Ligand-based and Structure-based studies to understand the molecular basis of inhibition of ABC transporter expressed in the liver

ABC-Transporter wie z.B. die Gallensalzexportpumpe BSEP (bile salt export pump), der Effluxtransporter BCRP (breast cancer resistance protein) oder das P-Glykoprotein (P-gp) spielen eine wichtige Rolle in der Pharmakokinetik zahlreicher Wirkstoffe und kleiner organischer Moleküle. Die Vorhersage der Transporterhemmung durch chemische Verbindungen ermöglicht die Identifizierung von potenziellen Arzneistoffwechselwirkungen und unerwünschten Wirkungen wie z.B. der arzneistoffinduzierten Leberschädigung. Heutzutage wird die Identifizierung von Hemmern mittels computergestützter Methoden von ligandenbasierten Studien (z.B. QSAR (Quantitative Struktur Wirkungs Beziehung), Machine Learning Methoden) dominiert. Obwohl die resultierenden Modelle als effizient gelten, können sie die Proteineigenschaften nicht miteinbeziehen und daher keine Informationen über den Mechanismus der Hemmung liefern. Diese Details können anhand strukturbasierter Studien untersucht werden, jedoch ist sowohl der Mangel an hochaufgelösten 3D-Strukturen als auch die Polypharmakologie dieser Transporter problematisch. Diese Dissertation umfasst drei unabhängige Studien, die strukturbasierte Methoden zur Untersuchung der Transporterhemmung im Bereich der Lebertoxizität auf molekularer Ebene vorstellen sowie eine weitere ligandenbasierte Studie über Machine Learning für imbalancierte Datensätze. Die hier präsentierten strukturbasierten Studien beschreiben die Verwendung von Homologiemodellen und molekularem Docking zur Untersuchung der Protein-Liganden-Wechselwirkungen, die dem Mechanismus der Hemmung zugrunde liegen. In unserer ersten Studie wurde ein Homologiemodell von BSEP erstellt und anschließend strukturunterstützte, dockingbasierte Klassifikationsmodelle zur Vorhersage von BSEP-Inhibitoren entwickelt. Weiters haben wir die Protein Ligand Interaction Fingerprints analysiert, welche spezifische Interaktionen zwischen funktionellen Gruppen der Liganden und den Aminosäuren des Proteins aufzeigen und damit eine Schlüsselrolle in der Ligandenbindung spielen könnten. In der BCRP Studie ermöglichte strukturbasiertes Modeling die Aufklärung der Bindungshypothese von Arylmethyloxyphenylderivaten welche nach experimenteller Validierung zur rationalen Optimierung mit Potenzsteigerung dieser Substanzklasse verwendet werden kann. In der dritten Studie verglichen wir die Interaktionsprofile in der Bindungstasche der P-gp Strukturen von Mensch, Ratte und Maus. Die Resultate zeigen signifikante Überschneidungen bei den interagierenden Aminosäuren der Bindungstaschen, welche die Übertragbarkeit humaner in vitro P-gp Aktivitätsdaten für die Entwicklung von in silico Modellen zur Vorhersage von Effekten in vitro als auch in vivo bei Nagetieren nahelegen. In unserer ligandenbasierten Studie stellten wir uns der Herausforderung durch unausgewogene Datensätze mit Toxizitätsrelevanz mittels Evaluierung der Performance von sieben unterschiedlichen Meta-Klassifizierern und konnten Empfehlungen zur Auswahl angemessener Klassifizierer in Abhängigkeit desvorliegenden Datensatzes abgeben. Die Ergebnisse dieser Dissertation verbessern unser Verständnis von Protein-Liganden-Interaktionen auf der molekularen Ebene, inspirieren damit neue Experimente und unterstützen die Extrapolierung molekularer Hypothesen vom Tierversuch zum Menschen und wieder zurück. Darüber hinaus erhöht die Kombination von liganden- und strukturbasierten Methoden die Qualität virtueller Screenings in der Medikamentenentwicklung und verschafft uns detailierte Einblicke in die relevanten molekularen Eigenschaften wichtiger Wechselwirkungen, welche zur Unterstützung der Leitstruktur-Optimierung beitragen.ABC-transporters such as the bile salt export pump (BSEP), the breast cancer resistance protein (BCRP) and P-glycoprotein (P-gp) play an important role in the pharmacokinetics of several drugs and small molecules. Predicting inhibition of these transporters by small molecules facilitates identification of potential drug-drug interactions and adverse effects such as drug-induced liver injuries. Thus far, in silico identification of inhibitors is dominated by ligand-based approaches that most often employed Quantitative structure–activity relationship (QSAR) and machine learning methods. Although the models based on these methods are reported to be efficient, they do not consider the properties of the protein and thus fail to provide insights into the mechanism of inhibition. While structure-based studies could investigate these details, the lack of high-resolution structural information and the polyspecific binding behaviour of these transporters pose a serious obstacle. This thesis outlines three independent studies that explore structure-based methods to investigate the molecular basis of inhibition of transporter proteins relevant to liver toxicity and another study that employs ligand-based methods to deal with the imbalanced datasets. The structure-based studies presented here describe the use of homology modeling and molecular docking to uncover the protein-ligand interactions involved in the mechanism of inhibition. In our first study, a homology model was constructed for BSEP, followed by the development of structure-assisted, docking-based classification models for prediction of BSEP inhibitors. Further, we analyzed the protein-ligand interaction fingerprints which revealed specific functional group-amino acid residue interactions that could play a key role in ligand binding. In the BCRP study, a structure-based modeling approach facilitated elucidation of binding hypothesis for arylmethyloxyphenyl derivatives, which after experimental validations could guide rational optimization of this compound class to improve potency. In the third study, we compared the binding site interaction profiles of human, rat and mouse P-gp structures to reveal a significant overlap between the binding site interacting residues which suggests the transferability of in vitro human P-gp activity data in the development of in silico models to predict in vitro and in vivo effects in rodents. In our ligand based study, we dealt with the problem of learning on imbalanced datasets relevant to toxicity by evaluating the performance of seven distinct meta-classifiers and provided recommendations in choosing an appropriate classifier depending on the dataset in hand. The results of this thesis work further improve our understanding of protein-ligand interactions at the molecular level, stimulating scientists to conduct new experiments and thus also aid in the extrapolation of molecular hypotheses from rodents to humans and vice-versa. Furthermore, combining ligand-based and structure-based approaches would significantly enhance the performance of virtual screening experiments in drug discovery and provide detailed insights on the molecular features involved in crucial interactions, thereby assisting lead optimization