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