypoxia-inducible factor 1 alpha
Integrin alpha-V/beta-3
Interleukin-2
Lipoxin A4 receptor
MAP kinase p38 beta
Melatonin receptor 1B
Mineralocorticoid receptor
Mitogen-activated protein kinase 7
Neurokinin 1 receptor
Neuropeptide Y receptor type 5
Nuclear receptor subfamily 4 group A member 2
Orphan nuclear receptor LRH-1
Oxytocin receptor
P2X purinoceptor 7
Peroxisome proliferator-activated receptor gamma
Progesterone receptor
Prostanoid EP4 receptor
Prostanoid FP receptor
Prostanoid IP receptor
Retinoic acid receptor alpha
Serotonin 2a (5-HT2a) receptor
Steryl-sulfatase
Thyroid hormone receptor beta-1
Transforming growth factor beta-1
Vasopressin V1a receptor
14770184
20810113
21398643
21398643
11679412
10570041
8393664, 9719060
16243262
16243262
14974917, 19159685
16005468
14521948
10639163
19661485
17234193
9351392
16061736
22527886
17126841, 16839864
10865828
15149723, 10615426
8881516
7717464
21233251
23643279
11257275, 9864377
19134193
21465531, 23500463
10988297
21036910
15718497
23243209
18363037, 19926877
16415503
12234960
12829629
18940936
17351655
23266668, 11135616
9288727
16020747
19416858
14752026
19628791
11076827
15860269
20935564
15754021
12383869
197
Таблица 6
Список публикаций с подтверждением взаимосвязей между белками-мишенями первой
категории достоверности и сердечной недостаточностью
Белки-мишени
3-phosphoinositide dependent protein kinase-1
Activin receptor type-1
Acyl-CoA desaturase
Aldehyde dehydrogenase
Alpha-1a adrenergic receptor
Alpha-1b adrenergic receptor
Alpha-2a adrenergic receptor
Alpha-2c adrenergic receptor
AMP-activated protein kinase
Androgen Receptor
ATP-binding cassette sub-family G member 2
Beta-1 adrenergic receptor
Beta-2 adrenergic receptor
Beta-3 adrenergic receptor
Calcium sensing receptor
Cannabinoid CB1 receptor
Caveolin-1
Cell division control protein 42 homolog
cGMP-dependent protein kinase 1 beta
Cyclic AMP-responsive element-binding protein 1
Cyclin-dependent kinase 6
Cyclooxygenase-1
Cyclooxygenase-2
Cytochrome P450 11B1
Cytochrome P450 19A1
Dihydrofolate reductase
DNA topoisomerase II beta
Dopamine D3 receptor
Dual specificity mitogen-activated protein kinase kinase 4
Dual specificity mitogen-activated protein kinase kinase 7
Ephrin type-A receptor 2
Epidermal growth factor receptor erbB1
Estrogen receptor beta
Estrogen-related receptor alpha
Estrogen-related receptor gamma
Glucocorticoid receptor
Glycogen synthase kinase-3 alpha
Glycogen synthase kinase-3 beta
Hepatocyte growth factor receptor
HERG
Hypoxia-inducible factor 1 alpha
Inhibitor of NF-kappa-B kinase (IKK)
Insulin receptor
Insulin-like growth factor I receptor
Integrin-linked protein kinase
Krueppel-like factor 10
Kruppel-like factor 5
MAP kinase ERK1
MAP kinase ERK2
MAP kinase p38 alpha
Mineralocorticoid receptor
Mitogen-activated protein kinase 7
Mothers against decapentaplegic homolog 4
Myosin light chain kinase 3
Nitric-oxide synthase, endothelial
Norepinephrine transporter
Nuclear factor erythroid 2-related factor 2
Nuclear receptor subfamily 4 group A member 2
Nuclear respiratory factor 1
P2X purinoceptor 4
p53-binding protein Mdm-2
Peroxisome proliferator-activated receptor alpha
Peroxisome proliferator-activated receptor delta
Peroxisome proliferator-activated receptor gamma coactivator 1-alpha
Phosphatidylinositol 3-kinase catalytic subunit type 3
Phosphodiesterase 3A
Phosphodiesterase 4D
Phosphoinositide 3-kinase IA class
Phosphoinositide 3-kinase IB class
PI3-kinase p110-alpha subunit
Идентификаторы PubMed
21034549
14993131, 18926443, 11408477
22188440
22507541
21118696
21118696
17975126, 19125280, 12384461, 20083574
17597596, 21277865
23620435, 24420540
22424324, 24773946, 21981434
22116099
19103994
18290877
14962832
23711498
22656047
15306231
19741299
23316302, 24255056, 11799084, 22199120
20935148
18700867
12656651, 11695250
12656651, 11695250
15136908
22759381
22711313
23514294
24023697
19265040
21284947
24795639
18599591, 18313710
20375266
18778951
24083978, 17618853, 17488637
20371666, 25020749
21283106, 20516643, 23549082
18830417
23994610
15098086, 17574126
22403061
19850942
16216265
24380833
16951252, 24319095
22234868
20038803
21283106
21283106
19734999
15320779, 11997477, 21242479
20075332
16151019
23095280
23774658, 20966596, 20079452
20129534, 22664639
19592468
19332114, 21546879
22912857, 17502589
24622244
16354690
18187461
15475963
16511594
22308354, 23551104
15867171, 9386183
16213210
21912691
21519914
21519914
198
PI3-kinase p110-alpha/p85-alpha
PI3-kinase p110-beta subunit
PI3-kinase p110-gamma subunit
PI4-kinase beta subunit
Platelet-derived growth factor receptor beta
Potassium/sodium hyperpolarization-activated cyclic nucleotide-gated channel 1
Potassium/sodium hyperpolarization-activated cyclic nucleotide-gated channel 4
Progesterone receptor
Protein kinase C beta
Protein kinase C epsilon
Protein-tyrosine phosphatase 2C
Protein-tyrosine sulfotransferase 2
Ras association domain-containing protein 1
Receptor protein-tyrosine kinase erbB-2
Receptor protein-tyrosine kinase erbB-4
Regulator of G-protein signaling 2
Ribosomal protein S6 kinase alpha 3
Ryanodine receptor 2
Serine/threonine-protein kinase 11
Serine/threonine-protein kinase AKT2
Serine/threonine-protein kinase Aurora-B
Serine/threonine-protein kinase PIM1
Serine/threonine-protein kinase RAF
Serotonin 2a (5-HT2a) receptor
Serotonin 2b (5-HT2b) receptor
Serotonin transporter
Serum response factor
Signal transducer and activator of transcription 3
Small ubiquitin-related modifier 1
Smoothened homolog
Sodium channel protein type V alpha subunit
Sodium/calcium exchanger 1
Solute carrier family 2, facilitated glucose transporter member 4
Stem cell growth factor receptor
Sulfonylurea receptor 2
Sulfonylurea receptor 2, Kir6.2
Superoxide dismutase [Mn], mitochondrial
Telomerase reverse transcriptase
Thioredoxin
Thyroid hormone receptor alpha
Toll-like receptor 9
Transcription factor GATA-4
Transcription factor GATA-6
Tyrosine-protein kinase JAK2
Vanilloid receptor
Voltage-gated L-type calcium channel alpha-1C subunit
Voltage-gated T-type calcium channel alpha-1G subunit
21519914
21912691
21519914
11121803
20071776
24218458
22141457
21208464
19556521
15761199
18316486, 19001090
18243191
19652091
23629633, 23975515, 2128310, 21749857
21283106
20036967
15214012
22869620
20360428
21960994, 24622975
23695888, 21283106
19734999
15467832, 24777450
23543114, 16876202
11413089
16380550, 17307423
16260633
14566054
24225946
18480422
24815523, 22999724
21291388, 17178715
18256305, 19720047
16467148
15034580, 15910878
21321057
21195081
12505991
23349187, 17007870
12165105, 12169435, 19125327, 18795907
25020352
16514068
15249177, 24391969, 20705924, 20705924
25020543
23221478, 21814047
22133878
19920353
199
Таблица 7
Список публикаций с подтверждением взаимосвязей между белками-мишенями первой
категории достоверности и желудочковыми аритмиями
Белки-мишени
Идентификаторы PubMed
Acetylcholinesterase
ADP-ribosylation factor 1
Advanced glycosylation end product-specific receptor
Alpha-1a adrenergic receptor
Alpha-1b adrenergic receptor
Alpha-2b adrenergic receptor
AMP-activated protein kinase
Cannabinoid CB1 receptor
Cannabinoid CB2 receptor
Catenin beta-1
Catenin delta-1
Dopamine D1 receptor
Dopamine transporter
Estrogen receptor alpha
Estrogen-related receptor gamma
Gap junction alpha-1 protein
Heat shock protein HSP 90-alpha
Hepatocyte growth factor receptor
18182475
19029296
23348924
21318337, 19133277
19112097, 17645635
24087960
19275766, 15611370
19276990, 23713981
19276990
22252313
17766470
9676719
19550362
22166976
19965931
22244842, 18519446
17956279
16049559
15522280, 10086971, 7889573, 11160863,
16554806
6128405
6128405
12810089
14694146, 24375641
24395924
21880664
20890194, 10549419
20300620
20128816, 23317008, 21785809
12595579
11761419, 20587506
10572746, 12966717
12862503
21097842, 23271053
23988739
17702390, 22047792, 16213210
22539774
15687126, 15123648
16945341, 15452687
22163007
21666110
24380729, 19351515, 21705677
22815962, 18573276
15365689
23341873, 24342768
10403501, 10834092
23197038, 19808464
21948246
20062061, 21076409
23180812
22082679
16288907, 20518594, 8859944
23251719
11156554
22079221
24721657
HERG
Histamine H1 receptor
Histamine H2 receptor
Histamine H3 receptor
Insulin receptor
Inward rectifier potassium channel 2
Junction plakoglobin
Kappa opioid receptor
Muscarinic acetylcholine receptor M2
Muscarinic acetylcholine receptor M3
Myotonin-protein kinase
Nitric-oxide synthase, endothelial
Nociceptin receptor
Norepinephrine transporter
Phosphatidylinositol 3,4,5-trisphosphate 3-phosphatase and dual-specificity protein phosphatase PTEN
Phosphodiesterase 3A
Phosphodiesterase 4D
Phosphoinositide 3-kinase IA class
Potassium/sodium hyperpolarization-activated cyclic nucleotide-gated channel 4
Protein kinase C epsilon
Protein phosphatase 2
Protein tyrosine kinase 2 beta
Serine/threonine-protein kinase PAK 1
Serotonin 1a (5-HT1a) receptor
Serotonin 4 (5-HT4) receptor
Serotonin transporter
Sigma opioid receptor
Sodium channel protein type V alpha subunit
Sodium channel protein type VIII alpha subunit
Sodium channel protein type X alpha subunit
Solute carrier family 2, facilitated glucose transporter member 4
Suppressor of cytokine signaling 3
Thioredoxin
Translocator protein
Urotensin II receptor
Vasopressin V1a receptor
Voltage-gated potassium channel subunit Kv7.1