close

Вход

Забыли?

вход по аккаунту

код для вставкиСкачать
ГОУ ВПО РГМУ им. Н.И. Пирогова РАМН
Кафедра биохимии МБФ РГМУ
Отчёт о выполнении практического задания на тему:
“Поиск возможных механизмов действия лекарственных веществ с
неизвестными и малоизученными механизмами действия на основе компьютерного
прогноза их спектра биологической активности”
студентом 4-го курса 481 группы
отделения биохимии медико-биологического факультета
Быкадоровым Платоном Андреевичем
Работа выполнялась на базе лаборатории структурно-функционального
конструирования лекарств Учреждения Российской Академии Медицинских Наук
Научно-Исследовательского Института Биомедицинской химии
им. В.Н. Ореховича РАМН
Руководитель работы:
Ведущий научный сотрудник
ИБМХ РАМН, к.б.н.
А.А. Лагунин
Введение.
Одной из актуальных проблем в создании лекарственных средств является
проблема поиска новых мишеней действия лекарственных препаратов [1]. Поиск
мишеней актуален не только для доклинических исследований. Многие лекарства,
применяемые в клинической практике, проявляют разные терапевтические
эффекты, для некоторых из которых не известна причина, то есть с какими
мишенями они взаимодействуют и по каким биохимическим механизмам.
Например, известно, что азотосодержащие бисфосфонаты, будучи средствами,
уменьшающими резорбцию костной ткани, действуют через единственную мишень
- фарнезил пирофосфат синтазу [2]. Но впоследствии, помимо этой мишени, было
обнаружено воздействие препаратов данной группы на ASK/DBF4 (активатор
киназы S-фазы) и на кофактор тубулина B, что обуславливает цитотоксический
эффект азотосодержащих бисфосфонатов, и, как следствие, эффективность
нескольких препаратов из группы бисфосфонатов при костных метастазах РМЖ
[3]. Особенно мало изучены механизмы действия лекарств, направленных на
лечение
или
коррекцию
аутоиммунных
патологий,
опухолей
и
нейродегенеративных заболеваний.
В то же время знание о наличии новых мишеней позволяет расширить
понимание патогенеза заболевания и спектр использования лекарства.
В настоящее время при поиске мишеней действия новых лекарственных
препаратов невозможно обойтись без использования методов биоинформатики
(“вычислительная биология”) [4]. С помощью методов хемоинформатики можно
виртуально смоделировать взаимодействие мишени с лигандом. Компьютерное
моделирование позволяет оценить взаимодействие исследуемого соединения с
большим количеством мишеней, чем при использовании методов биохимического
исследования in vitro. Также виртуальные исследования уменьшают потребность в
материальных ресурсах (таких как оборудование, химикаты) и позволяют
уменьшить использование животных. Помимо нахождения мишеней, с помощью
компьютерных программ можно спрогнозировать с той или иной вероятностью
механизмы взаимодействия биоактивных лигандов с клеточными и внеклеточными
мишенями.
2
Целью данной работы является исследование возможности использования
результатов прогноза спектра биологической активности для лекарственных
соединений
для
поиска
новых
лекарственных
мишеней
и
новых
фармакологических механизмов у лекарств с неизвестными механизмами действия.
Материалы и методы.
Для поиска веществ с известными и неизвестными механизмами действия
использовались поисковые системы (Google, Yandex и др.), общедоступные
медицинские и биологические базы данных (PubMed [5], DrugBank [6] и др.),
свободная интернет-энциклопедия Wikipedia, официальные сайты различных
научно-исследовательских
институтов
и
фармацевтических
предприятий
(http://www.ninds.nih.gov/, http://www.bionomics.com.au/ и т.п.) и другие источники.
Найденные данные из обеих групп для удобства размещались в текстовые
файлы в виде таблиц 1x4:
1-я строка: название соединения;
2-я строка: структура соединения (графический объект);
3-я строка: краткое описание клинических эффектов соединения;
4-я строка: ссылки на литературу.
Каждый такой текстовый файл имеет название соответствующего соединения.
Впоследствии, данные из этих файлов были оформлены в виде базы данных с
помощью СУБД ISIS/Base [7] (рис.1).
Далее с помощью программы PASS (Prediction of Activity Spectra for
Substances)
были
спрогнозированы
возможные
биологические
активности
исследуемых веществ [8], а с помощью программы PharmaExpert определялись
биохимические механизмы, обуславливающие клинические эффекты [9].
Прогноз программы PASS (Prediction of Activity Spectra for Substances)
осуществляется по структурной формуле химического соединения и основан на
анализе базы знаний, содержащей данные о 266 тысяч структур химических
соединений с известными биологическими активностями [10]. PASS версии 10.1
позволяет предсказывать 4140 видов активности со средней точностью 95%.
Результаты прогноза выдаются пользователю в виде списка названий возможных
видов биологической активности с расчетными оценками вероятностей наличия
3
(Pa) и отсутствия (Pi) каждого вида активности [11]. Нижний предел вероятности
Pa был задан равным 0.3 (т.е. 30 %).
Рисунок 1. Поля созданной в ISIS/Base базы данных.
PharmaExpert, в свою очередь, на основе предсказанных биологических
активностей
и
мишеней,
с
учётом
известных
причинно-следственных
взаимосвязей, определяет все возможные терапевтические эффекты веществ [1213].
Для того, чтобы определить точность прогноза для 13 соединений с
неизвестными мишенями и механизмами действия, было проведено сравнение
между спрогнозированными механизмами и уже известными механизмами
4
структурно похожих соединений. Для поиска структурно похожих соединений
использовался он-лайн сервис ChemIDPlus [14] (рис.2).
Рисунок 2. Интерфейс онлайн сервиса ChemIDPlus.
На данный момент база данных этого сервиса содержит более 370000
соединений. В интерфейсе ChemIDPlus Advanced есть онлайн-программа Marvin
Java applet [15] (рис.3), позволяющая либо нарисовать молекулярную структуру,
либо вставить структуру из программ типа Symyx Draw [16]. На основе анализа
структур отбираются вещества с похожими структурами. Параметр сходства в
процентах (Similarity Search) задаётся пользователем. Для данного исследования
использовался порог сходства, равный 80%.
5
Рисунок 3. Интерфейс программы Marvin Java applet.
Результаты.
В данной работе была создана выборка из 19 соединений, 6 из которых
взаимодействуют с известными мишенями по известным механизмам, а для других
13-ти не известны ни мишени, ни механизмы взаимодействия с ними. Для
соединений из обеих групп известны терапевтические эффекты. Было проведено
компьютерное исследование а) по прогнозу тех механизмов, которые приводят к
данным терапевтическим эффектам, б) по поиску мишеней для группы соединений
с неизвестными мишенями, в) по поиску новых мишеней для группы соединений с
уже имеющейся информацией о наличии мишеней.
Вещества с известными механизмами:
1.
AX20017
2.
cardamonin
3.
Embelin
4.
Enviroxime
5.
Quetiapine
6
6.
Chloropicrin
Вещества с неизвестными механизмами:
1. Acrylamide
2. CB30865
3. JKA97
4. Lifibrol
5. S23906-1
6. Ciclopirox
7. Crotamiton
8. Deoxynyboquinone (DNQ)
9. Hydroxycarbamide (hydroxyurea)
10. Metapramine
11. Noopept
12. Suramin
13. Trihexyphenidyl
Все собранные вещества и результаты прогноза были сведены в общие
таблицы (Таблица 1, 2):
7
Таблица 1. Сводная таблица для веществ с неизвестными механизмами действия.
Название
соединения
CB30865
JKA97
Структура
Эффект
0.548
0.322
0.407
0.345
0.308
0.395
0.419
0.060
0.411
0.181
0.338
0.335
0.218
0.097
0.303 0.083
0.358 0.027
0.427 0.134
0.516 0.056
0.331 0.296
0.451 0.051
0.350 0.058
0.531 0.034
0.617 0.026
0.531 0.123
0.621 0.005
0.456 0.135
0.562 0.067
0.367 0.191
0.504 0.097
0.301 0.113
0.552 0.061
0.537 0.119
cancer)
0.351 0.290
0.333 0.200
0.465 0.133
0.415 0.158
0.380 0.044
Механизмы, связанные с данными
эффекты
Antineoplastic (gastric cancer)
Antineoplastic (head/neck cancer)
Antineoplastic (hematological cancer)
Antineoplastic (lymphoma)
Antineoplastic (myeloid leukemia)
Antineoplastic (ovarian cancer)
Antineoplastic (pancreatic cancer)
0.381 0.071
RET inhibitor
Antileukemic
Anticarcinogenic
Antineoplastic (basal cell carcinoma)
Antineoplastic (bladder cancer)
Antineoplastic (brain cancer)
Antineoplastic (cervical cancer)
Antineoplastic (colorectal cancer)
Antineoplastic (endocrine cancer)
Antineoplastic (gastric cancer)
Antineoplastic (head/neck cancer)
Antineoplastic (hematological cancer)
Antineoplastic (liver cancer)
Antineoplastic (lung cancer)
Antineoplastic (lymphocytic leukemia)
Antineoplastic (lymphoma)
Antineoplastic (multiple myeloma)
Antineoplastic (myeloid leukemia)
Antineoplastic (non-small cell lung
0.652 0.021
Kinase inhibitor
0.483 0.052
Tumour necrosis factor
agonist
0.425 0.028
Platelet derived growth
factor receptor kinase inhibitor
0.392 0.062
RET inhibitor
0.336 0.008
Tubulin antagonist
0.405 0.157
Cyclic AMP antagonist
0.307 0.062
Angiogenesis inhibitor
0.332 0.100
Endothelial growth
factor antagonist
0.305 0.335
L lactate dehydrogenase
stimulant
Antineoplastic (ovarian cancer)
Antineoplastic (pancreatic cancer)
Antineoplastic (renal cancer)
Antineoplastic (small cell lung cancer)
Antineoplastic (solid tumors)
8
Lifibrol
S23906-1
Ciclopirox
0.634 0.011
Hypolipemic
0.576 0.002
0.465 0.093
0.319 0.324
0.369 0.161
0.605 0.005
0.508 0.102
0.342 0.087
0.518 0.140
0.392 0.200
0.418 0.113
0.350 0.330
0.456 0.185
cancer)
0.460 0.123
0.316 0.294
0.435 0.130
0.508 0.071
0.401 0.074
Antineoplastic alkaloid
Antineoplastic (bladder cancer)
Antineoplastic (brain cancer)
Antineoplastic (cervical cancer)
Antineoplastic (colorectal cancer)
Antineoplastic (gastric cancer)
Antineoplastic (genitourinary cancer)
Antineoplastic (head/neck cancer)
Antineoplastic (lung cancer)
Antineoplastic (lymphocytic leukemia)
Antineoplastic (lymphoma)
Antineoplastic (non-small cell lung
0.413 0.046
Antifungal
0.902 0.003
inhibitor
0.861 0.004
regulator
0.582 0.003
inhibitor
Lipoprotein lipase
0.661 0.020
0.576 0.002
0.516 0.007
0.472 0.056
stimulant
0.343 0.008
inhibitor
0.335 0.073
0.322 0.116
factor antagonist
Kinase inhibitor
Antineoplastic alkaloid
Alkylator
L lactate dehydrogenase
Lipid metabolism
Cholesterol synthesis
Topoisomerase II
Myc inhibitor
Endothelial growth
Antineoplastic (ovarian cancer)
Antineoplastic (renal cancer)
Antineoplastic (sarcoma)
Antineoplastic (small cell lung cancer)
Antineoplastic (squamous cell carcinoma)
0.944 0.002
Membrane permeability
inhibitor
0.511 0.065
Membrane integrity
antagonist
0.372 0.168
Macrophage colony
stimulating factor agonist
0.306 0.105
Mitochondrial electron
transport inhibitor
9
Crotamiton
0.307 0.078
Pediculicide
0.336 0.085
Membrane permeability
enhancer (0.606 0.008
Antiparasitic)
Deoxynyboq
uinone
(DNQ)
0.365 0.007
0.348 0.051
0.330 0.298
0.582 0.026
0.376 0.203
0.317 0.267
0.468 0.019
0.361 0.327
0.481 0.192
0.432 0.138
0.495 0.103
0.350 0.225
0.382 0.270
0.492 0.099
0.616 0.063
cancer)
0.362 0.159
0.346 0.217
0.354 0.255
Antineoplastic alkaloid
Antileukemic
Antineoplastic (basal cell carcinoma)
Antineoplastic (bladder cancer)
Antineoplastic (brain cancer)
Antineoplastic (cervical cancer)
Antineoplastic (colorectal cancer)
Antineoplastic (gastric cancer)
Antineoplastic (head/neck cancer)
Antineoplastic (hematological cancer)
Antineoplastic (lung cancer)
Antineoplastic (lymphocytic leukemia)
Antineoplastic (lymphoma)
Antineoplastic (myeloid leukemia)
Antineoplastic (non-small cell lung
0.557 0.020
Cyclic AMP antagonist
0.342 0.004
Photosensitizer
0.303 0.004
NAD(P)H
dehydrogenase (quinone) inhibitor
0.328 0.084
Mitochondrial electron
transport inhibitor
0.389 0.145
Tumour necrosis factor
agonist
0.338 0.133
Kinase inhibitor
0.341 0.200
Macrophage colony
stimulating factor agonist
0.336 0.262
L lactate dehydrogenase
stimulant
0.318 0.124
Thymidylate 5'phosphatase inhibitor
0.943
0.454
0.505
0.329
0.350
0.321
0.653
Antineoplastic
Antineoplastic (basal cell carcinoma)
Antineoplastic (bladder cancer)
Antineoplastic (brain cancer)
Antineoplastic (cervical cancer)
Antineoplastic (endocrine cancer)
Antineoplastic (gastric cancer)
Hydroxycarb
amide
(hydroxyure
a)
0.005
0.099
0.063
0.301
0.196
0.242
0.016
Antineoplastic (pancreatic cancer)
Antineoplastic (sarcoma)
Antineoplastic (small cell lung cancer)
0.695 0.002
Ribonucleoside
diphosphate reductase inhibitor
0.637 0.003
Ribonucleoside
triphosphate reductase
inhibitorMetalloproteinase-9 inhibitor
0.647 0.003
Metalloproteinase-9
inhibitor
10
Metapramine
0.556 0.094
0.466 0.086
0.707 0.040
0.391 0.202
0.711 0.019
0.361 0.042
0.488 0.102
0.337 0.135
lymphoma)
0.587 0.080
cancer)
0.464 0.119
0.452 0.147
0.625 0.016
0.553 0.047
Antineoplastic (head/neck cancer)
Antineoplastic (hematological cancer)
Antineoplastic (liver cancer)
Antineoplastic (lung cancer)
Antineoplastic (lymphoma)
Antineoplastic (multiple myeloma)
Antineoplastic (myeloid leukemia)
Antineoplastic (non-Hodgkin's
0.589 0.014
Antidepressant
Antineoplastic (non-small cell lung
Antineoplastic (ovarian cancer)
Antineoplastic (renal cancer)
Antineoplastic (sarcoma)
Antineoplastic (small cell lung cancer)
0.644 0.004
Metalloproteinase-2
inhibitor
0.654 0.028
Macrophage colony
stimulating factor agonist
0.619 0.001
Nitric oxide donor
0.526 0.003
5 Lipoxygenase inhibitor
0.451 0.010
Transforming growth
factor agonist
0.437 0.004
Neutrophil collagenase
inhibitor
0.312 0.006
Tumour necrosis factor
alpha antagonist
0.482 0.068
Cyclic AMP antagonist
0.410 0.003
Gelatinase inhibitor
0.333 0.003
Collagenase inhibitor
0.358 0.053
Superoxide dismutase
inhibitor
0.304 0.040
Oxidizing agent
0.365 0.168
Cyclic AMP agonist
0.313 0.152
Membrane integrity
antagonist
0.629 0.040
release stimulant
0.579 0.010
uptake stimulant
0.415 0.096
antagonist
0.326 0.074
5 Hydroxytryptamine
5 Hydroxytryptamine
Neurotransmitter
Sigma receptor agonist
11
Noopept
0.797 0.016
Nootropic
0.508 0.045
antagonist
0.375 0.043
0.410 0.125
stimulant
0.329 0.061
0.337 0.139
antagonist
0.302 0.269
uptake stimulant
Neurotransmitter
Endopeptidase inhibitor
L lactate dehydrogenase
Immunostimulant
Membrane integrity
5 Hydroxytryptamine
Suramin
0.637 0.005
Antiprotozoal (Trypanosoma)
0.469 0.008
0.428 0.029
Alkylator
DNA synthesis inhibitor
Trihexyphen
idyl
0.945 0.002
0.814 0.002
Antiparkinsonian, rigidity relieving
Antiparkinsonian, tremor relieving
0.702 0.004
0.607 0.045
agonist
0.520 0.053
inhibitor
Cholinergic antagonist
Nerve growth factor
Neurotransmitter uptake
12
Таблица 2. Сводная таблица для веществ с известными механизмами действия.
Название
соединения
AX20017
Структура
Эффект
Механизмы, связанные с данными
эффектами
0.648 0.005 Antituberculosic Не найдены
0.513 0.014
Antimycobacterial
cardamonin
0.788 0.004
Antiinflammatory, intestinal
0.448 0.228
Antiinflammatory, pancreatic
Embelin
0.609 0.019 Antineoplastic
(bladder cancer)
0.479 0.071 Antineoplastic
(basal cell carcinoma)
0.377 0.033 Antineoplastic
(multiple myeloma)
0.392 0.052 Cytostatic
0.414 0.081
Antiinflammatory
0.398 0.111 Antineoplastic
(cervical cancer)
0.387 0.186 Antineoplastic
(brain cancer)
0.352 0.172 Antineoplastic
Известные механизмы
ATP-binding site-targeting inhibitor
against mycobacterial protein kinase
G
0.896 0.012 Membrane integrity agonist
Increases translocation of GLUT4 to
0.779 0.002 Interleukin 1b antagonist
the plasma membrane in L6 cells
0.833 0.004 Antacid
(glucose-uptake-promoting activity)
0.734 0.026 Membrane permeability inhibitor
0.536 0.014 Reductant
0.508 0.005 Free radical scavenger
0.452 0.005 Transcription factor NF kappa B
inhibitor
0.386 0.004 Lipoxygenase inhibitor
0.647 0.020 Antiinflammatory
0.441 0.148 CXC chemokine 1 receptor antagonist
0.323 0.026 Phospholipase A2 inhibitor
0.406 0.127 Complement factor D inhibitor
0.342 0.307 Transferase inhibitor
0.858 0.022 Membrane integrity agonist (0.414
NF-kappaB activation NF-kappaB
0.081 Antiinflammatory)
regulates several genes associated
0.779 0.004 Reductant (0.414 0.081
with inflammation, proliferation,
Antiinflammatory)
carcinogenesis and apoptosis
0.740 0.024 Membrane permeability inhibitor
(0.414 0.081 Antiinflammatory)
0.651 0.028 Antacid (0.414 0.081
Antiinflammatory)
0.530 0.006 Phospholipase A2 inhibitor (0.414
0.081 Antiinflammatory)
0.633 0.085 Transferase inhibitor (0.414 0.081
Antiinflammatory)
0.562 0.041 CXC chemokine 1 receptor antagonist
(0.414 0.081 Antiinflammatory)
13
(pancreatic cancer)
0.301 0.360 Antineoplastic
(ovarian cancer)
Enviroxime
0.527 0.049 Antiviral
(Picornavirus)
Quetiapine
//Bipolar disorder treatment
нету//
0.490 0.022 Antipsychotic
0.452 0.008 Free radical scavenger (0.414 0.081
Antiinflammatory)
0.474 0.088 Complement factor D inhibitor (0.414
0.081 Antiinflammatory)
0.415 0.035 Membrane permeability enhancer
(0.414 0.081 Antiinflammatory)
0.360 0.005 Protein-tyrosine phosphatase inhibitor
(0.414 0.081 Antiinflammatory)
0.440 0.075 Anaphylatoxin receptor antagonist
(0.414 0.081 Antiinflammatory)
0.319 0.014 Transcription factor inhibitor (0.414
0.081 Antiinflammatory)
0.314 0.014 Leukotriene synthesis inhibitor (0.414
0.081 Antiinflammatory)
0.414 0.081 Antiinflammatory (0.306 0.015
Thromboxane A2 antagonist)
0.361 0.072 Superoxide dismutase stimulant
(0.414 0.081 Antiinflammatory)
0.358 0.096 Interleukin 2 agonist (0.605 0.049
Antineoplastic (lymphoma))
0.315 0.084 Immunosuppressant (0.414 0.081
Antiinflammatory)
0.318 0.301 Hydrolase inhibitor
Iinhibiting viral DNA polymerase
Binding to specific cell-surface
receptors and inhibiting viral
penetration or uncoating
Inhibiting viral protein synthesis
Blocking late stages of virus
assembly
0.309 0.010 5 Hydroxytryptamine 2A
antagonist
0.458 0.008 Dopamine D2 antagonist
0.310 0.030 GABA receptor agonist
D1, D2, D3, and D4 receptor
antagonist;
5-HT1A, 5-HT2A, 5-HT2C, and 5HT7 receptor antagonist;
α1-adrenergic and α2-adrenergic
receptor antagonist
H1 receptor antagonist
mACh receptor antagonist
14
Из 6 соединений с известными мишенями и механизмами действия:
- прогнозы получились по 5 соединениям;
- предсказанные механизмы соответствуют известным механизмам для 2-х
соединений.
К сожалению, структурные аналоги соединений с неизвестными мишенями и
механизмами действия тоже мало изучены, поэтому из 12-ти аналогов удалось
найти механизмы только для 2-х.
Заключение.
Данное исследование наглядно продемонстрировало возможность
использования виртуального скрининга для поиска новых свойств лекарственных
веществ. Методы, применённые в работе, позволяют находить возможные пути
воздействия на организм как новых, неизученных химических соединений, так и
проверенных многолетней клинической практикой лекарств. В идеале, для
подобных исследований достаточно знать химическую структуру действующего
компонента лекарства, уметь пользоваться рядом программных продуктов и
наработками других исследователей. Но, к сожалению, на сегодняшний день
виртуальный скрининг ещё не может служить заменой реальным биохимическим
экспериментам. В частности, компьютерные методы не в силах учесть всего
разнообразия влияния лекарственных препаратов на организм человека. При
использовании
компьютерных
методов
необходима
обязательная
экспериментальная проверка полученных результатов. То есть, подразумевается
тесное сотрудничество научных групп, проводящих компьютерный эксперимент, с
экспериментальными группами. Таким образом, на сегодняшний день роль
компьютерных методов в конструировании лекарств сводится к ускорению и
удешевлению исследований, предшествующих доклиническим и клиническим
испытаниям.[17]
Список литературы.
1. Биоинформатика как способ ускорения процесса создания лекарственных
2.
3.
4.
5.
7.
8.
препаратов (http://www.bioinformatix.ru).
Bivi N, Romanello M, Harrison R, Clarke I, Hoyle DC, Moro L, Ortolani F, Bonetti
A, Quadrifoglio F, Tell G, Delneri D. Identification of secondary targets of Ncontaining bisphosphonates in mammalian cells via parallel competition analysis of
the barcoded yeast deletion collection. Genome Biol. 2009, 10(9):R93.
Кондратьева А.П., Поддубная И.В. Кафедра онкологии РМАПО, Москва. Роль
бисфосфонатов в лечении рака молочной железы.
http://www.bioinformatix.ru
http://www.ncbi.nlm.nih.gov/pubmed/
http://www.drugbank.ca/
http://accelrys.com/products/informatics/decision-support/isentris.html
15
9. Филимонов Д.А., Поройков В.В. (2006). Прогноз спектров биологической
активности органических соединений. Российский химический журнал, т. L,
№2, 66 – 75.
10. Lagunin A., Filimonov D., Poroikov V. (2010). Multi – Tageted Natural Products
Evaluation Based on Biological Activity Prediction with PASS. Current
Pharmaceutical Design, 16, 1703-1717
11. Садым А.В., Лагунин А.А., Филимонов Д.А., Поройков В.В. (2002). Интернетсистема прогноза спектра биологической активности химических соединений.
Химико-фармацевтический журнал, 36 (10), 21-26.
12. Поройков В.В., Филимонов Д.А. Компьютерный прогноз биологической
активности химических соединений как основа для поиска и оптимизации
базовых
структур
новых
лекарств.
http://www.chem.msu.su/rus/publ/Poroykov/welcome.html
13. Lagunin A., Filimonov D., Poroikov V. (2010) Multi-targeted natural products
evaluation based on biological activity prediction with PASS. Curr Pharm Des.
16:1703-1717.
13. Geronikaki A.A., Lagunin A.A., Hadjipavlou-Litina D.I., Eleftheriou P.T.,
Filimonov D.A., Poroikov V.V., Alam I., Saxena A.K. (2008) Computer-aided
discovery
of
anti-inflammatory
thiazolidinones
with
dual
cyclooxygenase/lipoxygenase inhibition. J Med Chem. 51:1601-1609.
14. http://chem.sis.nlm.nih.gov/chemidplus/
15. http://www.chemaxon.com/products/marvin/
16. http://www.symyx.com/downloads/index.jsp
17. Чугунов А. Рациональный дизайн новых лекарственных средств. Живые
системы. http://biorf.ru/catalog.aspx?cat_id=395&d_no=1180.
16
Студент 4-го курса 481-й группы отделения биохимии медико-биологического
факультета РГМУ Быкадоров Платон Андреевич за период курсовой работы
выполнил все поставленные перед ним задачи. В ходе выполнения работы он
успешно освоил навыки работы с научной литературой и несколькими
программными продуктами. Считаю, что курсовая работа П. А. Быкадырова
заслуживает оценки отлично.
Работа
выполнялась
на
базе
лаборатории
структурно-функционального
конструирования лекарств Учреждения Российской Академии Медицинских Наук
Научно-Исследовательского
Института
Биомедицинской
химии
им.
В.Н.
Ореховича РАМН.
Руководитель работы:
Ведущий научный сотрудник
ИБМХ РАМН, к.б.н.
А.А. Лагунин
17
1/--страниц
Пожаловаться на содержимое документа