Помощь в учёбе, очень быстро...
Работаем вместе до победы

Моделирование биологической активности низкомолекулярных органических соединений с применением компьютерных методов анализа мультипараметрических данных

Диссертация: Моделирование биологической активности низкомолекулярных органических соединений с применением компьютерных методов анализа мультипараметрических данных
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Актуальность работы. Исследование биологической активности низкомолекулярных органических соединений является одним из наиболее актуальных направлений в современной биологической, медицинской и компьютерной химии. Однако изучение столь комплексного свойства сопряжено с целым рядом проблем, решение которых зависит от интенсивных теоретических и экспериментальных работ в области биохимии… Читать ещё >

Содержание

  • СПИСОК ИСПОЛЬЗУЕМЫХ СОКРАЩЕНИЙ Часть 1. ОБЗОР ЛИТЕРАТУРЫ
  • Глава 1. Современные подходы к моделированию биологической активности органических веществ и разработке новых лекарственных соединений
    • 1. 1. Методы компьютерного моделирования для оценки биологической 7 активности органических соединений
    • 1. 2. Биологические основы искусственных нейронных сетей
      • 1. 2. 1. Методы нелинейного картирования для оценки биологической активности органических соединений
    • 1. 3. Методы in vitro исследований биологической активности органических 28 соединений при помощи платформ высокопроизводительного биологического скрининга
  • Часть 2. ЭКСПЕРИМЕНТАЛЬНАЯ ЧАСТ
  • Глава 2. Методология компьютерного эксперимента
    • 2. 1. Основная стратегия компьютерного моделирования биологической 33 активности. Референсные базы данных и обучающие выборки
    • 2. 2. Расчет и отбор молекулярных дескрипторов
    • 2. 3. Процедура моделирования биологической активности с применением 41 алгоритмов нелинейного картирования
      • 2. 3. 1. Самоорганизующиеся нелинейные карты Кохонена
      • 2. 3. 2. Алгоритм редуцирования многомерных пространств признаков 47 Сэммона
  • Часть 3. ОБСУЖДЕНИЕ РЕЗУЛЬТАТОВ
  • Глава 3. Моделирование метаболизма
    • 3. 1. Метаболизм органических веществ. Ключевые ферменты метаболизма
    • 3. 2. Разработка in silico моделей
      • 3. 2. 1. Моделирование метаболической стабильности органических со- 58 единений по отношению к семейству цитохромов Р
      • 3. 2. 2. Оценка эффективности связывания с активным центром 62 цитохромов Р
      • 3. 2. 3. Моделирование скоростей реакций //-дезалкилирования, 69 катализируемых цитохромами Р
  • Глава 4. Моделирование степени проникновения органических соединений, через биологические барьеры
    • 4. 1. Биологические мембраны. Механизмы транспорта
      • 4. 1. 1. Особенности строения и функции гематоэнцефалического 76 барьера. Транспорт веществ через ГЭБ
      • 4. 1. 2. Транспорт веществ через стенку ЖКТ 83 4.2. Разработка in silico моделей
      • 4. 2. 1. Основные подходы к прогнозированию мембранопроникаемости
      • 4. 2. 2. Компьютерное моделирование мембранопроникаемости 91 органических соединений через ГЭБ и стенку ЖКТ
  • Глава 5. Прогнозирование других фармакокинетических параметров
    • 5. 1. Объем распределения
    • 5. 2. Время полужизни в плазме крови
    • 5. 3. Степень связывания с белками плазмы крови
    • 5. 4. Связывание с Р-гликопротеинами
    • 5. 5. Экспериментальная оценка точности предсказания разработанных 126 моделей
  • Глава 6. Моделирование токсических эффектов
    • 6. 1. Проблема предсказания токсичности химических соединений
    • 6. 2. Разработка in silico моделей
      • 6. 2. 1. Клеточная токсичность
      • 6. 2. 2. Орган-специфичная токсичность
  • Глава 7. Моделирование профиля мишень-специфичной активности 140 органических соединений
    • 7. 1. Модель Кохонена '

Моделирование биологической активности низкомолекулярных органических соединений с применением компьютерных методов анализа мультипараметрических данных (реферат, курсовая, диплом, контрольная)

Настоящая диссертационная работа посвящена разработке специализированных компьютерных моделей для анализа и предсказания биохимической активности низкомолекулярных органических соединений. Моделирование осуществлялось с привлечением эффективных методов анализа мультипараметрических данных.

Актуальность работы. Исследование биологической активности низкомолекулярных органических соединений является одним из наиболее актуальных направлений в современной биологической, медицинской и компьютерной химии [1]. Однако изучение столь комплексного свойства сопряжено с целым рядом проблем, решение которых зависит от интенсивных теоретических и экспериментальных работ в области биохимии, молекулярной биологии, геномики, компьютерного моделирования, органического синтеза, медицины и фармакологии [2,3]. Наибольшее практическое значение такие исследования имеют в области разработки новых лекарственных субстанций, которые в большинстве своем являются, синтетическими молекулами: Наранних стадиях этого процесса особое внимание уделяется исследованию и компьютерному моделированию ключевых свойств физиологически активных веществу включая терапевтически значимый механизм действия, а также ряд ключевых фармакокинетических и фармакодинамических параметров [3−5]. Такой подход позволяет делать математически обоснованные предположения о фармакологической направленности и эффективности исследуемых структур [6−10].

Компьютерное моделирование в настоящее время становится неотъемлемой частью процесса исследования биологической активности [11,12]. Несмотря на сравнительно недолгую историю существования специализированных методов компьютерной биологической и медицинской химии, существует целый ряд эффективных алгоритмов, позволяющих моделировать и в дальнейшем прогнозировать различные биохимические свойства органических соединений, включая их метаболическую стабильность и способность образовывать активные комплексы с биологическими мишенями. Среди таких алгоритмов особое место занимают методы нелинейного картирования [12,13]. Помимо высокой предсказательной способности такие методы весьма удобны для визуального восприятияони позволяют исследователю проводить комплексный, анализ найденных закономерностей. На основании полученной нелинейной проекции исследуются' причины и основные факторы, обусловливающие разделение категорий соединений, обладающих различной биологической активностью (БА). Кроме методов нелинейного картирования существует ряд других, не менее эффективных подходов, позволяющих осуществлять комплексный анализ многомерных данных, среди которых наиболее перспективными в практическом аспекте являются классические искусственные нейронные сети (ИНС) [14]. Моделирование осуществляется с использованием, как правило, расчетных молекулярных дескрипторов (признаков), в общем случае представляющих из себя числовой эквивалент свойства молекулы (структуры), например, молекулярный вес, общая площадь полярной поверхности, количество потенциальных доноров и акцепторов водородной связи и др. Таким образом, исследователь получает в свои руки эффективный компьютерный инструмент, без которого в условиях современного развития биотехнологий, в частности, высокопроизводительного биологического скрининга, обойтись просто невозможно.

Несмотря на очевидную целесообразность использования компьютерных моделей для анализа и предсказания различных биохимических свойств низкомолекулярных органических соединений, их разработка является, в высшей степени сложной и трудоемкой задачей. Во многих случаях недостаточность исходных данных, их неоднородность, а также невоспроизводимость в условиях единого эксперимента, не позволяют исследователю построить статистически значимуют яШсо модель с адекватным и достаточным теоретическим обоснованием обнаруженных закономерностей. Отсутствие независимого тестирования, и правильной трактовки полученных результатов делает такие модели несостоятельными в отношении корректности классификации и предсказания-БА новых структур. В силу этих и целого ряда других объективных причин на сегодняшний день"количество эффективных, с точки зрения качества предсказания, компьютерных моделей весьма ограничено. Некоторые из них узкоспециализированы и могут использоваться исключительно для определенного класса химических структур, что существенно сужает рамки их практического применения.

Учитывая сказанное выше, работы по компьютерному моделированию биологической активности органических соединений на основе алгоритмов нелинейного анализа мультипараметрических данных являются в высшей степени актуальными и, с практической точки зрения, крайне востребованными.

Цель и задачи исследования

Основной целью настоящей диссертационной работы является разработка подходов к компьютерному моделированию и прогнозированию комплексных биологических свойств органических соединений. Среди наиболее значимых задач исследования можно перечислить следующие: г.

1. Сбор, анализ и подготовка к компьютерному моделированию представительных баз данных химических структур с экспериментально определенными биохимическими свойствами.

2. Расчет и отбор наиболее значимых молекулярных дескрипторов с привлечением специализированных компьютерных алгоритмов.

3. Компьютерное моделирование биохимической активности низкомолекулярных органических соединений с применением нелинейных методов анализа мультипараметрических данных.

4. Создание специализированных компьютерных программ для анализа химического пространства, моделирования и предсказания биологической активности.

Научная новизна. Разработан ряд оригинальных компьютерных моделей, позволяющих оценивать биологическую активность и фармакокинетические свойства низкомолекулярных органических веществ с использованием нелинейных алгоритмов анализа мультипараметрических данных, включая самоорганизующиеся карты Кохонена [15], метод Сэммона [16], а также классические искусственные нейронные сети. В алгоритм Кохонена внесен ряд модификаций и усовершенствований, повышающих его производительность и точность. Созданы прогностические системы для анализа наиболее значимых фармакокинетических характеристик: метаболической стабильности веществ по отношению к семейству цитохромов Р450, степени проникновения через биологические мембраны, цитои орган-специфичной токсичности, объема распределения вещества в организме, времени полужизни в плазме крови, степени связывания с белками крови и Р-гликопротеинами, а также возможности образовывать прочные нековалентные комплексы с различными биологическими мишенями, имеющими терапевтическую значимость. Показано, что точность классификации и предсказания с применением методов нелинейного картирования и искусственной нейронной сети классической архитектуры превосходит по качеству более простые регрессионные и корреляционные модели, а также тривиальные структурные и физико-химические фильтры и правила.

Практическая значимость работы. Созданные уникальные базы данных химических соединений с экспериментально определенными биохимическими свойствами, включая ряд ключевых фармакокинетических параметров, имеют очевидную практическую значимость, в первую очередь, для медицинской и биологической химии. Структуры подвергались тщательному анализу и специальной процедуре фильтрации, в ходе которой из рассмотрения исключались высокомолекулярные соединения, редкие органометаллические комплексы, вещества с недопустимыми структурными элементами, которые не являются drug like молекулами и в процессе моделирования дают существенные статистические погрешности. Для каждого соединения из собранных баз данных рассчитан широкий набор молекулярных дескрипторов. В зависимости от особенностей решаемой задачи с привлечением специализированных математико-статистических алгоритмов определены оптимальные наборы признаков, с использованием которых строились компьютерные модели. Структурные базы данных с оптимизированным набором дескрипторов крайне востребованы в области биологической и медицинской химии: они используются в качестве обучающих выборок, с применением которых осуществляется компьютерное моделированиена их основе создаются специализированные аннотированные библиотеки физиологически активных веществ [17]. Разработанные нами компьютерные модели прошли экспериментальное тестирование с привлечением независимых контрольных выборок и результатов реальных биологических испытаний, осуществленных в Исследовательском институте химического разнообразия (ИИХР, г. Химки) и Институте физиологически активных веществ РАН (ИФАВ РАН, г. Черноголовка).

Созданные компьютерные программы и интегрированные в них модели, описанные в диссертационной работе, используются вряде институтов и организаций, занимающихся разработкой физиологически активных соединений, (ИИХР, ИФАВ РАН, МГУ им. М. В. Ломоносова и др.).

Апробация работы. Результаты работы были представлены на более чем 20-ш научных конференциях и симпозиумах, в том числе: «Drug Discovery Technology Europe» (Stuttgart, 2003), «Drug Science & Technology Summit» (New York, 2003), «SBS 9th Ann. Conference and Exhibition» (Portland, 2003), «BioNorth 10th Anniversary Conference» (Ottawa, 2003), «SCIpharm Intern. Pharm. Industry Conference» (Edinbourgh, UK, 2004), XII Российский национальный конгресс «Человек и лекарство» (Москва, 2005), Международный конгресс «Биотехнология: состояние и перспективы развития» (Москва, 2005), Международная конференция «Биологические лшшени для действия лекарственных препаратов нового поколения. Перспективы интеграции российских ученых в международную Koonepaifuio» (Химки, 2006), «Proceedings of the III Congress of Pharmacology» (Санкт-Петербург, 2008).

Публикации. По материалам диссертации опубликована 21 работа (помимо глав в книги и докладов на научных конференциях и симпозиумах), из них 9 публикаций в журналах из официального Перечня ВАК РФ.

Структура и объем работы. Диссертация состоит из введения, литературного обзора, экспериментальной" части, обсуждения результатов, заключения, выводов и списка.

выводы.

1. С использованием различных литературных источников, специализированных химических баз данных, процедур фильтрации и статистического анализа создано 12 уникальных обучающих выборок органических соединений с экспериментально установленной биохимической активностью, включая метаболическую стабильность, токсичность, мишень-специфичность, объем распределения и время полужизни в плазме крови, связывание с белками крови и Р-гликопротеинами.

2. Для всех соединений рассчитано более 500 различных молекулярных дескрипторов, из числа которых, в зависимости от исследуемого биохимического свойства, с применением специальных математических алгоритмов, выявлен наиболее оптимальный набор (от 6 до 16 дескрипторов).

3. С использованием специализированных алгоритмов анализа мультипараметрических данных и отобранных молекулярных дескрипторов разработан ряд компьютерных моделей для предсказания биохимической активности органических соединений.

4. Все компьютерные модели продемонстрировали хорошую точность классификации на обучающих примерах и высокую предсказательную способность на независимых выборках, включая результаты реального биологического тестирования, осуществленного с применением технологии высокопроизводительного биологического скрининга.

5. Разработаны три оригинальные компьютерные программы, позволяющие моделировать и предсказывать биохимическую активность низкомолекулярных органических соединений, рассчитывать различные молекулярные дескрипторы, осуществлять нелинейный комплексный анализ мультипараметрических данных с использованием алгоритмов Кохонена и Сэммона, а также классических искусственных нейронных сетей.

Заключение

.

Бурно развивающиеся технологии вносят свои коррективы во многие стороны научной деятельности, в том числе и такие консервативные, как биология и синтетическая органическая химия. Как говорилось во вступительной части работы, в условиях современных научных подходов междисциплинарные исследовательские направления приобретают все большую значимость и актуальность. С этой точки зрения, научное направление, в котором изучаются вопросы комплексного взаимодействия органических веществ с различными биомолекулами и организмом человека в целом, рассматривается как передовой оплот многих научных дисциплин, включая биохимию, молекулярную биологию, энзимологию и генетику, физическую и органическую химию, математику и статистику, интенсивное развитие которых за последние пол века привело в итоге к рождению высокотехнологичной триады экспериментальных методов. Именно по этим причинам весьма плодотворный союз современной биологической, медицинской и компьютерной химии рассматривается сегодня в качестве наиболее надежного фундамента для разработки новых, физиологически активных веществ и анализа их биологической"активности:

С появлением высокопроизводительных экспериментальных методов резко возрос объем сопутствующей информации, уже непосильной для. анализа* традиционными методами математической статистики. Так, в отличие от классического органического синтеза, производительность комбинаторного синтеза исчисляется десятками тысяч индивидуальных соединений в день! Современные специализированные установки твердофазного и жидкофазного синтеза позволяют получать различные по структуре молекулы в автоматическом режиме. Предложено множество уникальных синтетических схем, адаптированных под формат комбинаторной химии, включая знаменитые реакции Уги, Дильса-Альдера и Пассерини. С точки зрения медицинской и биологической химии, этот высокотехнологичный подход предоставляет широкое химическое пространство, с помощью которого возможно углубленное исследование индуцированных биологических ответов, осуществление анализа взаимосвязи структура-свойство, оптимизация фармакокинетических параметров, создание аннотированных библиотек химических структур и биомишеней.

Непосредственное биологическое тестирование синтезированных с привлечением методов комбинаторного синтеза соединений немыслимо без технологии высокопроизводительного биологического скрининга. Исследователь получает возможность в автоматическом режиме осуществлять единовременный анализ.

149 биохимической активности, токсичности и селективности веществ по отношению к целому ряду биологических мишеней. На основании результатов тестирования строятся новые гипотезы, предлагаются обоснованные пути дальнейших исследований и развития.

К пониманию необходимости создания специализированных компьютерных моделей для анализа вероятного спектра биохимической активности органических соединений пришли не так давно. Отчасти это было связано с крайней потребностью в рациональной селекции структур еще на стадии планирования некомпьютерных экспериментальных процедур, что вовсе не удивительно, учитывая одно немаловажное обстоятельство. Традиционная органическая химия имела дело с небольшими рядами соединений, синтезируемыми в ходе малопроизводительных лабораторных процедур. В этих условиях, даже если существовала необходимость отбора и синтеза наиболее желательных молекул из числа возможных, то с этой задачей легко справлялся человек-эксперт, основываясь на опыте, интуиции и доступных ресурсах. Однако ситуация резко изменилась с появлением методов комбинаторной химии и экспериментального тестирования органических соединений. При планировании схем комбинаторного синтеза исследователи столкнулись с необходимостью отбора малой части соединений из колоссального числа возможных «виртуальных» структур. Как следствие, появилась потребность в разработке методов направленной, рациональной селекции вещества соответствии с особенностями конкретных биологических задач. Так, с привлечением методов компьютерного моделирования удается обнаруживать значимые взаимосвязи между структурой активного соединения, соответствующими физиологическими эффектами, в частности активностью по отношению к белковым рецепторам и ферментам, а также физико-химическими свойствами.

С другой точки зрения, компьютерное моделирование биохимической активности имеет весьма значимую теоретическую составляющую. Как было неоднократно продемонстрировано в представленной диссертационной работе, довольно часто анализ полученных результатов приводит к новым теоретическим обоснованиям исследуемого явления. Например, на основании комплексного анализа разработанной интегральной модели для предсказания степени проникновения органических веществ через биологические мембраны, было показано, что транспорт через гемагоэнцефалический барьер и стенки желудочно-кишечного тракта не определяется исключительно липофильностью органических соединений, барьеры имеют разную природу и свойства.

Именно такие конкретные, прикладные и теоретические задачи решались в рамках настоящей диссертационной работы. Основным ее отличительным качеством является целенаправленное комбинирование теоретических знаний в области.

150 биологической и медицинской химии с передовыми алгоритмами анализа мульгипараметрических данных. Одной из основных целей такого подхода является повышение экономической эффективности современных исследовательских программ, связанных с разработкой новых лекарственных субстанций, анализом механизмов их действия и фармакокинетического профиля.

Для современной науки характерно бурное аккумулирование эмпирических фактов и наблюдений. Этот естественный процесс, в целом обеспечивающий эволюцию наших представлений о мире материальных объектов, к сожалению, еще нельзя приравнивать к обретению новых знаний. Более того, он несет в себе реальную опасность дробления целостного научного восприятия мира, кроющуюся под маской специализации. Указанный феномен характерен для многих научных дисциплин, накопивших к настоящему времени колоссальный экспериментальный багаж. По мнению автора, научной дисциплине, базирующейся на анализе больших массивов эмпирических данных, внутренне присуща потребность в сборе, кластеризации и всестороннем изучении этой накопленной информации. Следовательно, эта дисциплина несет в себе именно то объединяющее начало, так необходимое современной науке, препятствующее ее дезинтеграции и позволяющее, в соответствии с известным диалектическим законом, трансформировать количество статичных фактов в качество новых знаний. * *.

Подходящий к своим финальным строкам труд аккумулирует в себе результаты многолетних лабораторных исследований, напряженного анализа различных литературных источников и специализированных химических баз данных, интенсивных компьютерных экспериментов, неизбежных ошибок и интуитивных прозрений, творческих обсуждений и личных размышлений. Очевидно, некоторые утверждения носят весьма дискуссионный характер, а часть разработанных компьютерных моделей требует дополнительных теоретических и практических изысканий. Вынося эту работу на суд глубокоуважаемых оппонентов и рецензентов, а также общей читательской аудитории, автор надеется на благосклонное и внимательное к ней отношение.

Показать весь текст

Список литературы

  1. Rydzewski R.M. Real world drug discovery: a chemist’s guide to biotech and pharmaceutical research / Elsevier. — 2008. 515 P.
  2. Makriyannis A., Biegel D. Drug discovery strategies and methods / Marcel Dekker. 2004. 348 P.
  3. Hiiser J. High-throughput screening in drug discovery. Methods and principles in medicinal chemistry / Wiley-VCH. 2006. 343 P.
  4. RickNg. Drugs: from discovery to approva / Wiley-IEEE. 2004.355 P.
  5. Rognan D. Ligand design for G protein-coupled receptors / Wiley-VCH. 2006.264 P.
  6. Bohm H-J., Schneider G. Virtual screening for bioactive molecules / Wiley-VCH. 2000. 307 P.
  7. Alvarez J., Brian Shoichet. Virtual screening in drug discovery / Taylor & Francis. 2005. 470 P.
  8. Ekins S. Computer applications in pharmaceutical research and development / John Wiley and Sons.-2006. 805 P.
  9. Schneider G., Baringhaus K-H. Molecular design: concepts and applications / Wiley-VCFI. 2008. 262 P.
  10. Puzyn Т., Leszczynski J., Mark T.D. Cronin. Recent Advances in QSAR Studies: Methods and Applications / Springer. 2009. 423 P.
  11. Thomas N.T., Rowland M. Introduction to pharmacokinetics and pharmacodynamics: the quantitative basis of drug therapy / Lippincott Williams & Wilkins. 2006. 326 P.
  12. Balakin K.V., Ekins S. Pharmaceutical Data Mining: Approaches and Applications for Drug Discovery / John Wiley and Sons. 2009, — 565 P.
  13. Zupan J., Gasteiger J. Neural networks in chemistry and drug design / Wiley-VCH. 1999. 380 P.
  14. Haykin S.S. Neural networks and learning machines / Prentice Hall. 2009. 906 P.
  15. Kohonen T. Self-organizing maps, 3rd ed. / Springer-Verlag. -2001. 528 P.
  16. Sammon J.W. A non-linear mapping for data structure analysis // IEEE Trans. Comput. 1969. V. 18. P. 401−409.
  17. Savchuk N.P., Balakin K.V., Tkachenko S.E. Exploring the chemogenomic knowledge space with annotated chemical libraries // Curr. Opin. Chem. Biol. 2004. V. 8. №. 4. P. 412−417.
  18. Petersen F., Amstutz R Natural compounds as drugs. Progress in drug research, vol. 2. / Birkhauser.- 2008.427 P.
  19. Bannwarth W., Felder E. Combinatorial Chemistry: a Practical Approach / Wiley-VCH. 2000. P. 430.
  20. A.B., Иваненков Я. А., Кисиль В., Красавин М., Ильин А. П. Многокомпонентные реакции изоцианидов в синтезе гетероциклов // Успехи Химии. 2010. Т. 79. №. 9. С. 861−893.
  21. Sotriffer С. Virtual Screening: Principles, Challenges, and Practical Guidelines / John Wiley & Sons, Limited. 2011.460 P.
  22. Kubinyi H. QSAR. Hansch analysis and related approaches // In Methods and principles in medicinal chemistry, vol. 1./ Wiley-VCH. 1993. P. 57−68.
  23. Varnek A., Tropsha A. Chemoinformatics approaches to virtual screening / Royal Society of Chemistry.-2008.338 P.
  24. K.B., Иваненков Я. А., Скоренко А. В., Коваленко С. Н., Журавель И. А., Черных В. П. Построение классификационных моделей для виртуального скрининга / Укр. Журн. Орг. Хим. 2004. V. 2. № 3. С. 48−53.
  25. Ivanenkov Y.A., Bovina E.V., Balakin K.Y. Nonlinear mapping techniques for prediction of pharmacological properties of chemical compounds // Russian Chemical Reviews. 2009. V. 78. № 5. P. 465−483.
  26. Merlot С., Domine D., Cleva С., Church D.J. Chemical substructures in drug discovery // Drug Discov. Today. 2003. V. 8. № 13. P. 594−602.
  27. Sheridan R.P., Kearsley S.K. Why do we need so many chemical similarity search methods? // Drug Discov. Today. 2002. V. 7. № 17. P. 903−911.
  28. Tkachenko S.E., Okun I., Balakin K.V., Petersen C.E., Ivanenkov Y.A., Savchuk N.P., Ivachtchenko A.A. Efficient optimization strategy for marginal hits active against Abl tyrosine kinases // Current Drug. Disc. Techn. 2004. V. 1. P. 201−210.
  29. Balakin K.V., Tkachenko S.E., Okun I., Skorenko A.V., Ivanenkov Y.A., Savchuk N.P., Ivachtchenko A.A., Nikolsky Y. Bioisosteric morphing in primary hit optimization // Chem. Today. 2004. V. 22. P. 15−18.
  30. Savchuk N.P., Balakin K.V. Efficient primary hit optimization strategy based on. concept of bioisosterism // Curr. Drug Disc. 2004. V. 5. P. 23−27.
  31. Sammon J.W.Jr. A nonlinear mapping for data structure analysis // IEEE Trans. Comput. 1969. V С18. P. 969−975.
  32. Bigus J.P. Data mining with neural networks /McGraw-IIill. 1996.220 P.
  33. Devillers J. Neural networks in QSAR and drug design / Academic Press. 1996.284 P.
  34. Vapnik V. Statistical learning theory / Wiley. 1998. 768 P.
  35. Ivanenkov Y.A., Khandarova L.M. Advanced methods of artificial intelligence in the design of pharmaceutical agents // In Pharmaceutical data mining: approaches and applications for drug discovery / John Wiley & Sons, be. -2009. P. 457−490.
  36. Pletnev I., Ivanenkov Y.A., Tarasov A. Dimensionality reduction techniques for pharmaceutical data mining / In Pharmaceutical data mining: approaches and applications for drug discovery / John Wiley & Sons, Inc. 2009. P. 425−455.
  37. Cramer R.D., Poss M.A., Hermsmeier M.A., Hermsmeier M.A., Cauleeld T.J., Kowala M.C., Valentine M.T. Prospective identification of biologically active structures by topomer shape similarity searching//J. Med. Chem. 1999. V. 42. № 19. P. 3919−3933.
  38. Langer Т., Hoffmann R.D., Mannhold R., Kubinyi H., Folkers G. Pharmacophores and pharmacophore searches. Methods and principles in medicinal chemistry, vol. 32 / Wiley-VCH. -2006. 395 P.
  39. Holtje H-D. Molecular modeling: basic principles and applications. Methods and principles in medicinal chemistry, vol. 5 / Wiley-VCH. 2008.310 P.
  40. Koiyakova A.G., Ryzhova E.A., Ivanenkov Y.A. Novel aiyl and heteroaryl substituted 7V-3-(4-phenylpiperazin-l-yl)propyl.-l, 2,4-oxadiazole-5-carboxamides as selective GSK-3 inhibitors // Bioorg. & Med. Chem. Lett. 2008. V. 18. P. 3661−3666.
  41. Kravchenko D.V., Ivanenkov Y.A., Balakin K.V., Kisil V.M., Tkachenko S.E., Okun' I.M., Ivashchenko A.V. Design and synthesis of new nonpeptide caspase-3 inhibitors // Pharm. Chem. J. 2006. V. 40. № 3. P. 127−131.
  42. Dreyius G. Neural networks: methodology and applications / Birkhauser. 2005.497 P.
  43. Levine M.D. Vision in man and machine / McGraw-Hill. 1985. 574 P.
  44. Smolinski T.G. Applications of computational intelligence in biology: current trends and open problems / Springer. 2008:428 P.
  45. McCulloch W.S., Pitts W. A logical calculus of the ideas immanent in nervous activity // Bull.Math.Biophys. 1943. V.5. P.115−133.
  46. Kohonen T. The self-organizing map // Proc. Inst. Electr. Electron. Eng. 1990. V. 78. P. 14 641 480.
  47. Agrafiotis D.K. Stochastic proximity embedding // J. Comput. Chem. 2003. V. 24. № 10. P. 1215−1221.
  48. Brown R.D., Martin Y.C. Use of structure-activity data to compare structure-based clustering methods and descriptors for use in compound selection // J. Chem. Inf. Сотр. Sci. 1996. V. 36. P. 572−584.
  49. Agrafiotis D.K., Bandyopadhyay D., Farnum M. Radial clustergrams: visualizing the aggregate properties of hierarchical clusters // J. Chem. Inf. Model. 2007. V. 47. P: 69−75.
  50. Nadler В., Lafon S., Coifman R.R., Kevrekidis I.G. Diffusion maps, spectral clustering and the reaction coordinates of dynamical systems // Appl. Comput. Harm. Anal. 2006. V. 21. P. 113−127.
  51. Balasubramanian M, Schwartz EL. The Isomap algorithm and topological stability // Science. 2002. V. 295. № 5552. P. 7.
  52. Ivanenkov Y.A., Savchuk N.P., Ekins S., Balakin K.V. Computational mapping tools for drug discoveiy // Drug Discovery Today. 2009. V. 14. № 15−16. P. 767−75.
  53. Nikolsky Y., Balakin K.V., Ivanenkov Y.A., Ivachtchenko A.A., Savchuk N.P. Intelligent machine learning technologies in pre-synthetic combinatorial design // PharmaChem. 2003. V. 4. P. 68−72.
  54. Ivanenkov Y.A., Balakin K.V., Savchuk N.P., Ivachtchenko A.A., Skorenko A.V., Nikolsky Y. Advanced data mining tools for compounds libraries // European Biotechnology News. 2003. V. 2. P. 40−41.
  55. K.B., Иваненков Я. А., Скоренко A.B., Коваленко С. Н., Журавель И. А., Черных В. П. Построение классификационных моделей для виртуального скрининга // Журн. Орг. Фарм. Хим. 2004. Т. 2. № 3. С. 47−53.
  56. Balakin K.V., Savchuk N.P., Kiselyov A. Computer algorithms for selecting molecule libraries for synthesis II In Computer applications in pharmaceutical research and development / John Wiley & Sons, Inc. 2006. P. 353−377.
  57. Ekins S. Applications of QSAR to enzymes involved in toxicology // In Computational toxicology: risk assessment for pharmaceutical and enviromental chemicals / John Wiley & Sons, Inc.-2007. P. 277−295.
  58. Labute P., Nilar S., Williams С. A probabilistic approach to high throughput drug discovery // Comb. Chem. & High Throughput Scr. 2002. V. 5. № 2. P. 135−145.
  59. Gao H., Williams C., Labute P., Bajorath J. Binary quantitative structure-activity relationship (QSAR) analysis of estrogen receptor ligands // J. Chem. Inf. Comput. Sci. 1999. V. 39. № 1. P. 164 168.
  60. Savchuk N.P., Tkachenko S.E., Balakin K.V. Rational design of GPCR-specific combinational libraries based on the concept of privileged substructures // In Chemoinformatics in Drug Discovery / Wiley-VCI-I. 2005. P. 287−313.
  61. Rabow A.A., Shoemaker R.H., Sausville E.A., Covell D.G. Mining the National Cancer Institute’s tumor-screening database: identification of compounds with similar cellular activities // J. Med. Chem. 2002. V. 45. № 4. P. 818−840.
  62. Derwent World Drug Index. Dervvent Information, London, England. http://science.tliomsonreuters.com
  63. Maybridge Chemicals Company Ltd., England, http://www.mavbridge.com
  64. Wilson A.G., White A.C., Mueller R.A. Role of predictive metabolism and toxicity modeling in drug discoveiy — a summary of some recent advancements // Curr. Opin. Drug Discov. Devel. 2003. V. 6.№ l.P. 123−128.
  65. McKinney J.D., Richard A., Waller C., Newman M.C., Gerberick F. The practice of structure activity relationships (SAR) in toxicology //Toxic. Sci. 2000. V. 56. № 1. P. 8−17.
  66. Russom C.L., Brandbury S.P., Broderius S J., Hammermeister D.E., Drummond D.A. Predicting modes of toxic action from chemical structure: Acute toxicity in the fathead minnow"// Environ.-Toxicol. Chem. 1997. V. 16: № 5. P. 948−967.
  67. Balakin K.V., Ivanenkov Y.A., Skorenko A.V., Nikolsky Y.V., Savchuk N.P., Ivachtchenko A.A. In silico estimation of DMSO solubility of organic compounds for bioscreening // J. Biomol. Scr. 2004. V. 9. P. 22−31.
  68. Balakin K.V., Ivanenkov Y.A., Skorenko A.V., Nikolsky Y., Savchuk N.P., Ivashchenko A.A.1.ng-term experimental observations and theoretical studies- of physicochemical determinants ofth
  69. DMSO solubility of organic substances // Abstract book of SBS 9 Ann. Conference and Exhibition. Portland, USA. 2003. Abstr. P05005. P. 67.
  70. Balakin K.V. DMSO solubility and bioscreening // Current Drug Disc. 2003. № 8. P. 27−30.
  71. Lerner В., Guterman H., Aladjem M., Dinstein I. A Comparative study of neural network based feature extraction paradigms // Pattern Recognit. Lett. 1999. V. 20. P. 7−14.
  72. Lerner В., Guterman H., Dinstein I., Romem Y. Medial axis transform based features and a neural network for human chromosome classification//Pattern Recognit. 1995. V. 28. № 11. P. 1673- 1683.
  73. Sadowski J., Wagener M., Gasteiger J. Assessing similarity and diversity of combinatorial libraries by spatial autocorrelation functions and neural networks // Angew. Chem., Int. Ed. Engl. 1995. V. 34. P. 2674−2677.
  74. Gedeck P., Willett P. Visual and computational analysis of structure-activity relationships in high-throughput screening data // Curr. Opin. Chem. Biol. 2001. V. 5. № 4. P. 389−395.
  75. Toronen P., Kolehmainen M., Wong G., Castren E. Analysis of gene expression data using self-organizing maps //FEBS Lett. 1999. V. 451. № 2. P. 142−146.
  76. Rassokhin D.N., Agrafiotis D.K. A modified update rule for stochastic proximity embedding // J. Mol. Graphics Modell. 2003. V. 22. P. 133−140.
  77. Demartines P., Herault J. Curvilinear component analysis: a self-organizing neural network for nonlinear mapping of data sets // IEEE Trans. Neural Netw. 1997. V. 8. № 1. P. 148−154.
  78. Ivanenkov Y.A., Balakin K.V., Skorenko A.Y., Tkachenko S.E., Savchuk N.P., Ivachtchenko A.A. Nikolsky Y. Application of advanced machine learning algorithm for profiling specific GPCR-active compounds// Chem. Today. 2003. V. 21. № 6. P. 72−75.
  79. Ivachtchenko A., Okun I., Tkachenko S., Kiselyov A., Ivanenkov Y., Balakin K. Non-peptide small molecule inhibitors of caspases // In Design of caspase inhibitors as potential clinical agents / Taylor & Francis Group. 2007. 299 P.
  80. Balakin K.V., Ivanenkov Y.A., Kiselyov A.S., Tkachenko S.E. Histone deacetylase inhibitors in cancer therapy: Latest developments, trends and medicinal chemistry perspective // Anti-Cancer Agents Med. Chem. 2007. V. 7. № 5. P. 576−592.
  81. Ivanenkov Y.A., Balakin K.V., Tkachenko S.E. New approaches to the treatment of inflammatory disease: focus on small-molecule inhibitors of signal transduction pathways // Drugs RD. 2008. V. 9. № 6. P. 397−434.
  82. Lavrovsky Y., Ivanenkov Y.A., Balakin K.V., Medvedeva D.A., Ivachtchenko A.V. CXCR4 receptor as a promising target for oncolytic drugs // Mini. Rev. Med. Chem. 2008. V. 8. № 11. P. 1075−1087.
  83. Balakin K.V., Ivanenkov Y.A., Tkachenko SE, Kisclyov AS, Ivachtchcnko AV. Regulators of chemokine receptor activity as promising anticancer therapeutics // Curr. Cancer Drug Targets. 2008. V. 8. № 4. P. 299−340.
  84. Ekins S., Balakin K.V., Savchuk N., Ivanenkov Y. Insights for human ether-a-go-go-relatedgene potassium channel inhibition using recursive partitioning and Kohonen and Sammon mapping techniques // J. Med. Chem. 2006. V. 49. № 17. P. 5059−5071.
  85. Kiselyov A., Tkachenko S.E., Balakin K.V., Ivachtchenko A.V. Small molecule modulators of 5 Hh and Wnt signaling pathways // Expert Opinion. 2007. V. 11. № 8. P. 1087−1101.
  86. Kiselyov A.S., Milligan D., Ouyang X. Novel inhibitors of VEGF receptors-1 and -2 based on azole-5-carboxamide templates // Bioorg. Med. Chem. Lett. 2007. V. 17. № 13. P. 3550−3557.
  87. Rosenblatt R. The Perceptron: A probabilistic model for information storage and organization in the brain // Psychological Review. 1958. V. 65. P. 386−408.
  88. Ritter H. Self-organizing feature maps: Kohonen maps II In The handbook of brain theory and 5 neural networks /MIT Press. 1995. P. 846−851.
  89. Kaas J.H., Merzenich M.M., Killackey H.P. The reorganization of somatosensory cortexfollowing peripheral nerve damage in adult and developing mammals // Annual Review of Neurosciences. 1983. V. 6. P. 325−356.
  90. Hubel D.H., Wiesel T.N. Functional architecture of macaque visual cortex // Proceedings of the Royal Society. 1977. V. 198. P. 1−59.
  91. Neuroscience. 1987. V. 10. P. 41−65.
  92. Willshaw, D.J., von der Malsburg C. Flow patterned neural connexions can be set up by selforganisation // Proc. Roy. Soc. B. 1976. V. 194. P. 431−445.
  93. Networks. 1991. V. 2. P. 427−436.1115. Luttrell S.P. Self-organization: A derivation from first principle of a class of learning algorithms
  94. II IEEE Conference on Neural Networks. Washington, DC. 1989. P. 495−498.I
  95. Coleman M. Fluman drug metabolism: an introduction / John Wiley and Sons. 2010.360 P. ii 117. Erhardt P.W. Drug metabolism: Drug metabolism data: past, present and future considerations //I
  96. Drug metabolism / Cambridge: University Press. 1999. P. 17−22.t
  97. Bodor N. Retrometabolic approaches for drug design and targeting // Die Pharmazie. 1997. V. 52. P. 491−499.
  98. Deutsch H.M., Glinski J.A., Hernandez M., Haugwitz R.D., Narayanan V.L., Suflhess M., Zalkow L.H. Synthesis of congeners and prodrugs. Water-soluble prodrugs of taxol with potent antitumor activity // J. Med. Chem. 1989. V. 32. № 4. P. 788−792.
  99. Hwang S. K, Juhasz A., Yoon S. II, Bodor N. Soft drugs. Design, synthesis, and-evaluation of soft bufuralol analogues // J. Med. Chem. 2000. Y. 43. № 8. P. 1525−1532.
  100. Ioannides C., Cytochromes P450: Metabolic and toxicological aspects / CRC Press. 1996. 411 P.
  101. Celeste L.M. Cytochrome P450: Biochemistry, biophysics and molecular biology / John Libbey Eurotext.-1994.916P.
  102. Smith D. A, van de Waterbeemd H, Walker D. K, Mannhold R, Kubinyi H, Timmerman H. Pharmacokinetics and metabolism in drug design / Wiley-VCH. 2001. 187 P.
  103. В.Г. Основы медицинской химии / Москва. Вузовская книга. 2001. 384 С.
  104. Randall P.I., Shephard Е.А. Cytochrome Р450 protocols / Humana Press. 2006. 363 P.
  105. Klaassen C. Casarett and Doull’s toxicology: the basic science of poisons / McGraw-Hill Professional. 2007. 1280 P.
  106. Gillis A. M, Kates R.E. Clinical pharmacokinetics of the newer antiarrhythmic agents // Clin. Pharmacokinet. 1984. V. 9. № 5. P. 375−403.
  107. Rodrigues A.D. Use of in vitro metabolism studies in drug development: an-industrial perspective//Biochem. Pharmacol. 1994. V. 48. P. 2147−2156.
  108. K.B., Иваненков Я. А. Компьютерные методы прогнозирования метаболизма физиологически активных веществ // Биомедицинская Химия. 2004. Т. 51. № 2. С. 384−413.
  109. Balakin K.Y., Ivanenkov Y.A., Ivashchenko А.А., Savchuk N.P., Nikolsky Y.V. Prediction ofcompounds' binding affinity to the active sites of human cytochromes: a 3D pharmacophore andth
  110. Kohonen self-organizing map-based model // SBS 9 Annual Conference and Exhibition. Portland, USA. September, 2003.
  111. Savchuk N.P., Balakin K.V., Nikolsky Y., Ivanenkov Y.A., Skorenko A.V., Ivashchenko A.A. In silico ADME/Tox methods as part of a rational lead optimization strategy // Drug Discovery Technology Europe 2003. Stuttgart, Germany. March 31 April 03,2003.
  112. Balakin K.V., Ivanenkov Y.A., Savchuk N.P., Ivashchenko A.V. Computation approaches for early assessment of drug binding affinities to plasma proteins and cytochromes P450 // Drug Disc. Techn. Congress, Boston, MA, USA. Aug 8−13, 2004.
  113. Nassar A.F., Hollenberg P.F., Scatina J. Drug metabolism handbook: concepts and applications / John Wiley and Sons. -2009.1041 P.
  114. Smith D.A., van de Waterbeemd H., Walker D.K. Pharmacokinetics and metabolism in drug design / Wiley-VCH. 2006. 187 P.
  115. Ekins S. In silico approaches to predicting drug metabolism, toxicology and beyond // Biochem. Soc. Trans. 2003. V. 31. P. 611−614.
  116. Cruciani G., Meniconi M., Carosati E., Zamora I., Mannhold R. Drug bioavailability: VOLSURF: a tool for drug ADME-properties prediction // In Drug bioavailability / Wiley-VCH. -2003. P. 406−419.
  117. Shen M., Xiao Y., Golbraikh A., Gombar V.K., Tropsha A. Development and validation of k-nearest-neighbor QSPR models of metabolic stability of drug candidates // J. Med. Chem. 2003. V. 46. № 14. P. 3013−3020.
  118. Ekins S., de Groot M.J., Jones J.P. Pharmacophore and three-dimensional quantitative structure activity relationship methods for modeling cytochrome P450 active sites // Drug Metab. Dispos. 2001. V. 29. № 7. P. 936−944.
  119. Ekins S., Berbaum J., Harrison R.K. Generation and validation of rapid computational filters for CYP2D6 and CYP3A4//Drug Metab. Dispos. 2003. V. 31. № 9. P. 1077−1080.
  120. Lewis D.F., Modi S., Dickins M. Structure-activity relationship for human cytochrome P450 substrates and inhibitors // Drug Metab. Rev. 2002. V. 34. № 1−2. P. 69−82.
  121. Smith D.A., Ackland M.J., Jones B.C. Properties of cytochrome P450 isoenzymes and their substrates Part 1: active site characteristics // Drug Disc. Today. 1997. V. 2. № 10. P. 406−414.
  122. Smith D.A., Ackland M.J., Jones B.C. Properties of cytochrome P450 isoenzymes and their substrates Part 2: properties of cytochrome P450 substrates // Drug Disc. Today. 1997. V. 2. № 10. P. 479−486.
  123. P., Греннер Д., Мейес П., Родуэлл В. Биохимия человека / Москва. Мир. 1993. Т. 1.384 С.
  124. Lewis D.F., Eddershaw P. J., Dickins M., Tarbit M. I I., Goldfarb P. S. Structural determinants of cytochrome P450 substrate specificity, binding affinity and catalytic rate // Chem. Bio. Interact. 1998. V. 115.№ 3.P. 175−199.
  125. Jones S.A., Moore L.B., Wisely G.B., Kliewer S.A. Use of in vitro pregnane X receptor assays to assess CYP3A4 induction potential of drug candidates //Methods Enzymol. 2002. V. 357. P. 161 170.
  126. Darvas F. Predicting metabolic pathways by logic programming // J. Mol. Graphics. .1988. V. 6. P.80−86.
  127. Mulder G.J. Conjugation reactions in drug metabolism / Taylor & Francis. 1990.413 P.
  128. Hayashi S., Watanabe J., Kawajiri K. Genetic polymorphisms in the 5'-flanking region change transcriptional regulation of the human cytochrome P450IIE1 gene // J. Biochem. 1991. V. 110. P. 559−565.
  129. Hansch C. Quantitative relationships between lipophilic character and drug metabolism // Drug Metab. Rev. 1972. V. l.P. 1−14.
  130. Borodina Y., Sadym A., Filimonov D., Blinova V., Dmitriev A., Poroikov V.J. Predicting biotransformation potential from molecular structure // J. Chem. Inf. Comput. Sci. 2003. V. 43. № 5. 1636−1646.
  131. Talele T.T., Kulkarni V.M. Three-dimensional quantitative structure-activity relationship (QSAR) and receptor mapping of cytochrome P-450 inhibiting azole antifungal agents // J. Chem. Inf. Comput. Sci. 1999. V. 39. № 2. P. 204−210.
  132. Jones B.C., Hawksworth G., Home V.A., Nevvlands A., Morsman J., Tute M.S., Smith D.A. Putative active site template model for cytochrome P4502C9 (tolbutamide hydroxylase) // Drug Metab. Dispos. 1996. V. 24. № 2. P. 260−266.
  133. Ekins S., Bravi G., Wikel J.H., Wrighton S.A. Three-dimensional-quantitative structure activity relationship analysis of cytochrome P-450 3A4 substrates // J. Pharmacol. Exp. Ther. 1999. V. 291. № 1. P. 424−433.
  134. Szklarz G. D, Paulsen M.D. Molecular modeling of cytochrome P450 1A1: enzyme-substrate interactions and substrate binding affinities // J. Biomol. Struct. Dyn. 2002. V. 20. № 2. P. 155−162.
  135. Long A., Walker J.D. Quantitative structure-activity relationships for predicting metabolism and modeling cytochrome P450 enzyme activities // Environ. Toxicol. Chem. 2003. V. 22. № 8. P. 18 941 899.
  136. Buchwald P., Bodor N. Quantitative structure-metabolism relationships: steric and nonsteric effects in the enzymatic hydrolysis of noncongener carboxylic esters // J. Med. Chem. 1999. V. 42. № 25. P. 5160−5168.
  137. Darvas F., Dorman G., Papp A. Diversity measures for enhancing ADME admissibility of combinatorial libraries // J. Chem. Inf. Comput. Sci. 2000. Y. 40. № 2. P. 314−322.
  138. Ekins S., Ring B J., Binkley S.N., Hall S.D., Wrighton S.A. Autoactivation and activation of the cytochrome P450s // Int. J. Clin. Pharmacol. Ther. 1998. V. 36. № 12. P. 642−651.
  139. Ito K., Iwatsubo T., Kanamitsu S., Ueda K., Suzuki H., Sugiyama Y. Prediction of pharmacokinetic alterations caused by drug-drug interactions: metabolic interaction in the liver // Pharm. Rev. 1998. V. 50. № 3. P. 387−411.
  140. Thummel K.E., Wilkinson G.R. In vitro and in vivo drug interactions involving CYP3A // Ann. Rev. Pharmacol. Toxicol. 1998. V. 38. P. 389−430.
  141. Manners C.N., Pay ling D.W., Smith D.A. Distribution coefficient, a convenient term for the relation of predictable physico-chemical properties to metabolic processes // Xenobiotica. 1988. V. 18.№ 3. P. 331−350.
  142. Dohgu S., Banks W.A. Lipopolysaccharide-enhanced transcellular transport of FHV-1 across the blood-brain barrier is mediated by the p38 mitogen-activated protein kinase pathway // Exp. Neurol. 2008. V. 210. № 2. P. 740−749.
  143. Brodie B.B., Kurz PI., Schanker L.S. The importance of dissociaton constant and lipid-solubility in influencing the passage of drugs into the cerebrospinal fluid // J. Pharmacol. Exp. Ther. 1960. V. 130. P. 20−25.
  144. Plansch C., Bjorkroth J.P., Leo A. Hydrophobicity and central nervous system agents: on the principle of minimal hydrophobicity in drug design // J. Pharm. Sci. 1987. V. 76. № 9. P. 663−687.
  145. Fu X.C., Wang G.P., Shan PI.L., Liang W.Q., Gao J.Q. Predicting blood-brain barrier penetration from molecular weight and number of polar atoms // Eur. J. Pharm. Biopharm. 2008. V. 70. № 2. P. 462−466.
  146. Hammarlund-Udenaes M., Paalzow L.K., de Lange E.C. Drug equilibration across the blood-brain barrier pharmacokinetic considerations based on the microdialysis method // Pharm. Res. 1997. V. 14. № 2. P. 128−134.
  147. Oprea T.I., Davis A.M., Teague S J., Leeson P.D. Is there a difference between leads and drugs? A historical perspective//! Chem. Inf. Comput. Sci. 2001. V. 41. № 5. P. 1308−1315.
  148. Lipinski C.A., Lombardo F., Dominy B.W., Feeney P.J. Experimental and computational approaches to estimate solubility and permeability in drug discovery and development settings // Adv. Drug Delivery Rev. 2001. V. 46. № 1−3. P. 3−26.
  149. Ecker G., Chiba P., Mannhold R. Transporters as drug carriers: structure, function, substrates / Wiley-VCH, 2009.449 P.
  150. Ajay A, Walters W. P, Murcko M.A. Can we learn to distinguish between «drug-like» and «nondrug-like» molecules?//J. Med. Chem. 1998. V. 41. № 18. P. 3314−3324.
  151. Sadowski J, Kubinyi H. A scoring scheme for discriminating between drugs and nondrugs // J. Med. Chem. 1998. V. 41. № 18. P. 3325−3329.
  152. Соловьев М. Ю, Филимонов С. И, Скоренко А. В, Иваненков Я. А, Балакин К. В, Дорогов М. В. Синтез, строение и свойства ряда 3-сульфамидных производных пиридина // Изв. ВУЗов. Химия и Хим. Техн. 2004. Т. 47. № 2. С. 28−36.
  153. Balakin K. V, Konarkowski Н.А.Е, Skorenko A. V, Stepanov V. A, Lang S. A, Ivashchenko A. A, Savchuk N.P. Blood-brain barrier permeability modeling using machine learning technologies // LaborWelt. 2002. № 4. P. 24−25.
  154. Balakin K. V, Savchuk N. Advanced data mining techniques // Manufact. Chem. 2004. V. 75. № 7. P. 31−33.
  155. Balakin K. V, Ivanenkov Y. A, Ivashchenko A. A, Savchuk N.P.' Modeling blood-brain barrier partitioning using unsupervised learning approach // Drug Science & Technology Summit. New York, USA. 2003. March 30 April.01.
  156. Barrett К. Е, Johnson L. R, Ghishan F. K, Merchant J. L, Said H. M, Wood J.D. Physiology of the gastrointestinal tract, volume 1 / Academic Press. 2006.2080 P.
  157. Harrison A. P, Erlwanger K. H, Elbrond V. S, Andersen N. K, Unmack M.A. Gastrointestinal-tract models and techniques for use in safety pharmacology // J. Pharmacol. Toxicol. Methods. 2004. V. 49. № 3. P. 187−199.
  158. Kobiler D, Lustig S, Shapira S. Blood-brain barrier: drug delivery and brain pathology / Springer.-2001.434 P.
  159. Norinder U, Haeberlein M. Computational approaches to the prediction of the blood-brain distribution//Adv. Drug. Del. Rev. 2002. V. 54. № 3. P. 291−313.
  160. Yoshida F, Topliss J.G. QSAR model for drug human oral bioavailability // J. Med. Chem. 2000. V. 43. № 13. P. 2575−2585.
  161. Clark D.E. Rapid calculation of polar molecular surface area and its application to the prediction of transport phenomena. 1. Prediction of intestinal absorption // J. Pharm. Sci. 1999. V. 88. № 8. P. 807−814.
  162. Norinder U, Osterberg T, Artursson P. Theoretical calculation and prediction of intestinal absorption of drugs in humans using MolSurf parameterization and PLS statistics // Eur. J. Pharm. Sci. 1999. V. 8. № 1. P. 49−56.
  163. Kelder J., Grootenhuis P.D., Bayada D.M., Delbressine L.P., Ploemen J.P. Polar molecular surface as a dominating determinant for oral absorption and brain penetration of drugs // Pharm. Res. 1999. V. 16. № 10. P. 1514−1519.
  164. Crivori P., Cruciani G., Carrupt P.A., Testa B. Predicting blood-brain barrier permeation from three-dimensional molecular structure // J. Med. Chem. 2000. V. 43. № 11. P. 2204−2216.
  165. Brewster M.E., Pop E., Huang M-J., Bodor N. AMl-based model system for estimation of brain/blood concentration ratios // Int. J. Quantum Chem. 1996. V. 60. P. 51−63.
  166. Avdeef A. Physicochemical profiling (solubility, permeability and charge state) // Curr. Top. Med. Chem. 2001. V. 1. № 4. P. 277−351.
  167. Clark D.E., Grootenhuis P.D. Progress in computational methods for the prediction of ADMET properties // Curr. Opin. Drug Discov. Devel. 2002. V. 5. № 3. P. 382−390.
  168. Raevsky O.A., Schaper K.J., Artursson P., McFarland J.W. A novel approach for prediction of intestinal absorption of drugs in humans based on hydrogen bond descriptors and structural similarity // Quant. Struct. Act. Relat. 2001. V. 20. P. 402−413.
  169. Niwa T. Using general regression and probalistic neural networks to predict human intestinal absorption with topological descriptors derived from two-dimensional chemical structures // J. Chem. Inf. Comp. Sci. 2003. V. 43. № 1. P. 113−119.
  170. Ekins S., Boulanger B., Swaan P.W., Hupcey M.A. Towards a new age of virtual ADME/TOX and multidimensional drug discovery // J. Comput. Aided Mol. Des. 2002. V. 16. № 5−6. P.' 381−401.
  171. Thummel K., Shen D.D. Design and optimization of dosage regimens: pharmacokinetic data // In Goodman and Gilman’s the pharmacological basis of therapeutics / McGraw-Hill. 2001. P. 19 242 023.
  172. Penzotti J.E., Lamb M.L., Evenson E., Grootenhuis P.D. A computational ensemble pharmacophore model for identifying substrates of P-glycoprotein // J. Med. Chem. 2002. V. 45. № 9. P. 1737−1740.
  173. Ekins S., Kim R.B., Leake B.F., Dantzig A.H., Schuetz E., Lan L.B., Yasuda K., Shepard R.L. Three-dimensional quantitative structure-activity relationships of inhibitors of P-glycoprotein // Mol. Pharmacol. 2002. V. 61. № 5. P. 964−973.
  174. Guttmann L. Some necessary conditions for common factor analysis // Psychometrika. 1954. V. 19. № 2. P. 149−161.
  175. Catell R.B. The scree test for the number of factors // Multi Behav. Res. 1966. V. 1. № 2. P. 245 276.
  176. Tozer T.N., Malcolm R. Introduction to pharmacokinetics and pharmacodynamics: the quantitative basis of drug therapy // Lippincott Williams & Wilkins. 2006.326 P.
  177. Benet L.Z., Oie S., Schwartz J.B. Design and optimization of dosage regimens- pharmacokinetic data II In Goodman and gillman’s the pharmacological basis for therapeutics / McGraw-Hill. 1995. P. 1707−1792.
  178. Smith D.A., Jones B.C., Walker D.K. Design of drugs involving the concepts and theories of drug metabolism and pharmacokinetics // Med. Res. Rev. 1996. V. 16. № 3. P. 243−266.
  179. Mason R.P., Rhodes D.G., Herbette L.G. Reevaluating equilibrium and kinetic binding parameters for lipophilic drugs based on a structural model for drug interaction with biological membranes //J. Med. Chem. 1991. V. 34. № 3. P. 869−877.
  180. Foulds G., Shepard R.M., Johnson R.B. The pharmacokinetics of azithromycin in human serum and tissues // J. Antimicrob. Chemother. 1990. V. 25. P. 73−82.
  181. Fowle W.A., Butz A.S.E., Jones E.C., Waetherly B.C., Welch R.M., Posner J. Comparative disposition of codeine and pholcodine in man after single oral doses // Br. J. Clin. Pharmacol. 1986. V. 22. № 1. P'61−71.
  182. Cook C.S., McDonald S.J., Karim A. Importance of pharmacokinetic and physicochemical data in the discovery and development of novel anti-arrhythmic drugs // Xenobiotica. 1993. V. 23. № 11. P. 1299−1309.
  183. Pharm D., Murphy J.E. Clinical pharmacokinetics, 4th ed. / ASIIP. 2008.488 P.
  184. Haller M., Akbulut C., Brechtelsbauer PI., Fett W., Briegel J., Finsterer U., Peter K. Determination of plasma volume with indocyanine green, in man // Life Sci. 1993. V. 53. № 21. P. 1597−1604.
  185. Schoenwald R.D. Pharmacokinetics in drug discovery and development // CRC Press. 2002. 440 P.
  186. Weiss M., Krejcie T.C., Avram M.J. Circulatory transport and capillary-tissue exchange as determinants of the distribution kinetics of inulin and antipyrine in dog // J. Pharm. Sci. 2007. V. 96. № 4. P. 913−926.
  187. Walker D.K., Humphrey M.J., Smith- D.A. Importance of metabolic stability and hepatic distribution to the pharmacokinetic profile of amlodipine // Xenobiotica. 1994. V. 24. № 3. P. 243 250.
  188. Spruill V.J., Blouin R.A., Pruemer J.M., Wade V.E., DiPiro J.T. Concepts in clinical pharmacokinetics, 5th ed. / ASIIP. 2010.250 P.
  189. Lombardo F., Obach R.S., Shalaeva M.Y., Gao F. Prediction of volume of distribution values in humans for neutral and basic drugs using physicochemical measurements and plasma protein binding data// J. Med. Chem. 2002. V. 45. № 13. P. 2867−2876.
  190. Balakin K.V., Ivanenkov Y.A., Savchuk N.P., Ivachtchenko A.A., Ekins S. Comprehensive computational assessment of ADME properties using mapping techniques // Curr. Drug Disc. Techn. 2005. V. 2. P. 99−113.
  191. Colmenarejo G., Alvarez-Pedraglio A., Lavandera J.-L. Cheminformatic models to predictbinding affinities to human serum albumin // J. Med. Chem. 2001. V. 44. № 25. P. 4370−4378.
  192. Saiakhov R., Stefan L.R., Klopman G. Multiple computer-automated structure evaluation model of the plasma protein binding affinity of diverse drugs // Persp. Drug Disc. Design. 2000. V. 19. № 1. P.133−155.
  193. Hein K.L., Kragh-Hansen U., Morth J.P., Jeppesen M.D., Otzen D., Moller J.V., Nissen P. Crystal structure of human serum albumin complexed with Lidocaine // J. Struct. Biol. 2010. V. 171. № 3. P. 353−360.
  194. Zunszain P.A., Ghuman J., McDonagh A.F., Curry S. Crystallographic analysis of human serum albumin complexed with 4Z, 15E-bilirubin-IXalpha // J. Mol. Biol. 2008. V. 381. № 2. P. 394−406.
  195. Yang F., Bian C., Zhu L., Zhao G., Huang Z., Huang M. Effect of human serum albumin on drug metabolism: structural evidence of esterase activity of human serum albumin // J. Struct. Biol. 2007. V. 157. № 2. P. 348−3455.
  196. Ghuman J., Zunszain P.A., Petitpas I., Bhaltachaiya A.A., Otagiri M., Curry S. Structural basis of the drug-binding specificity of human serum albumin // J. Mol. Biol. 2005. V. 353. № 1. P. 38−52.
  197. Peters T.Jr. All about albumin: biochemistry, genetics, and medical applications // Academic Press. 1995.432 P.
  198. Zunszain P.A., Ghuman-J., Komatsu T., Tsuchida E., Curry S. Crystal structural analysis of human serum albumin complexed with hemin and fatty acid // BMC Struct. Biol. 2003. Y. 3. P. 6.
  199. Rajbar S. An abnormal hemoglobin in red cells of diabetics // Clin. Chim. Acta. 1968. V. 22. № 2. P. 296−298.
  200. Day J.F., Thorpe S.R., Baynes J.W. Nonenzymatically glucosylated albumin. In vitro preparation and isolation from normal human serum // J. Biol. Chem. 1979. V. 254. № 3. P. 595−597.
  201. Iberg N., Fluckiger R. Nonenzymatic glycosylation of albumin in vivo. Identification of multiple glycosylated sites//J. Biol. Chem. 1986. V. 261. № 29. P. 13 542−13 545:
  202. Jakus V., ITrnciarova M., Carsky J., Krahulec B., Rietbrock N. Inhibition of nonenzymatic protein glycation and lipid peroxidation by drugs with antioxidant activity // Life Sei. 1999. V. 65. № 18−19. P. 1991−1993.
  203. Ickstein H., Wolff D., Stange J., Frei E., Hartung G. Prolonged survival of renal allograft in rats by methotrexate-albumin conjugates as immunosuppressive therapy // Transplant Proc. 2008. V. 40. № 10. P. 3725−3727.
  204. Yamazaki K., Kanaoka M. Computational prediction of the plasma protein-binding percent of diverse pharmaceutical compounds // J. Pharm. Sei. 2004. V. 93. № 6. P. 1480−1494.
  205. Kratochwil N.A., Huber W., Muller F., Kansy M., Gerber D. Predicting plasma protein binding of drugs: anew approach//Biochem. Pharmacol. 2002. V. 64. JM° 9. P. 1355−1374.
  206. Rodgers S.L., Davis A.M., Tomkinson N.P., van de Waterbeemd H. QSAR modeling using automatically updating correction libraries: application to a human plasma protein binding model // J. Chem. Inf. Model. 2007. V. 47. № 6. P. 2401−2407.
  207. Andrews C.W., Bennett L., Yu L.X. Predicting human oral bioavailability of a compound: development of a novel quantitative structurebioavailability relationship // Pharm. Res. 2000. V. 17. № 6. P. 639−644.
  208. Kerns E. Drug-like properties: concepts, structure design and methods: from adme to toxicity optimization // Academic Press. 2008. 552 P.
  209. Binghe W. Drug delivery: principles and applications / Wiley-Interscience. — 2005.464 P.
  210. Beverly A. Teicher cancer drug resistance / Humana Press. 2006. 640 P.
  211. Zhang E.Y., Phelps M.A., Cheng C., Ekins S., Swaan P.W. Modeling of active transport systems // Adv. Drug Del. Rev. 2002. V. 54. № 3. P. 329−354.
  212. Stouch T.R., Gudmundsson O. Progress in understanding the structure-activity relationships of P-glycoprotein // Adv. Drug Del. Rev. 2002. V. 54. № 3. P. 315−328.
  213. Pajeva I.K., Wiese M. Pharmacophore model of drugs involved in P-glycoprotein multidrug resistance: explanation of structural variety // J. Med. Chem. 2002. V. 45. № 26. P. 5671−5686.
  214. Langer T., Eder M., Hoffmann R.D., Chiba P., Ecker G.F. Lead identification for modulators of multidrug resistance based on in silico screening with a pharmacophoric feature model // Arch. Pharm. 2004. V. 337. № 6. P. 317−327.
  215. Pajeva I.K., Globisch C., Wiese M. Structure function relationships of multidrug resistance P-glycoprotein // J. Med. Chem. 2004. V. 47. № 10. P. 2523−2533″.
  216. Garrigues A., Loiseau N., Delaforge M., Ferte J., Garrigos M., Andre F., Orlowski S. Characterization of two pharmacophores on the multidrug transporter P-glycoprotein // Mol. Pharmacol. 2002. V. 62. № 6. P. 1288−1298.
  217. Cronin M.T. Computer-aided prediction of drug toxicity and metabolism // Exp. Suppl. 2003. V. 93. P. 259−278.
  218. Savchuk N.P., Balakin K.V. Data mining approaches for enhancement of knowledge-based content of de novo chemical libraries // In Virtual screening in drug discovery / CRC Press. 2005. P. 121−149.
  219. Chekmarev D.S., Kholodovych V., Balakin K.V., Ivanenkov Y., Ekins S., Welsh W.J. Shape signatures: New descriptors for predicting cardiotoxicity in silico // Chem. Res. Toxicol. 2008. V. 21. № 6. P. 1304−14.
  220. Cronin M.T. The current status and future applicability of quantitative structure-activity relationships (QSARs) in predicting toxicity // Altern. Lab. Anim. Suppl. 2002. V. 2. P. 81−84.
  221. King A.V., Jones P.A. In-house assessment of a modified in vitro cytotoxicity assay for higher throughput estimation of acute toxicity // Toxicol. In Vitro. 2003. V. 17. № 5−6. P. 717−722.
  222. Schneider G., Baringhaus K-H. Molecular design: concepts and applications / Wiley-VCPI. -2008. 262 P.
  223. К.В., Иваненков Я. А., Иващенко А. А. Компьютерные методы прогнозирования мишень-специфической активности в разработке новых прошвоопухолевых соединений // Психофармакология и биологическая наркология. 2007. Т. 7. № 4. С. 1598.
  224. Selzer P., Ertl P. Applications of self-organizing neural networks in virtual screening and diversity selection//J. Chem. Inf. Model. 2006. V. 46. № 6. P. 2319−2323.
  225. K.B., Иваненков Я. А., Скоренко A.B., Коваленко С. Н., Журавель И. А., Черных В. П. Построение классификационной модели для виртуального скрининга ингибиторов тирозиновых киназ // Журн. Орг. Фарм. Хим. 2004. Т. 2. № 4. С. 48−53.
  226. Savchuk N.P., Tkachenko S.E., Balakin K.V. Rational design of GPCR-specific combinatorial libraries based on the concept of privileged substructures / In Cheminformatics in drug discovery / Wiley VCH. 2004. P. 287−313.
  227. К.В., Иваненков Я. И., Бовина Е. В. Методы нелинейного картирования для прогнозирования фармакологических свойств химических соединений // Тезисы докладов на УП Всероссийской конференции с Молодежной научной школой. УФА, 2009 г. 1−5 шоля. С. 7.
  228. Trepalin S.V., Gerasimenko V.A., Kozyukov A.V., Savchuk N.P., Ivashchenko А.А. New diversity calculations algorithms used for compound selection // J. Chem. Inf. Comput. Sci. 2002. V. 42. № 2. P. 249−258.
  229. Catell R. B, Vogelmann S. A comprehensive trial of the Scree and KG-Criteria for determining the number of factors // Multi. Behav. Res. 1977. V. 12. P. 289−325.
  230. Anzali S, Gasteiger J, Holzgrabe U, Polanski J, Sadowski J, Teckentrup A, Wagener M. The use of self-organizing neural networks in drug design // In 3D QSAR in drug design, vol. 2 / Dordrecht: Kluwer (ESCOM). 1998. P. 273−299.
  231. Brustle M., Beck В., Schindler T., King W" Mitchell T., Clark T. Descriptors, physical properties, and drug-likeness // J. Med. Chem. 2002. V. 45. № 16. P. 3345−3355.
  232. Ghosh P, Bagchi M.C. QSAR modeling for quinoxaline derivatives using genetic algorithm and simulated annealing based feature selection // Curr. Med. Chem. 2009. V. 16. № 30. P. 4032−4048.
  233. Spencer E.H. Development of a structure prediction method for G-protein coupled receptors / Thesis. California Institute of Technology, Pasadena, CA. 2005.
  234. Кравченко Д. В, Иваненков Я. А, Балакин К. В, Кисиль В. М, Ткаченко С. Е, Окунь И. М, Иващенко А. В. Дизайн и синтез новых непептидных ингибиторов каспазы-3 // Химико-фармацсвгический журнал. 2006. Т. 3. С. 125−129.
  235. Волкова Т. Г, Балакин К. В, Иваненков Я. А, Клюев М. В. Прогнозирование биологической активности структурных аналогов бензилиденанилина // Жидкие кристаллы и их практическое использование. 2010. Т. 3. С. 57−63.к A с/
Заполнить форму текущей работой

Пора сдавать?