Таргетная терапия
Таргетная терапия основана на связывании мишени, модифицирующем и даже блокирующем её действия, что ведёт к восстановлению физиологического состояния после возникшей патологии. 
Мишенью может быть признан широкий спектр биологических структур или взаимоотношений между ними — например, взаимодействия между белками, РНК и микроРНК, или просто раковая клетка — на основании того факта, что они коррелируют с определенным заболеванием, и изменения в их состоянии ведет к трансформации в самом патологическом процессе. Основой такого лечения является процесс drug discovery, результатом которого является новое лекарство, сконструированное при помощи компьютерного моделирования.
Однако от создания новой идеи до выхода на рынок нового продукта проходит от двенадцати до пятнадцати лет и стоит порядка одного миллиарда долларов. Последние исследования показали, что низкий уровень успеха (только восемь процентов) при разработке нового лекарства связан с выбором неправильной фармакомишени. Таким образом, процесс поиска мишени является ключевой стадией, в значительной степени определяющей успех всей кампании.
Анализ затрат при разработке и внедрении медицинских технологий
В условиях ограниченного финансирования, а также нерационального использования имеющихся в системе здравоохранения материальных ресурсов актуальным становится поиск новых, эффективных подходов к организации медицинской и лекарственной помощи. В качестве современной научной основы для решения проблемы оптимизации лекарственной помощи больным могут быть использованы фармакоэкономические исследования, предполагающие учет характеристик эффективности, безопасности и экономической целесообразности применения тех или иных технологий и лекарственных средств. 
Использование методов фармакоэкономического анализа на разных уровнях системы здравоохранения позволяет четко обосновать распределение бюджетных средств и выбрать наиболее эффективную и приемлемую альтернативу из сравниваемых медицинских технологий.
В настоящее время при проведении фармакоэкономических исследований применяется несколько основных методов: анализ стоимости болезни, анализ ‘минимизации затрат’, анализ ‘затраты-эффективность’, анализ ‘затраты-полезность’, анализ ‘затраты-выгода’ и моделирование. Получают развитие и другие методы.
Анализ стоимости болезни предполагает подсчет стоимости всех расходов, связанных со случаем заболевания, от момента его возникновения до окончательного разрешения (выздоровления или смерти) или на конкретный момент времени, независимо от того, на какой стадии находится болезнь у пациента и без соотнесения с результатами лечения. Таким образом, метод позволяет определить экономический ущерб, который наносит стране то или иное заболевание. При проведении анализа минимизации затрат учитывается стоимость различных схем лечения, обладающих одинаковой эффективностью. Критерии оценки эффективности различны и могут быть представлены как в виде непосредственных клинических параметров (уровень АД, % излечения, объем диуреза и т.д.), так и в виде показателя «лет сохраненной жизни». Результаты выражаются в денежном эквиваленте.
В России отмечается повышение заинтересованности в биоинформатике, она нацелена на развитие биофарминдустрии, что, в конечном итоге, должно обеспечить пациентов эффективными, качественными и безопасными лекарственными препаратами. Не стоит на месте и производство медицинского оборудования и изделий медицинского назначения, которые становятся всё более технологичными, информативными и удобными в использовании, как медицинским персоналом, так и больными. Всё это вместе и составляет то, что мы раньше называли «лечебным процессом», а ныне – медицинскую технологию.
Безусловно, затраты государства на профилактику заболеваний и их осложнений, 
оказание медицинской помощи, реабилитацию больных существенно возросли за последнее десятилетие, что связано с увеличением ожиданий общества от медицины, необходимостью выравнивания возможностей лечения для больных в различных регионах страны, включая высокотехнологичную помощь и обеспечение лекарственными средствами. Сейчас уже ни у кого нет сомнения, что планирование расходов напрямую зависит от того, какую технологию выбирает плательщик (государство, страховая компания). Расходы должны быть оптимизированы, т.е. на основе анализа стоимости профилактики или лечения, включающей все этапы оказания помощи, в идеале должно быть принято решение о финансировании того или иного способа воздействия.
Биоинформатика же предоставляет совершенно новые подходы к поиску фармакомишеней, вовлекая в этот процесс искусственный интеллект и методы обучения машин при создании различного программного обеспечения для автоматизации и соответственно упрощения обнаружения и последующей валидации мишени для конкретного заболевания.
Краткая предыстория и современные пути развития биоинформатики
Прародителем биоинформатики является вычислительная биология, зародившаяся в начале шестидесятых. Её появлению способствовали два фактора. Первое – идея о том, что макромолекулы могут нести важную информацию об устройстве жизни на молекулярном уровне. Расшифрованные к тому времени последовательности аминокислот являлись одновременно и источником новых знаний и ответом на уже существующие вопросы, которые невозможно было решить без использования систем, способных быстро выполнять большое количество логических операций. Второе – мощные электронные вычислительные приборы, задействованные во время Второй Мировой Войны в программах по разработке оружия, стали доступны для исследователей. [3]
Одним из первых достижений является написанная Маргарет Дэйхофф программа, позволяющая воссоздать из продуктов частичного переваривания белка — перекрывающихся пептидные фрагменты – последовательность аминокислот исходной цепи. После этого Дэйхофф создала Атлас Белковых Последовательностей и Структур, служащий фактически первой базой данных для молекулярной биологии. Это стало вдохновляющим примером для дальнейших разработок в самых истоках биоинформатики. [4]
Сегодня биоинформатика сформировалась как интердисциплинарная наука и не является более просто инструментом для обработки данных и интерпретации результаты «омик» анализов. Её персональными задачами является работа с большими объемами данных, а также поиск новой нетривиальной информации в них, поскольку человеческий разум не способен производить расчеты со скоростью, доступной искусственному интеллекту.
Поиск знаний в базах данных (также называемый сокращенно поиском знаний или английским эквивалентом -data mining) процесс анализа данных с использованием разных подходов и методов и получение новой полезной информации. Применительно к процессу поиска мишеней поиск знаний позволяет достигать значительных успехов, которые мало кто из других подходов может продемонстрировать.
Изначально, методы анализа данных были преимущественно статистические, но 
применение инструментов, созданных на основании обучения машин, позволило совершить значительный прорыв в диагностике и определении подтипа заболевания, а также в мониторинге ответа организма на действие лекарственного вещества.
Подход обучения машин позволяет вместо использования языка программирования для написания программы, действующей по заданному определенному алгоритму для каждой конкретной задачи, «обучить» компьютер на тренировочном образце, что следует выводить в ответ на определенные входные данные. Алгоритм машинного обучения, используя эти примеры, способен работать с новыми образцами и выдавать выходные данные высокой точности.
Одни из наиболее перспективных подходов поиска знаний предоставляют инструменты, предоставляемые в составе Биокондуктора, созданного на Р, который является одновременно языком программирования и средой, которая содержит множество статистических и графических техник. Биокондуктор – пакет для анализа и интерпретации геномных и протеомных данных. В настоящее время в его состав входит 1024 пакета, и, поскольку, система работает как свободное программное обеспечение, это обеспечивает ей динамическое развитие. Однако следует упомянуть, что далеко не все пакеты Биокондуктора имеют пользовательский интерфейс, который делает возможным удобную работу с программой для обычного пользователя, не имеющего глубоких знаний в информатике и программировании. Поэтому лучше обратить внимание на программы, имеющие дружественный пользователю интерфейс.
Диабет первого типа
Выделим несколько программ на основе Р, созданных для решения конкретных задач – анализа данных микрочипов с образцами мононуклеарных клеток периферической крови от детей с диабетом первого типа. Образцы разделяли на группы – новодиагностированные, 1 месяц после первичной диагностики заболевания, 4 месяца после диагностики и контроль. [6]
Microarray R US – модуль, позволяющий исследователям без знания языка Р применять многие пакеты Биокондуктора для анализа данных микрочипов, поскольку содержит дружественный пользователю интерфейс. В этой программе также производится более точный и надежный анализ, чем в отдельный пакетах. [7]
Пакет Лимма может использоваться отдельно и производить одновременные сравнения между множеством мишеней РНК и предоставляет воспроизводимые результаты, даже если число исследуемых образцов невелико.
В исследовании были идентифицированы различно экспрессирующие гены, однако, этого недостаточно для идентификации мишени, поэтому далее для анализа путей с различно экспрессирующими генами популярно применение программы iPathwayGuide, которая предоставляет одну из наиболее прогрессивных веб-платформ, позволяющей анализировать не только индивидуальные гены, но и учитывать их размер, роль и влияние на исследуемый путь. Также дает возможность узнать микроРНК данных генов, точечные мутации, ассоциированные заболевания, выполняя поиск в различных базах данных открытого доступа.
Однако, в рассматриваемом нами исследовании было использовано онлайн приложение и База данных для аннотации визуализации и интеграциционного поиска (Database for Annotation, Visualization and Integrated Discovery (DAVID)), предоставляющее не менее широкие возможности, например интеграцию с KEGG картами и указание ссылок на литературу по теме. Пи-значение менее ноль пяти сотых было признано как линия отсечения при идентификации статистической значимости биологического пути, в который данные различно экспрессирующие гены вовлечены.
Сети белок-белкового взаимодействия могут быть вовлечены в процесс идентификации новых терапевтических мишеней. А их построение может осуществляться при помощи программного обеспечения. Рассмотрим три из них. STRING это база данных известных и предсказанных белок-белковых взаимодействий. Взаимодействия бывают непосредственные физические и функциональные, источниками бывают Genomic Context, High-throughput Experiments, (Conserved) Coexpression or Previous Knowledge. STRING качественно интегрирует полученные данные по взаимодействиям из разных источников и визуализируют взаимодействия.
Cytoscape – это платформа для визуализации сети молекулярных взаимодействий и биологических путей и интегрирует эти сети с аннотациями, профилями генной экспрессии и другими данными. Дополнительные функции, включая анализы молекулярных профилей, скрипты и взаимодействие с базами данных, доступны как плагины.
Pajek – программное обеспечение построенное на Виндоус для анализа и визуализации крупных сетей, содержащих тысячи и даже миллионы узлов. В словенском языке это слово означает паук. Все версии Пажека доступны для свободного распространения, использования и изменения для некоммерческого использования. При помощи этого программного обеспечения мы можем: найти кластеры (компоненты, «соседи» важных узлов, ядер и другие) в сети, выделить узлы которые принадлежат одному кластеру; показать эту узлы отдельно; разделить узлы в кластеры и показать взаимосвязи между этими кластерами.
В исследовании, которое мы рассматриваем, не забудем, что оно было про детей с диабетом первого типа, сети были построены с использованием Стринг и содержали 34 узла и 64 ребра. Затем сеть была подвергнута анализа и в результате 5 белков были идентифицированы FOS, pro-platelet basic protein (PPBP), interleukin 8 (IL8), formyl peptide receptor-like 2 (FPR2) and platelet factor 4 (PF4). Они могут быть рассмотрены в дальнейших исследованиях как потенциальные терапевтические мишени.
Компьютерные исследования показали, что более шестидесяти процентов генов человека могут регулировать при помощи микроРНК. Этот факт открыл путь к изменению экспрессии генов. Но чтобы это изменение было контролируемым, необходимо точно знать мишени для каждой микроРНК. На сегодняшний день разработаны десятки компьютерных методов для предсказания таких мишеней. В этом обзоре мы остановимся на трех программах, которые по результатам зарубежных исследований были признаны дающими наиболее точные и достоверные результаты. ЭтоTargetScanS, PicTar and DIANA-microT. [1,2
TargetScanS это алгоритм, разработанный для идентификации мишеней для микроРНК у позвоночных. Программа использует сравнительный анализ последовательностей для предсказания мишеней для микроРНК, в геномах человека, мыши, крыси, собаки, курицы и рыбы фугу. МикроРНК seed-участок это шестинуклеотидная последовательность от второго до седьмого основания миркроРНК, комплементарная шести нуклеотидом три штрих конца зрелой РНК. TargetScanS ищет области, комплементарные seed-участкам для первого организма, например, человека и дополняет каждое совпадение вариантами дополнительных комплементарных взаимодействий для микроРНК. TargetScanS требует совпадения областей, комплементарных seed-участку в определенной указанной позиции, среди выстраиваний нетранслирующих регионов всех видов.
В сравнении с этим, PicTar требует наличие сайтов связывания, которое регулируются разными микроРНК у разных видов. PicTar проверяет выстраивания три штрих нетранслируемой области для которых найдены совпадения областей комплементарных seed-участкам к микроРНК, отбирает повторяющися выстраивания, основываясь на их термодинамической стабильности и рассчитывает значение максимального сходства для каждой предсказанной мишени.
DIANA-microT была разработана путем комбинирования компьютерного и экспериментального подходов. Для того, чтобы идентифицировать предполагаемые микроРНК-распознающие элементы, в этом методе используется рамка, которая постепенно движется вдоль последовательности в поисках потенциальной мишени. Используя динамическое программирования, минимальная энергия связывания между микроРНК и последовательностями в базах данных три штрих нетранслирующих регионов вычисляется при каждом перемещении рамки и сравнивается с полученными значениями таких же динуклеотидов из реального три штрих некодирующего региона. Эта программа показала уровень предсказывания 66%, что является максимальным среди программ, известных широкой общественности в настоящее время. Существует DIANA-microT веб сервер, предоставляющий пользовательский интерфейс для DIANA-microT и посылающий запросы на существующие онлайн ресурсы по уже предсказанными микроРНК-зрелая РНК взаимодействиям.
Аутоимунный миокардит
Аутоимунный миокардит – воспалителььный процесс в миокарде, результатом которого является повреждение кардиомиоцитов и возможная манифестация от субклинической до внезапной смерти. Эксперименты в культуре клеток, а затем на мышах для изучения динамики 15 микроРНК были проведены. В исследовании было обнаружено, что экспрессия miR-155 and miR-148a была значительно увеличена. МикроРНК регулирует биологический процесс путем угнетения экспрессии гена-мишени, которые были предсказаны с использованием онлайн инструмента TargetScan. Им оказался RelA, важный компонент ядерного фактора кэйби, что было подтверждено в дальнейших экспериментах. На этом основании мы можем заключить, что эти две микроРНК являются потенциальными мишенями для модуляции иммунной реакции, что дает возможность избежать развития миокардита. [5]
Заключение
На примере диабета первого типа и аутоиммунного миокардита мы рассмотрели применение некоторых методов и подходов биоинформатики с целью идентификации мишени, поскольку, как уже было показано выше, выбор правильной фармакомишени позволяет продвинуться на несколько шагов вперед в создании нового лекарства, компания по разработке которого с большей вероятностью закончится успехом. Применение компьютерных подходов занимает меньше времени, не сопряжено с работой с токсическими, химически опасными или радиоактивными веществами или постановкой экспериментов над животными. Нам нужно лишь подтвердить полученные при помощи искусственного интеллекта данные на практике, а не перебирать многие возможные варианты, что экономит значительные средства, а, значит, снижает затраты на разработку нового препарата, уменьшая его начальную стоимость.
Список литературы:
- Donald E. Kuhn Experimental: Validation of miRNA Targets
- Hyeyoung Min1 and Sungroh Yoon: Got target: computational methods for microRNA target prediction and their extension
- Paulien Hogeweg: The Roots of Bioinformatics in Theoretical Biology
- Joel B. Hagen: The origins of bioinformatics
- -L. BAO, L. LIN1: MiR-155 and miR-148a reduce cardiac injury by inhibiting NF-κB pathway during acute viral myocarditis
- Liu1, R. Xu1, X. Liu1, R. Sun1, Q. Wang: Bioinformatics Analysis of Gene Expression in Peripheral Blood Mononuclear Cells from Children with Type 1 Diabetes in 3 Periods
- Microarray US: a user-friendly graphical interface to Bioconductor tools that enables accurate microarray data analysis and expedites comprehensive functional analysis of microarray results Yilin Dai1†, Ling Guo1†, Meng Li2 and Yi-Bu Chen
- Keeling P, Roth M, Zietlow T. The economics of personalized medicine:commercialization as a driver of return on investment.
- Wayne Chang, Elizabeth Hawkins, Fred Zussa: Personalized Medicine and The Future of the Pharmaceutical Industry
- Alexander J. Thompson, MSc , William G. Newman, FRCP, PhD , Rachel A. Elliott, PhD, BPharm, MRPharm , Stephen A. Roberts, PhD, BS , Karen Tricker, PhD, MPM , Katherine Payne, PhD, MSc, BPharm, MRPharmS, The Cost-Effectiveness of a Pharmacogenetic Test: A Trial-Based Evaluation of TPMT Genotyping for Azathioprine
- Dr Katherine Payne: Pharmacogenetics: Making cancer treatment safer and more effective
- Арутюнян Б.Н.: Персонализированная медицина как модель здравоохранения будущего[schema type=»book» name=»Как сэкономить время и деньги при разработке новых лекарств, используя биоинформатику?» description=»В основе таргетной терапии лежит связывание фармакомишени молекулой лекарства и дальнейшие взаимодействия внутри такого комплекса, что приводит к изменению конформации молекулы мишени, что в конечном итоге модифицирует и даже блокирующет её действия. Это ведёт к восстановлению физиологического состояния после возникшей патологии. Основой такого лечения является drug discovery, процесс, в результате которого на рынок поступает новое лекарство, сконструированное при помощи компьютерного моделирования. Однако от создания новой идеи до представления потребителям и дистрибьюторам нового продукта проходит 12-15 лет и стоит порядка одного миллиарда долларов. Последние исследования показали, что низкий уровень успеха при завершении кампании по разработке нового лекарства связан с выбором неправильной фармакомишени. Таким образом, процесс поиска мишени является ключевой стадией, в значительной степени определяющей успех всей кампании. Биоинформатика предоставляет совершенно новые подходы к поиску и идентификации фармакомишеней, вовлекая в этот процесс искусственный интеллект и методы обучения машин при создания различного программного обеспечения для автоматизации и соответственно упрощения обнаружения и последующей валидации мишени для конкретного заболевания. Данная работа представляет собой краткий обзор методов биоинформатики в области поиска фармакомишеней и проведенный сравнительный анализ некоторого программного обеспечения в приложение к анализу аутоиммунных нарушений и заболеваний. Акцент сделан на методы, адаптированные для применения клиницистами без углубленных знаний в программировании и матстатистике. » author=»Жегалова Ирина, Антонова Мария, Сучков Сергей» publisher=»БАСАРАНОВИЧ ЕКАТЕРИНА» pubdate=»2017-02-03″ edition=»ЕВРАЗИЙСКИЙ СОЮЗ УЧЕНЫХ_26.09.15_10(18)» ebook=»yes» ]