BioinformaticsAndMe

진통제 분류 Start

BioinformaticsAndMe

진통제 (Analgesics; Painkiller)

: 진통제는 통증을 제거하거나 완화시키는 약물이다. 마약성 진통제와 비마약성 진통제로 구분된다.

: 마약성 진통제는 중추신경계에서 통증의 전달을 억제하여 진통 효과를 나타내며, 진통 작용이 큰 편이나 오남용의 위험이 있다.

: 비마약성 진통제는 주로 염증을 가라앉히는 작용으로 통증을 억제하며, 비스테로이드성 소염진통제, 아세트아미노펜 등이 있다.

: 진통제는 크게 마약성 진통제(narcotic analgesics)와 비마약성 진통제(non-narcotic analgesics)로 구분되며 약리작용에서 차이가 있다.

#Reference

1) https://ko.wikipedia.org/wiki/%EB%94%94%ED%81%B4%EB%A1%9C%ED%8E%98%EB%82%99

2) http://www.health.kr/main.asp

진통제 분류 End

BioinformaticsAndMe

AI 기반 신약후보물질 발굴 기업 Start

BioinformaticsAndMe

AI 기반 신약후보물질 발굴 기업

1) GSK (GlaxoSmithKline;글락소스미스클라인;영국)

4. Johnson & Johnson (존슨앤드존슨;미국)

: 약물 화학 구조 데이터 및 Cell line 약물 반응 screening 데이터를 통합하여 인풋 데이터로 사용

: Compound의 용량별 assay 데이터 기반의 multi-task learning을 통해, 신약 후보 Compound 발굴

: 모든 Compound assay 데이터와 Cell line 약물 반응 microscopy 이미지를 통합

: https://www.jnj.com/

5. Just Biotherapeutics (미국)

: 공개된 데이터 DB인 LabKey Biologics를 통해, 전처리 및 기계학습 적용 가능한 형태의 데이터 제공

: Lead optimization/Lead selection/Auto capture 등이 가능한 Abacus 플랫폼 서비스 제공

: Justruct라 불리는 public 3D macromolecular structure 오픈 소스 코드 제공

: http://www.justbiotherapeutics.com/

6. e-Therapeutics (영국)

: Protein-Protein interaction/Pan-Omics information/Compound-protein signature DB 및 문헌 정보들을 통합한 네트워크 기반 분석 플랫폼 보유

: Molecules 및 Phenotypes 사이의 연관 관계를 이용한 네트워크 생성

: Combinatorial impact analysis/Compound impact ranking/Compound footprint matching 정보 제공

7. Cloud Pharmaceuticals (미국)

: 약물 관련 데이터를 통합하여 빅데이터화한 in-silico platform 제공

: Quantum Molecular Design 시스템을 통해 새로운 약물 디자인 설계

: Duke 대학의 Inverse Design 기술 독점 라이선스 및 Binding energy를 이용하여 chemical space를 찾음

8. Berg (미국)

: 다양한 약물 관련 리소스를 통합하여 분석 가능한 AI 분석 툴 제공

: 환자 중심 데이터 간의 상호 관련성에 기반하여 분석

: 분석 플랫폼 bAIcis 제공

10. Accutar Biotech (미국)

: 약물 구조를 QSAR를 통해 Fingerprint 형식의 데이터 인공지능을 적용하여, 임상 가능하고 효과적인 신규 약물 후보 발굴

: 약물 구조를 1D/2D/3D/4D 형태의 Descripoter 데이터로 변환하여 인공지능에 적용

: Chemical hashed fingerprints 방법으로 약물 구조 데이터를 변환하여 인공지능 및 기계학습에 적용

: https://www.accutarbio.com/

#Reference

1) https://www.forbes.com/sites/yiannismouratidis/2018/12/16/the-rising-star-companies-in-ai-drug-development/

2) https://www.digitaltrends.com/cool-tech/artificial-intelligence-inventing-drugs/

3) https://www.gsk.com/

5) http://www.numerate.com/

6) https://www.jnj.com/

7) http://www.justbiotherapeutics.com/

8) https://www.etherapeutics.co.uk/

9) http://www.cloudpharmaceuticals.com/

10) https://www.berghealth.com/about/

11) https://www.recursionpharma.com/

12) https://www.accutarbio.com/

AI 기반 신약후보물질 발굴 기업 End

BioinformaticsAndMe

CADD(Computer-Aided Drug Design)_v2 Start.

BioinformaticsAndMe

CADD 

저번에 이어 부가적 내용을 추가하였다.

1. 기존 신약개발의 한계

-신약개발 분야에서 시대가 지남에 따라 투입되는 Input(신약개발비용과 인력)에 비해 Output(신약개발성공)이 나오지 않는 한계에 부딪힘

-일반적으로 대부분의 신약개발연구는 임상 2상에서 실패

→실패의 51%가 불충분한 효용성 때문

→Pre-clinical에서는 동물 위주로 실험하기 때문에 사람 대상으로 효능이 분명하지 않음

2. CADD(Computer-Aided Drug Design)

-CADD: 컴퓨터를 기반하여 신약후보 물질들의 신약가능성 여부 예측 및 불필요한 화합물들을 만드는 것을 줄이고,

                 기존 약에 비해 약효가 더 좋은 새로운 구조의 신약 후보물질을 디자인

① Target identification

→특정 질병을 유발하는 원인을 찾고, 그것을 조절하는 타겟 단백질을 선정

→Bioinformatics 활용

→예)Reverse docking: 수천 개의 타겟 중에서 리간드 결합 물질을 역추적해 타겟 확인

② Target validation

→선정된 타겟의 제어와 목표하는 질환 치료와의 상관, 인과관계를 검증

→Bioinformatics, Structural informatics 활용

예)Target druggability: 예측된 타겟이 실제 약효로 작용하는지 혹은 결합 부위가 연구 가능한 위치인지 확인

  http://www.vls3d.com/index.php/virtual-screening/comments-about-virtuel-screening?start=4

③ Lead discovery

→타겟 단백질의 약리적인 활성을 나타내는 화합물 작용기들을 조절하면서 약리활성이

  향상되는 구조를 찾음

→Structural informatics, Chemoinformatics/System biology 활용

→예)Molecular docking: 단백질 구조에서 약물이 결합하는 부위에 다양한 화합물 구조를 두고,

                                    어떤 단백질과 강하게 상호작용을 하는지 계산

④ Lead optimization

→약동학 관점에서, 만들어진 물질(Lead)의 체내의 운반/효능/부작용 등을 개선 연구

→Chemoinformatics/System biology 활용

→예)QSAR: 물질이 가지고 있는 화학 구조를 이용하여 물성 혹은 독성을 계산

  https://www.quora.com/What-are-the-steps-of-QSAR-based-drug-design

⑤ Preclinical test

→도출된 후보물질의 유효성/독성 검증을 위해, 동물 모델을 대상으로 생화학적 실험 단계

→Chemoinformatics/System biology 활용

→예)ADMET: 화합물의 흡수/분배/대사/배출/독성 등의 약동학 측면에서 약물 효능 측정

CADD(Computer-Aided Drug Design)_v2 End.

BioinformaticsAndMe

Ligand 라이브러리 for CADD Start.

BioinformaticsAndMe

CADD에서 사용될 리간드 Library의 특징을 살펴보자

리간드 라이브러리는 관심 있는 타겟의 1)약물 유사성을 높이거나 2)생리화학적 특징을 사용하여 제작된다.

매우 빠른 Docking algorithm을 사용할지라도 수백만 compound의 docking은 상당한 시간이 걸린다.

이 시간을 줄이기 위해서는 불안정하거나 선호되지 않는 compound를 제거해야한다.

1) 약물 유사성을 높이기 위해, 일반적으로 'Lipinski’s rule'을 잘 따라야한다.

그 이유는 리핀스키 규칙을 벗어나게 되면, 약물의 흡착력이 떨어지는 것으로 확인되었기 때문이다.

'Lipinski’s rule'

구강 복용 약물은 다음 기준에서 한가지도 위반할 수 없다

a) maximum of five hydrogen bond donors (수소결합 donor가 최대 5개(N-H, O-H))

b) no more than 10 oxygen and nitrogen atoms (수소결합 acceptor가 10개 미만(N, O))

c) molecular mass less than 500 daltons (분자량이 500달턴보다 적음)

d) an octanol-water partition coefficient of not greater than five (옥탄올-물 사이에서 해당 분자의 분배계수 값이 5 이하 안됨)

리핀스키의 규칙을 따르는 대표약들은 아스피린과 암로디핀이다.

2) 생리화학적 특징은 주로 'DMPK/ADMET' 을 이용한다.

ADMET: in vitro, 약물동태독성 - 흡수, 분포, 대사, 배설(absorption, distribution, metabolism and elimination)

DMPK: in vivo, 약물대사 약물동력학 - (drug metabolism pharmacokinetic)

DMPK/ADMET 특성을 예측하는 Ligand 기반 방법은 통계 및 학습 접근법, 분자 설명자 및 실험 데이터를 사용하여,

장내 흡수/투과성, 반감기, 혈장분포 등의 생물학적 프로세스를 모델링한다.

#참고문헌

1) Lipinski CA, Lombardo F, Dominy BW, & Feeney PJ (2001) Experimental and computational approaches to estimate solubility and permeability in drug discovery and development settings. Advanced drug delivery reviews 46(1-3):3-26.

2) Kelder J, Grootenhuis PDJ, Bayada DM, Delbressine LPC, & Ploemen JP (1999) Polar molecular surface as a dominating determinant for oral 

Ligand 라이브러리 for CADD End.

BioinformaticsAndMe

Ligand 데이터베이스 Start.

BioinformaticsAndMe

가상 스크리닝에서 리간드 db의 필요성을 이해하고, 관련 database를 살펴보자.

Virtual HTS(High Throughput Screening)에서는 방대한 Chemical Ligand db를 스크리닝하고, 합성을 위한 compound 우선 순위를 정한다.

이 과정에서 우리는 Virtual Library가 필요하다.

NGS에서 시퀀싱을 위해 라이브러리가 필요하듯이, 가상 스크리닝에서도 다양한 사이즈와 디자인을 갖는 Virtual library로 스크리닝을 진행한다.

Virtual Library는 일반적으로 아래 3개로 나뉜다.

1)일반라이브러리 (any target)

2)특정한 타겟군이 있는 라이브러리 (family of related targets)

3)하나의 타겟만 보는 라이브러리 (single target)

일반 라이브러리는 다양한 computational & combinatorial tool로 제작될 수 있다.

연구 초기에는 한정된 분자식으로, 만들어낼 수 있는 라이브러리 개수가 적었다고 한다.

그러나, 기술과 연구가 발달함에 따라 분자식을 넘어 그 사이를 채우는 화학 공간 정보를 이용해 라이브라리 다양성을 증대시켰다.

기존에 없던 정보들이 계속 더해져가고 우리는 그만큼 수많은 Virtual library를 구현할 수 있게된 것이다.

#아래는 chemical compound 데이터베이스들이다. 'PubChem과 Zinc'가 상당량의 compound 정보를 보유하고 있다.

참고로 대부분의 Virtual HTS는 이미 알려진 물질을 시작으로 복잡성을 더하여 합성해나가는 방식을 취한다.

위의 데이터베이스들이 그 스타트선에 있는 Chemical compound, drug, enzyme, reactant DB 라 볼 수 있겟다.

#참고문헌

1) Agarwal AK & Fishwick CW (2010) Structure-based design of anti-infectives. Ann N Y Acad Sci 1213:20-45.

2) Song CM, Lim SJ, & Tong JC (2009) Recent advances in computer-aided drug design. Brief Bioinform 10(5):579-591.

3) Ortholand JY & Ganesan A (2004) Natural products and combinatorial chemistry: back to the future. Curr Opin Chem Biol 8(3):271-280.

Ligand 데이터베이스 End.

BioinformaticsAndMe

Cloud Drug discovery Start.

BioinformaticsAndMe

오늘은 Computer-aided drug discovery(CADD) 분야에서 'Cloud Computing'의 잠재력을 살펴보겠다.

1. 컴퓨터를 활용한 신약 개발 (CADD)

클라우드 컴퓨터를 논하기 전에 먼저 CADD에 대한 설명이 필요할 것 같다 (아래 참조).

http://bioinformaticsandme.tistory.com/26?category=808221

컴퓨터 성능의 비약적인 발달에 따라, 많은 제약회사들이 CADD를 통해 신약을 개발하기위해 각축을 벌였다.

영국의 제약회사 글락소웰컴은 Relenza(리렌자)라는 흡입식 독감 전문 치료제를 CADD를 활용해 창출하였다.

#리렌자: 독감 바이러스 표면에 있는 바이러스 증식 효소 neuraminidase를 억제함으로써 바이러스가 다른 세포로 확산되는 것을 저해.

#뉴라미니다아제를 표적으로 수많은 단백질의 표적 구조를 탐색연구하는데 CADD를 활용.

#Drug discovery 연구에서 컴퓨터를 활용한 가상 스크리닝 과정을 심플하게 살펴보자.

1) 타겟사이트를 찾음

2) 찾은 것을 3D 모델링.

3) 수많은 candidate을 docking해봄.

4) 얼마나 잘 결합하는지 측정.

5) 가장 유망한 candidate을 physical screening 코스로 넘김.

위 일련의 과정 중에서 성공적인 신약 개발에 필수적인 요소가 무엇일까? 아래 2가지를 키포인트로 두고싶다.

- 데이터(Ex: compound data)를 얼마냐 확보하고 있는가?

- compound 하나당 얼마나 빠른 속도로 정확하게 처리될 수 있는가?

다시 말해, candidate으로 활용할 대용량 데이터들을 얼마나 빠르고 정확하게 처리할 수 있는지가

컴퓨터를 활용한 신약 개발의 성공을 결정지을 것이다.

2. 클라우딩 컴퓨터 (Cloud computing)

클라우드 컴퓨팅은 인터넷을 통해 유저가 필요한만큼의 리소스를 가져다 사용하며, 유연성 있게 작업 환경을 구축할 수 있다.

CADD 연구를 위해 방대한 computer cluster를 로컬 환경에 직접 구축하는 것은 생각보다 긴 시간을 소모한다.

서버컴퓨터를 사고, 모델링 소프트웨어를 사고, 필요 인력을 고용하는 등

제대로 된 CADD 분석 환경을 구축하려면 넉넉잡아 3년이 걸린다한다. 

신약개발 앞단의 연구가 물론 중요하지만(garbage-in, garbage-out),

그 앞단 연구를 위해 방대한 시스템을 구축하는 시간과 비용 또한 무시할 수 없을 것이다.

기껏 시간과 돈을 들여 CADD 분석 환경을 구축했는데, 이렇다할 성과가 안나와 사업을 접게 된다면,

힘들게 구축한 서버 클러스터와 각종 비싼 라이센스가 큰 부담으로 남을 것이다.

신약개발의 주요 포인트는 대용량 데이터와 빠른 프로세싱이기 떄문에,

손쉽게 그러한 환경을 구축할 수 있는 클라우드 컴퓨팅이 CADD 연구에 기반이 될 수 있다.

클라우드의 대용랑 Storage와 빠른 분산처리 시스템은 신약개발,

특히 CADD 연구 기간을 비약적으로 단축할 것이다. 예를 들어,

1개의 cpu로 100시간 걸리는 일은 클라우드로 손쉽게 100개의 cpu로 늘려 1시간만에 끝낸다면 어떨 것인가?

3. AutoDock

CADD 연구에서 가장 많이 활용되는 도팅 패키지 'AutoDock'을 예로 들어보겠다.

#AutoDock: 신약개발을 위한 Molecular docking, virtual screening을 오픈소스 형태로 제공

#AutoDock을 이용한 신약개발 예제

- 도킹 알고리즘을 이용해 하나의 도킹을 계산하는데 평균적 20분 정도가 소요되고, 30만개 화합물을 대상으로 하면 39년 정도의 시간이 소요.

- 사용되는 데이터는 단백질(400KB), 화합물(3KB) 등이 있는데, 30만개를 기준으로 1GB정도의 저장 공간이 필요.

아래 논문을 참고하면 AutoDock에 고속처리기법을 적용해 SARS(중증 급성 호흡기 증후군) 대규모 신약후보물질탐색을 수행하였으며,

컴퓨팅 자원을 활용하여 110만개의 화합물을 대상으로 평균 2500개의 CPU를 동시 활용하여 실험을 하였고,

총 42년의 계산을 11일만에 완료했다고 한다.

#참조: 슈퍼컴퓨팅환경에서의 대규모 계산 작업 처리 기술 연구

http://www.dbpia.co.kr/Journal/ArticleDetail/NODE02416799

위 사례를 통해 다시한번 CADD 연구에서 클라우드의 필요성이 분명해진다.

1) candidate 증가에 따른 대용량 Storage

2) 수십년의 계산을 몇일만에 끝낼 수있는 고속처리기법

마무리하며

최근 대규모 제약 및 생명공학 회사 (GSK, pfizer, Eli Lilly & Co, Johnson & Johnson, Genentech)에서

신약개발 과정에서 적극적으로 클라우드 컴퓨팅을 활용하는 것으로 알려져 있다.

또한, 클라우드 선두주자인 아마존과 마이크로소프트 및 뒷따르는 알리바바, 구글의 적극적인 투자 개발로

그 사업영역이 확대되고 있고, 특히 신약개발과 관련한 시장을 앞다투어 개척 중이다.

Cloud Drug discovery End.

BioinformaticsAndMe

Drug repositioning (신약재창출) Start.

BioinformaticsAndMe

1. Drug repositioning (신약재창출)

-시장에서 이미 판매중이거나 임상단계에서 산업화에 실패한 약물들의 새로운 의학적 용도를 개발하는 신약개발 방법.

-안전성이 검증된 약물을 활용함으로써 비용절감 및 개발 기간의 단축을 이룰 수 있음.

-Drug repositioning을 사전적으로 정의하자면, 약물의 구조를 바꾸지 않고 새로운 적응증을 찾는 과정이라 할 수 있으며, 단지 용법이나 용량 등을

바꾸는 정도의 변화 과정이라 할 수 있다. 그렇지만, 최근에는 약물의 제형 또는 일부 화학구조를 변경시킴으로써 약물의 전달 속도, 약효, 안전성의 향상 등을 꾀하는 경우도 drug repositioning의 범주에 포함시키는 추세.

-한편, 기존 약물의 구조나 제제, 용도 등을 일부 변형시킴으로써 약물 전달속도, 약효, 안정성 등의 약물성의 향상을 통해 얻어지는 약물을 개량신약이라고 하는데, drug repositioning은 새로운 적응증의 창출이라는 관점에서 개량신약과 구별되어 독립적인 하나의 신약개발 전략으로 간주.

2. Drug repositioning을 통한 신약개발 사례

-Celgene사는 1957년 임신부의 입덧 완화를 위해 출시되었다가 기형아 출산 등의 부작용으로 1961년에 시장에서 퇴출되었던 Thalidomide를, 이의 작용 기전을 기반으로 다발성 골수종 및 나병 치료제로 1998년 FDA 허가를 받아 현재까지 사용.

-Forest Laboratories와 Cypress Bioscience사는 항우울제로 개발 중이던 Milnacipran을 섬유조직염 치료제로 전환 개발.

-Drug repositioning은 또한, 특허 독점 기간의 증가를 통한 약물의 제품수명 확대라는 차원에서도 매우 유용한 전략이 됨. 

3. Drug repositioning 방법론

-Drug repositioning을 위한 약물들의 경우 대부분 약물의 작용점을 알고 있으므로, 이를 기반해 on target 및 off target 전략으로 구분할 수 있으며, 최근에는 비교적 빠른 시간과 저렴한 가격으로 유전체 분석이 가능해짐으로써 약물유전체학(pharmacogenomics)울 이용한 방법도 활용되고 있다.

① New target-Disease Relationship (On Target 전략) : 최초 약물 개발을 위한 표적의 다른 적응증 적용 가능성을 분석하여 repositioning하는 방법이다. Drug target 과 새로운 질병과의 연관성 규명으로 약물의 새로운 적응증을 찾고, 이를 통해 약물의 새로운 용도를 개발하는 전략이다 (아래 그림, 오른쪽).

② New drug-New target Relationship (Off Target 전략) : 알려진 약물들을 다양한 스크리닝 시스템에 적용함으로써 새로운 약물 표적과의 연관성을 규명하고, 이를 통해 약물의 새로운 용도를 찾는 전략이다. 이 경우 약물의 처음 표적과는 다른 표적을 통한 치료제 개발이 이루어지게 된다 (아래 그림, 왼쪽).

③ Pharmacogenomics를 이용한 접근법 : 최근 유전자 분석 기술의 발달과 더불어 개발되고 있는 방법으로, 약물처리에 따른 유전체 발현 변화를 분석함으로써 새로운 작용점 및 적응증을 찾는 방법이다. 이를 활용하면, 효능뿐만 아니라 안전성 문제로 실패한 약물에 대한 새로운 문제 해결방법의 제시도 가능하다.

4. Drug repositioning 전략의 장단점

-Drug repositioning 전략의 가장 근원적인 문제로는 약물의 제한에 따른 지적재산권 문제를 들 수 있다.

-또한, 약물의 임상 데이터에 대한 접근 제한성이 존재.

-신약개발을 통한 제약 산업 비즈니스 전략의 핵심은 의약품 등록과 지적재산권을 통한 시장 독점권(regulatory exclusivity) 확보로 정의.

-이에 따라, 제약 산업 분야에서는 약리성분(Active pharmaceutical ingredient, API)을 포함하는 물질 특허가 가장 강력한 무기로 작용하며, 새로운 제형과 전달체 관련 특허로 이를 뒷받침하는 전략이 주로 사용된다.

-한편, repositioning된 의약품들은 이미 개발기간이 상당 부분 경과하여 허가시점에 API 관련 특허가 이미 만료되었거나, 만료시점이 얼마 남지 않은 경우가 대부분을 차지하는 것이 현실. 

마무리하며..

우리나라 제약회사의 경우 drug repositioning이 가능한 수준의 자체 보유 약물이 절대적으로 부족한 실정이다. 최대 수십 종 정도의 약물을 가지고 하는 drug repositioning의 경우, 당연히 효율성 측면에서 선진 대형 제약사와 같은 수준을 기대하기 어려운 현실이다. 이러한 이유로 선진 대형 제약사의 경우 drug repositioning 연구가 가능성 및 안전성 측면에서 보다 효율성이 높을 것으로 기대되는 'on target' 전략을 주로 활용한다. 반면, 우리나라의 경우 당분간은 'off target' 전략 위주의 연구를 수행할 수밖에 없는 현실이다. 

'신약개발을 위한 또 하나의 전략, Drug Repositioning'

Drug repositioning (신약재창출) End.

BioinformaticsAndMe

CADD (Computer-Aided Drug Design) Start.

BioinformaticsAndMe

CADD란?

Computer-Aided Drug Design

신약개발 과정에 활용되고 있는 컴퓨터 기반 신약 디자인 과정으로,

컴퓨터로 화합물의 입체 구조 및 의약품 활성 등을 연구하기 위한 시스템.

Drug discovery 과정에서 CADD는 Target identification ~ Preclinical test 까지 영향을 미치고 있음.

Drug Discovery 과정 단계별 정의

1.Target identification : 특정 질병을 유발하는 원인을 찾고, 그것을 조절하는 타겟 단백질을 선정.

2.Target validation : 선정된 타겟의 제어와 목표하는 질환 치료와의 상관, 인과관계를 검증. ex) Knockout mouse 로 해당 타겟 단백질의 유효성 검증.

3.Lead identification : 타겟 단백질의 약리적인 활성을 나타내는 화합물 작용기들을 조절하면서 약리활성이 향상되는 구조를 찾음.

4.Lead optimization : 약동학(pharmacokinetics) 관점에서, 만들어진 물질(Lead)이 체내에서 운반, 효능, 부작용 등을 개선하려는 연구.

5.Preclinical test : 앞서 과정으로 도출된 후보물질의 유효성과 독성을 검증하기 위해, 동물 모델을 대상으로 생화학적 실험의 단계.

-전임상에서는 화합물의 흡수(Absorption), 분배(Distribution), 대사(Metabolism), 배출(Excretion), 독성(Toxicity)의 ADMET 연구 수행.

6.Clinical test

-Phase Ⅰ: 대상 질병의 환자를 대상으로 내약성, 부작용 및 약물의 체내 동태 등 안정성 확인을 하는 단계.

-Phase Ⅱ: 소수의 환자를 대상으로 유효성 및 안전성을 평가하여, 신약 가능성과 최적 용량 용법을 결정하고 치료효과를 탐색하는 단계.

-Phase Ⅲ: 가장 큰 규모의 임상시험 단계로 다수의 환자를 대상으로 유효성에 대한 추가 정보 및 확증적 자료를 확보하는 단계.

-Phase Ⅳ: 신약 시판 후 조사 단계. 신약이 시장에 출시된 후, 환자들에게 투여했을 때 예상치 못했던 부작용을 추가로 조사하는 단계.

CADD에서 사용되는 방법은 2가지로 구분 된다.

#SBDD(Structure-Based Drug Design)

-신약의 표적이 되는 수용체 단백질과 약물복합체의 입체구조를 바탕으로 컴퓨터 모델링을 구사해서 새로운 활성물질을 설계하는 작업. 

-molecular docking : 단백질 구조에서 약물이 결합하는 부위에 다양한 화합물 구조를 두고, 어떤 단백질과 강하게 상호작용을 하는지 계산.

-예: Protein-ligand docking, Scoring & Ranking

#LBDD(Ligand-Based Drug Design)

-단백질 구조가 밝혀져 있지 않은 경우에는, 화합물의 약물 구조만을 이용해서 화합물의 성질을 미리 예측.

-QSAR(Quantitative Structure-Activity Relationships) : 화합물의 구조가 활성과 연관이 있기 때문에, 비슷한 구조를 가진 화합물은 활성도 비슷하게 나타낼 것이라 가정. 실험을 통해서 쌓인 데이터를 통해 공통된 패턴을 찾아내고 이를 통해 활성 값까지 예측. 

-예: Similarity searching, Pharmacophore mapping, Machine learning

Virtual screening : CADD 방법들을 종합해서 여러 화합물 중 신약 개발에 성공할 가능성이 높은 화합물로 필터링 하는 과정.

CADD (Computer-Aided Drug Design) End

BioinformaticsAndMe