Компьютерный поиск веществ, обладающих цитотоксичностью по отношению к клеточным линиям рака молочной железы тема диссертации и автореферата по ВАК РФ 03.01.09, кандидат биологических наук Дубовская, Варвара Игоревна

  • Дубовская, Варвара Игоревна
  • кандидат биологических науккандидат биологических наук
  • 2016, МоскваМосква
  • Специальность ВАК РФ03.01.09
  • Количество страниц 223
Дубовская, Варвара Игоревна. Компьютерный поиск веществ, обладающих цитотоксичностью по отношению к клеточным линиям рака молочной железы: дис. кандидат биологических наук: 03.01.09 - Математическая биология, биоинформатика. Москва. 2016. 223 с.

Оглавление диссертации кандидат биологических наук Дубовская, Варвара Игоревна

Оглавление

СПИСОК СОКРАЩЕНИЙ И УСЛОВНЫХ ОБОЗНАЧЕНИЙ

СЛОВАРЬ ТЕРМИНОВ

ВВЕДЕНИЕ

1. ОБЗОР ЛИТЕРАТУРЫ

1.1 Рак молочной железы

1.1.1 Общая характеристика и классификации

1.1.2 Белки клеточного цикла и апоптоза как мишени для терапии рака молочной железы

1.1.3 Моделирование регуляторных сетей для поиска потенциальных мишеней терапии РМЖ

1.2 Поиск противоопухолевых соединений на основе компьютерного скрининга

1.2.1 (Q)SAR модели

1.2.2 Примеры использования (Q)SAR моделей для поиска противоопухолевых соединений для терапии РМЖ

1.2.3 Применение данных о цитотоксичности химических соединений в отношении клеточных линий для поиска соединений

с противоопухолевой активностью

1.2.4 Анализ взаимосвязей «структура-цитотоксичность» лекарственно-подобных соединений

2. МАТЕРИАЛЫ И МЕТОДЫ

2.1 Моделирование клеточного цикла

2.1.1 Анализ данных по регуляции клеточного цикла и создание сети регуляции клеточного цикла и апоптоза при РМЖ и в нормальных клетках

2.1.2 Сбор экспериментальных данных по дифференциальной экспрессии генов при РМЖ и в нормальных клетках

2.1.3 Дихотомическое моделирование регуляторных сетей и поиск

перспективных фармакологических мишеней

2.2 Предсказание цитотоксичности лекарственно-подобных соединений и их взаимодействия с мишенями

2.2.1 Сбор экспериментальных данных по цитотоксичности лекарственно-подобных соединений в отношении клеточных линий человека

2.2.2 Анализ взаимодействия лекарственно-подобных соединений

с ключевыми белками систем регуляции клеточного цикла

2.3 Применение моделей ОИБЛЯ для прогнозирования острой токсичности для крыс и растворимости соединений в воде

2.4 Библиотеки коммерчески доступных образцов химических соединений

2.5 Экспериментальная валидация

2.6 Оценка новизны наиболее перспективных соединений

3. РЕЗУЛЬТАТЫ И ОБСУЖДЕНИЕ

3.1 Разработка подхода к компьютерному поиску веществ, обладающих избирательной цитотоксичностью по отношению к клеточным линиям рака молочной железы

3.1.1 Построение моделей регуляции клеточного цикла и апоптоза при РМЖ

3.1.2 Идентификация перспективных фармакологических мишеней для клеточных линий РМЖ

3.2 Валидация разработанного подхода т яШев

3.2.1 Поиск перспективных фармакологических мишеней в моделях клеточных линий РМЖ человека

3.2.2 Результаты компьютерной оценки цитотоксичности химических соединений

3.2.3 Результаты компьютерной оценки действия химических

соединений на ключевые белки регуляции клеточного цикла

3.2.4 Виртуальный скрининг баз данных по доступным образцам коммерчески доступных соединений

3.2.5 Отбор на основе прогноза веществ, цитотоксичных к клеткам РМЖ лигандов и действующих на выявленные белки-мишени

3.3 Экспериментальная валидация результатов компьютерного скрининга

4. ЗАКЛЮЧЕНИЕ

5. ВЫВОДЫ

6. СПИСОК ЛИТЕРАТУРЫ

7. СПИСОК ИЛЛЮСТРАТИВНОГО МАТЕРИАЛА

8. ПРИЛОЖЕНИЯ

Приложение 1. Копия свидетельства о государственной регистрации

программы для ЭВМ PASS CLC Pred

Приложение 2. Белки-мишени и количество взаимодействующих с

ними соединений

Приложение 3. Белки регуляции клеточного цикла, для которых

может быть выполнен прогноз на взаимодействие с ХС

Приложение 4. Идентификаторы, названия и органная

специфичность клеточных линий из БД ChEMBL

Приложение 5. Списки гипо- и гиперэкспрессированных генов для клеточной линии РМЖ BT-20

СПИСОК СОКРАЩЕНИЙ И УСЛОВНЫХ ОБОЗНАЧЕНИЙ

БД - база данных

ДНК - дезоксирибонуклеиновая кислота

ЛС - лекарственное соединение

РМЖ - рак молочной железы

СУБД - система управления базами данных

ХС - химическое соединение

ABCC9 - ATP-binding cassette, sub-family C member

ABI2 -Abl-Interactor

ADCY1 - аденилат циклаза

AKT - AKT серин/треонин протеинкиназа B

ATM - аtaxia telangiectasia mutated

AXL - AXL рецептор тирозинкиназы

Bcl-2 -Apoptosis regulator Bcl-2

BDH2 - 3-Hydroxybutyrate Dehydrogenase

BRCA1 - breast cancer 1 (breast cancer type 1 susceptibility protein) BRCA2 - breast cancer 2 (breast cancer type 2 susceptibility protein) BRIP1 - BRCA1 interacting protein 1 CD340 - антитело к белку ErbB-2 c-Jun - белок, кодируемый геном JUN

c-kit - рецептор фактора роста тучных и стволовых клеток (SCFR), или белковая тирозинкиназа Kit (CD117)

CRKL - белок, содержащий домен SH2 и два домена SH3 (src-гомологичные домены) (англ. Crk-like, "Crk-подобный")

cyclin A:CDK2, cyclin B1:CDK1, cyclin D:CDK4, cyclin D:CDK6, cyclin E:CDK2 -комплексы циклинов и циклин-зависимых киназ

EGF - эпидермальный фактор роста (англ. Epidermal Growth Factor)

EGFR - рецептор эпидермального фактора роста

ERK5 -extracellular signal-regulated kinase

FAK - Focal Adhesion Kinase или PTK2, protein tyrosine kinase

Fas (FasL, CD95L) - трансмембранный белок второго типа, принадлежащий семейству фактора некроза опухоли (TNF)

HER1 - рецептор эпидермального фактора роста 1 (human epidermal growth factor receptor 1)

HER2 (Neu, ErbB-2, CD340) — мембранный белок, тирозиновая протеинкиназа семейства рецептора эпидермального фактора роста EGFR/ErbB

HIF-1alpha - hypoxia-inducible factor 1-alpha

HPK1 - mitogen-activated protein kinase kinase kinase kinase

IL-6 - интерлейкин 6 (англ. Interleukin-6)

JAK - янус киназа (англ. Janus kinase)

Ki67 - белок-маркер пролиферации РМЖ

MAGE-ML - формат представления данных экспериментов на микропанелях (англ. Microarray Gene Expression Markup Language)

MAGE-TAB - формат представления данных экспериментов на микропанелях (англ. Microarray Gene Expression - Tabular format)

MAP - белок, ассоциированный с микротрубочками (англ. Microtubule-associated protein)

MIAME - формат представления данных экспериментов на микропанелях (англ. Minimum Information About a Microarray Experiment)

MKK3, MKK4, MKK6 - митоген-активируемые митоген-активируемые киназы MRE11A - белок репарации двойных разрывов нитей NBN - нибрин

Notch - семейство трансмембранных белков NT5E - ген 5-нуклеотидазы

P38ALPHA - митоген-активируемая протеинкиназа (англ. MAPK14, Mitogen-activated protein kinase 14)

PALB2 - белок, связывающий BRCA2

PARP1 - poly [ADP-ribose] polymerase

PASS - Prediction of Activity Spectra for Substances

PFKFB1 - protein signaling proteins fructose kinases

PI3K - фосфоинозитид 3-киназы или фосфатидилинозитол-3-киназы

PKC - протеинкиназа С

RAD50 - белок репарации ДНК (англ. DNA repair protein RAD50)

Raf - онкогенная протеинкиназа (англ. proto-oncogene serine/threonine-protein kinase)

Ras - семейство белков, кодирующих малые G-белки (малые ГТФазы)

Rb1 - ретинобластома

RDH5 - ретинол-дегидрогеназа

SDF - Structure Data File

SRC -нерецепторная тирозинкиназа семейства Src (англ. proto-oncogene tyrosine-protein kinase Src)

STAT - белок передачи сигнала и активации транскрипции (англ. signal transducer and activator of transcription)

STK11 - серин-треониновая киназа

TAK1 - протеинкиназа семейства MLK

TGFbeta -transforming growth factor beta

TNFalpha - фактор некроза опухоли альфа

TOP2A - топоизомераза 2 альфа

TP53 - транскрипционный фактор р53, регулирующий клеточный цикл VEGF - фактор роста эндотелия сосудов (англ. Vascular endothelial growth factor) VEGFR - рецептор фактора роста эндотелия сосудов

Wnt - белки, регулирующие эмбриогенез, дифференцировку клеток и развитие злокачественных опухолей

р16 - cyclin-dependent kinase inhibitor 2A или multiple tumor suppressor

СЛОВАРЬ ТЕРМИНОВ

Скользящий контроль с исключением по одному: процедура, при которой из выборки, использованной при построении моделей, поочередно исключается каждое соединение и для него проводится прогноз на основе оставшейся части выборки.

(Q)SAR, (Quantitative) Structure-Activity Relationships: качественные или количественные соотношения «структура-активность»: математические модели, характеризующие зависимости между структурой химических соединений и их биологической активностью.

Дескрипторы: набор чисел, связанных со структурной формулой или пространственной структурой молекулы.

Цитотоксичность: это способность химических веществ (включая лекарства, вирусы и антитела) повреждать клетки тканей.

Меры величины цитотоксичности (используемые в БД ChEMBL):

IC50: концентрация, при которой наблюдается ингибирование лигандом роста 50% клеток или проявление цитотоксичности по отношению к 50% клеток.

EC50: 50% эффективная концентрация, приводящая к цитотоксичности.

Inhibition: ингибирование роста клеток или проявление цитотоксичности у 50% и более % клеток при фиксированной концентрации, считающейся пороговой для активных соединений.

DC50: 50% концентрация деполимеризации.

Ki: константа ингибирования.

Рекомендованный список диссертаций по специальности «Математическая биология, биоинформатика», 03.01.09 шифр ВАК

Введение диссертации (часть автореферата) на тему «Компьютерный поиск веществ, обладающих цитотоксичностью по отношению к клеточным линиям рака молочной железы»

ВВЕДЕНИЕ

Актуальность темы исследования и степень ее разработанности

Онкологические заболевания являются одной из основных причин смертности в мире (Siegel et al., 2016). Для терапии опухолей, резистентных к существующим противоопухолевым препаратам, необходимо создание новых лекарств. Поиск эффективной терапии усложняется гистологическим, морфологическим и генетическим разнообразием злокачественных новообразований. Несмотря на достигнутый прогресс в разработке препаратов для лечения онкологических заболеваний, тройной негативный рак молочной железы (РМЖ) невосприимчив к существующим лекарствам (Griffiths and Olin, 2012; Marme and Schneeweiss, 2015). При тройном негативном раке РМЖ не экспрессируются гены рецепторов к эстрогену (ER) и прогестерону (PgR), а также ген белка HER-2/neu, являющиеся традиционными мишенями для таргетной терапии других типов рака молочной железы (Duffy et al., 2012; Guestini et al., 2015). Необходим поиск новых мишеней и фармакологически активных веществ, действующих на клеточные линии тройного негативного РМЖ, но оказывающих минимальное воздействие на нормальные (неопухолевые) клетки.

Для анализа причин возникновения и развития мультифакториальных патологий на молекулярно-генетическом уровне в настоящее время применяют моделирование внутриклеточных процессов in silico, что позволяет улучшить понимание патогенеза опухолевых заболеваний и найти новые биомаркеры и фармакологические мишени (Vera-Licona et al., 2013; Menden et al., 2013; Timpe et al., 2015). С этой целью используют методы системной биомедицины, позволяющие рассматривать механизмы возникновения сложных заболеваний на уровне генов, белков и взаимодействий между ними, что дает возможность анализировать геномные, транскриптомные, протеомные и метаболомные данные в комплексе (Iorio et al., 2013).

Новые высокопроизводительные методы постгеномной биомедицины обеспечивают получение обширной и разнообразной информации, которая

используется для идентификации перспективных мишеней для терапии злокачественных новообразований. Поиск действующих на эти мишени фармакологических веществ на основе экспериментального скрининга десятков миллионов природных и синтетических химических соединений является трудоемким и дорогостоящим процессом (Narang and Desai, 2009; Adams, 2012; Burger and Fiebig, 2014). Использование методов виртуального скрининга и компьютерного конструирования лекарственных соединений позволяет снизить временные и финансовые издержки на стадии поиска и оптимизации прототипов новых лекарств (Narang and Desai, 2009; Burger and Fiebig, 2014; Adams, 2012). Для этого широко применяются как методы, основанные на структуре макромолекулы-мишени (Target-Based Drug Design), так и методы, основанные на структуре лиганда (Ligand-Based Drug Design). В последние годы, наряду с анализом мишень-лигандных взаимодействий, предпринимаются попытки исследования взаимосвязей между структурой и активностью веществ в отношении опухолевых клеточных линий (Qamar et al., 2011; Li and Huang, 2012; Kong and Yamori, 2012; Speck-Planche et al., 2012; Romero Durán et al., 2014).

Несмотря на достигнутые успехи в разработке и практическом применении методов биоинформатики для установления перспективных фармакологических мишеней, поиска и конструирования действующих на эти мишени лигандов и оценки их взаимодействия с опухолевыми клеточными линиями, существующие методы обладают рядом недостатков. В большинстве подходов, используемых для идентификации перспективных фармакологических мишеней, рассматривают сравнительно небольшие фрагменты путей внутриклеточной регуляции, во многих случаях - без учета тканевой специфичности, что вносит существенную погрешность в получаемые оценки (González-Pérez et al., 2013; Siatkowski et al., 2015). При прогнозе цитотоксичности рассматривают только опухолевые клеточные линии без учета воздействия на неопухолевые клетки, что не позволяет обеспечить требуемую специфичность действия фармакологических веществ. В ходе анализа взаимосвязей «структура-активность» игнорируется факт отсутствия тех или иных молекулярных мишеней

в конкретных типах тканей, обусловленных особенностями регуляции клеточных процессов (Qamar et al., 2011; Li and Huang, 2012; Kong et Yamori, 2012; Speck -Planche et al., 2012; Romero Durán et al., 2014). Преодоление указанных недостатков позволит проводить анализ in silico комплекса характеристик, обеспечивающих более высокую безопасность и эффективность прототипов новых противоопухолевых лекарств, на ранних стадиях разработки.

Цель и задачи работы

Целью диссертационной работы являлась разработка подхода, интегрирующего компьютерные методы выявления перспективных фармакологических мишеней, виртуального скрининга взаимодействующих с этими мишенями лекарственно-подобных соединений, прогноза цитотоксического действия отобранных соединений на опухолевые и неопухолевые клеточные линии человека, оценки их растворимости и острой токсичности для крыс, и апробация разработанного нами подхода на примере поиска веществ, обладающих избирательной цитотоксичностью по отношению к клеточным линиям рака молочной железы.

Для достижения поставленной цели были поставлены следующие задачи:

1. Формирование обучающей выборки, содержащей информацию о цитотоксическом действии фармакологических веществ на опухолевые и неопухолевые клеточные линии; создание программы PASS CLC Pred, её обучение и валидация.

2. Построение дихотомических моделей регуляции клеточного цикла для клеточных линий на основе данных об основных процессах клеточной регуляции с использованием информации о дифференциальной экспрессии генов в качестве начальных состояний; поиск перспективных фармакологических мишеней для четырех клеточных линий рака молочной железы.

3. На основе последовательного скрининга in silico осуществить отбор из библиотек коммерчески доступных образцов лекарственно-подобных соединений,

взаимодействующих с выявленными мишенями, обладающих избирательной цитотоксичностью по отношению к опухолевым клеточным линиям РМЖ, и удовлетворительными характеристиками по растворимости в воде и острой токсичности для крыс.

4. Экспериментальное тестирование действия отобранных соединений на клеточные линии РМЖ и неопухолевые клеточные линии с целью валидации разработанного нами подхода.

Научная новизна

Нами впервые разработан и применен на практике комбинированный метод отбора прототипов новых противоопухолевых лекарств, учитывающий, наряду с оценками взаимодействия с фармакологическими мишенями, токсичности и растворимости, также прогноз воздействия веществ на опухолевые и неопухолевые клеточные линии. Выявлены новые лекарственно -подобные соединения, обладающие цитотоксичностью в отношении клеточных линий рака молочной железы (МОА-МВ-231 и MCF7), включая тройной негативный РМЖ, с минимальным воздействием на неопухолевые клетки.

Теоретическая и практическая значимость

Разработанный подход позволяет выявлять соединения, цитотоксичные в отношении различных типов опухолевых клеточных линий, но оказывающих существенно более слабое влияние на неопухолевые клетки, что создает предпосылки для рационального поиска и конструирования новых более безопасных и эффективных лекарственных веществ для терапии злокачественных новообразований. Компьютерное прогнозирование профилей цитотоксичности и взаимодействия с молекулярными мишенями может быть также использовано для целенаправленного отбора соединений с требуемыми профилями биологической активности в рамках фенотипического скрининга.

Работа выполнена при финансовой поддержке ФЦП «Разработка экспериментально-вычислительной системы для прогнозирования динамики и выявления ключевых факторов патогенеза опухолевых заболеваний и использования их для диагностики и лечения» (государственный контракт № 14.512.11.0093) и Программы фундаментальных исследований государственных академий наук на 2013-2020 годы.

Методология и методы исследования

Нами предложен и реализован подход к компьютерному поиску лекарственно-подобных веществ с избирательным цитотоксическим действием на клеточные линии человека на основе многоступенчатого скрининга in silico, интегрирующего оценки взаимодействия исследуемых веществ с более чем 650 фармакологических мишеней, воздействия на опухолевые и неопухолевые клетки, острой токсичности для крыс при четырех способах введения, и растворимости в воде. Идентификация молекулярных мишеней, взаимодействие с которыми может привести к остановке деления либо апоптозу клеточных линий РМЖ человека, была проведена с применением метода дихотомического моделирования поведения регуляторных сетей. Использованы компьютерные программы Net2Target (Свидетельство о государственной регистрации программы для ЭВМ №2014660877), PASS Targets (Свидетельство о государственной регистрации программы для ЭВМ №2016610846), GUSAR (Свидетельство о государственной регистрации программы для ЭВМ №2006613591), и разработанная нами программа PASS CLC Pred (Свидетельство о государственной регистрации программы для ЭВМ №2016610382). Экспериментальное изучение воздействия отобранных лекарственно-подобных веществ на клеточные линии рака молочной железы (MDA-MB-231, MCF7) и неопухолевые клетки (фибробласты) было проведено нами с использованием стандартного MTT-теста.

Основные положения, выносимые на защиту

1. Сформированная нами на основе данных из БД СКЕМВЬ обучающая выборка, которая содержит информацию о действии фармакологических веществ на опухолевые и неопухолевые клеточные линии, достаточно представительна для построения зависимостей «структура-цитотоксичность» и получения прогноза.

2. Дихотомические модели регуляции клеточного цикла для клеточных линий, построенные на основе данных о дифференциальной экспрессии генов, участвующих в основных процессах клеточной регуляции, позволяют осуществлять поиск перспективных фармакологических мишеней для четырех клеточных линий рака молочной железы.

3. Анализ белков-мишеней и отбор соединений, взаимодействующих с ключевыми белками внутриклеточной регуляции, обеспечивает выявление новых лекарственно-подобных соединений, селективно ингибирующих опухолевые клетки.

4. Предложенный нами подход, основанный на многоступенчатом скрининге т sШco, может эффективно применяться для поиска новых соединений с противоопухолевым действием.

Степень достоверности и апробация результатов

Научные положения и практические рекомендации, сформулированные автором в диссертации, основаны на изучении достаточного объёма материала и применения современных методов анализа данных. Экспериментальные данные, полученные в работе при непосредственном участии автора, подтверждают результаты компьютерного прогноза. Выводы аргументированы и вытекают из проведенных автором исследований. Основные положения диссертации опубликованы в рецензируемых журналах, были доложены и обсуждены на российских и международных симпозиумах и конференциях, включая: VII Международную (XVI Всероссийскую) Пироговскую научную медицинскую

конференцию студентов и молодых ученых, Москва, Россия, 2012; Российские национальные конгрессы «Человек и лекарство», Москва, Россия, 2012, 2014; 2015, 2016; 10th International Conference on Chemical Structures, Noordwijkerhout, Netherlands, 2014; 20th EuroQSAR Symposium, St.-Petersburg, Russia, 2014; 8th International Symposium on Computational Methods in Toxicology and Pharmacology Integrating Internet Resources (CMTPI), Chios Island, Greece, 2015.

Публикации

По материалам диссертации опубликовано 10 научных работ в российских и международных научных изданиях, в том числе 3 статьи в рецензируемых научных журналах, входящих в список ВАК, и 7 публикаций в сборниках научных конференций, получено свидетельство ФИПС о государственной регистрации программы для ЭВМ № 2016610382 PASS CLC Pred.

1. ОБЗОР ЛИТЕРАТУРЫ

1.1 Рак молочной железы

1.1.1 Общая характеристика и классификации

Рак молочной железы или РМЖ - группа злокачественных новообразований, возникающих в тканях молочных желез (железистая ткань), преимущественно у женщин. РМЖ стоит на втором месте в мире по частоте возникновения (Tang et al., 2016). Среди факторов риска - курение, поздняя менопауза, ожирение, диабет, гипертоническая болезнь и другие. В 20% случаев РМЖ возникает из-за мутаций в генах онкосупрессоров BRCA1 (breast cancer 1) и BRCA2 (breast cancer 2), также известна связь между мутациями в генах, отвечающих за репарацию ДНК (ATM, MRE11A, NBN, RAD50, RAD51C, PALB2 и BRIP1), генах белка G1 фазы клеточного цикла CDH1, регуляторах клеточного цикла STK11, TP53, CHEK2 (Checkpoint kinase 2) и антионкогене PTEN (Phosphatase and tensin homolog). Основными типами РМЖ являются (Weigelt et al., 2010; Pourteimoor et al., 2016):

• Внутрипротоковая карцинома: внутрипротоковая карцинома in situ, инвазивная протоковая карцинома;

• Дольковая карцинома: дольковая карцинома in situ (фактор риска для развития инвазивного РМЖ), инвазивная дольковая карцинома;

• Другие: метапластический, РМЖ с признаками воспаления, тубулярная карцинома, медуллярный рак, папиллярный рак, секреторная карцинома и др.

Исследования дифференциальной экспрессии генов при РМЖ показали, что существует несколько молекулярных подтипов опухолей, которые имеют отличительные молекулярные маркеры и требуют разных подходов к лечению (Perou et al., 2000; Polyak, 2011; Hon et al., 2016). Четыре типа различаются по экспрессирующимся цитокератинам и амплификации гена HER2, human epidermal growth factor receptor 2 (Neu, ErbB-2, CD340 - маркер и мишень терапии):

• Эстроген-зависимые опухоли, люминальный подтип A (встречается в 3045% случаев) и люминальный подтип B (в 14-18% случаев). Подтип А

характеризуется нормальным уровнем экспрессии рецепторов белка HER2 и является малоагрессивным, вследствие чего вероятность неблагоприятного прогноза очень низкая. Подтип В является агрессивным и пациенты имеют худший прогноз по сравнению с подтипом А, экспрессия рецепторов гена HER2 повышена. В 60-75% случаев одновременно повышается экспрессия рецепторов гормонов эстрогена и прогестерона, поэтому также называются эстроген/прогестерон-рецептор положительными опухолями.

• НЕЕ2-позитивный подтип встречается у 8-15% больных, опухоли являются эстроген-независимыми, агрессивными, экспрессия рецепторов генов HER2 повышена, вероятность неблагоприятного исхода повышена.

• Тройной негативный подтип (27-39% больных) является эстроген-независимым (не экспрессируются рецепторы эстрогена и прогестерона) и агрессивным, характеризуется нормальным уровнем экспрессии рецепторов белка HER2, обладает наиболее низким уровнем выживаемости пациентов. Тройной негативный РМЖ наиболее часто диагностируется у женщин с мутацией в гене BRCA1 (Lips et al., 2013; Ishitha et al., 2016).

1.1.2 Белки клеточного цикла и апоптоза как мишени для терапии рака молочной железы

В норме клеточный цикл включает в себя клеточное деление, состояние покоя и апоптоз (Morgan, 2006; Rhind and Russell, 2012). Последовательными фазами клеточного деления являются: митоз — М-фаза, деление клеточного ядра; Gl-фаза — период перед синтезом ДНК; S-фаза — период репликации ДНК; G2-фаза — период между синтезом ДНК и митозом. Клетки на определенных стадиях дифференцировки могут приостанавливать свое деление, сохраняя жизнеспособность. Такое состояние клеток получило название фазы покоя (G0-фаза), клетки в этой фазе содержат ингибиторы пролиферации, препятствующие репликации ДНК и наступлению S-фазы. Апоптоз — генетически запрограммированная гибель клеток, нарушения которой играют критическую роль при возникновении и прогрессии РМЖ. Злокачественные опухоли

характеризуются неконтролируемым клеточным делением и высоким риском распространения клеток по всему организму. Опухолевые клетки обладают способностью поддерживать высокий уровень пролиферативной активности, избегать действия ингибиторов клеточного роста и активаторов апоптоза, что позволяет опухоли активно расти и метастазировать в организме человека (Hanahan and Weinberg, 2000, 2011).

Сложная сеть сигнальных каскадов отвечает за прогрессию клеточного цикла и деление клетки (Rhind and Russell, 2012; Berridge, 2014). Основными белками клеточного цикла считают циклины и циклин-зависимые киназы CDK (Cyclin-Dependent Kinase), их различные комбинации регулируют пролиферацию. Кроме того, значительное влияние оказывают ингибиторы CDK (семейства Cip/Kip (CDK interacting protein/Kinase inhibitory protein), p16), семейство белков INK4a/ARF (Inhibitor of Kinase 4/Alternative Reading Frame), а также отрицательные регуляторы клеточного цикла белки Rb, p107, p130, семейство транскрипционного фактора и митотические компоненты, такие как Plks киназы (Polo-like kinases), чекпойнт-киназы (checkpoint kinases), регуляторые фосфатазы и другие.

Внеклеточные факторы роста начинают действовать в начале Gl-фазы, обеспечивая клетке вход в клеточный цикл и запуская дальнейшие события. В ответ на эти сигналы начинается синтез Cyclin D, который связывается с CDK4 и формирует активный комплекс. Комплекс Cyclin D с CDK4 гиперфосфорилирует чувствительный белок Rb, который активирует транскрипционный фактор E2F, который запускает синтез Cyclin E, Cyclin A, ДНК полимеразы и др. Cyclin E связывается с CDK2, формируя Cyclin E:CDK2 комплекс, который инициирует переход из G1 в S-фазу. Комплекс Cyclin A:CDK2 регулирует переход из S в G2-фазу, а Cyclin A:CDK1 - из G2 в М-фазу. Митоз запускается комплексом Cyclin B:CDK1 и киназой Plks, деактивация этого комплекса приводит к выходу клетки из митоза. Белки семейства Cip/Kip (p21, p27, p57) удерживают переход клетки в S-фазу, если фиксируются повреждения в ДНК (антионкоген p53 активирует p21, ингибитор роста TGF ß активирует p27). Белок семейства INK4a/ARF p16INK4a

связывает CDK4 и происходит арест клеточного цикла в Gl-фазе, а p14ARF -препятствует деградации p53.

В случае накопления ошибок в ДНК и остановки клеточного цила может быть принято решение о запуске процесса апоптоза, программируемой клеточной смерти. Активация апоптоза может происходить через активацию рецепторов клеточной гибели TNFR, Tumor Necrosis Factor Receptors - CD95 (Fas, APO-1), TNFR1 (p55, CD120a), DR3; активацию проапоптотических митохондриальных белков Bcl-2— Bax и Bak, которые активируют прокаспазы 2, 3, 9 и фактор индуцирующий апоптоз AIF (Apoptosis Inducing Factor); выход из лизосом активного катепсина B (под действием каспазы-8); активацию инициаторных каспаз 2, 8, 9, 10, 12 и последующую активацию ими эффекторных каспаз 3, 6, 7. Существуют и альтернативные пути передачи сигнала от рецепторов клеточной гибели через активацию фактора транскрипции NF-kB в ядре и JNK (Jun-N-концевая киназа) митоген-активируемого киназного каскада, которые препятствуют индукции апоптоза через ингибирование каспазы 8.

Транскриптомные исследования показали, что каждый подтип РМЖ отличается молекулярным профилем от другого (Perou et al., 2000; Beca and Polyak, 2016). В рандомизированном исследовании профилей генной экспрессии 764 пациентов с тройным негативным РМЖ авторы продемонстрировали, что 269 из 371 генов, ассоциированных с киназной активностью, пролиферацией, внутриклеточной репарацией ДНК, торможением апоптоза и регуляцией транскрипции экспрессировались на разном уровне при тройном негативном и гормон-позитивном РМЖ (Sparano et al., 2009). При тройном негативном РМЖ не экспрессируются рецепторы гормонов эстрогена ER и прогестерона PgR и нет повышенния экспрессии HER2. Кроме того, при тройном негативном РМЖ часто экспрессируются базальные цитокератины (цитокератин 5, 14, 17) и EGFR (HER1), цитокины. По сравнению с остальными типами чаще экспрессируются миоэпителиальные маркеры, такие как кавеолины (Cav1, 2), c-kit, P-кадерин, виментин, но редко экспрессируются эпителиальные маркеры, например, Е-кадерин. Также активны гены Ki67 и TOP2A, ассоциированные с пролиферацией,

высок уровень циклина Е и низок - циклина D1, ген р53 является абберантным, и экспрессируется его гомолог p63. По сравнению с другими типами нет повышения уровня р16, Rb1, кристаллинов. Отличительными особенностями карцином является метастазирование, наличие мутаций в PI3K сигнальном пути, повышающее нестабильность генома, увеличенный уровень экспрессии стволовых клеток и эпителиомезенхимальных маркеров (Carey et al., 2010).

Существующие терапевтические воздействия связаны с либо ДНК-повреждающими соединениями, которые проявляют выраженные побочные эффекты, или таргетными препаратами, которые еще не разрешены к медицинскому применению и находятся на стадии клинических испытаний. Возможные подходы включают в себя ингибирование PARP1 (Farmer et al., 2005), EGFR (HER1) (Gluz et al., 2008), киназы клеточного цикла (Lapenna et Giordano, 2009), HSP90 (heat-shock protein 90) через ингибирование Ras/Raf/MAPK сигнального пути и G2/M фазу клеточного цикла, ингибирование SRC или AXL киназы (Bilici et al., 2012), ICAM-1 (Intercellular Adhesion Molecule-1) (Guo et al., 2014), инсулиноподобного фактора роста IGFBP-3 (Marzec et al., 2015), MAP киназы ERK5 (Ortiz-Ruiz et al., 2014), STAT3 (Banerjee and Resat, 2016), PIN1 (peptidyl-prolyl cis/trans isomerase) (Rustighi et al., 2016). Другими потенциальными мишенями принято считать белки сигнальных путей Notch, Wnt/p-catenin, mTOR, TGF-P и Hedgehog (Jamdade et al., 2015). Повышенный уровень секреции VEGF-A активирует FAK и PI3K/AKT сигнальные пути, что усиливает инвазивные способности опухоли, поэтому ингибирование ангиогенеза через VEGFR тоже рассматривается как потенциальная терапия (Choi et al., 2016; Smit et al., 2016). Еще одни авторы предлагают использовать эстроген-связывающий рецептор альфа ERRa как возможную мишень для ингибирования, что приведет к подавлению пролиферации, уменьшению G2/M фазы и индукции апоптоза (Wu et al., 2016).

1.1.3 Моделирование регуляторных сетей для поиска потенциальных мишеней терапии РМЖ

Моделирование регуляторных сетей позволяет исследователям анализировать накопившуюся экспериментально полученную информацию о внутриклеточной передаче сигнала и получать новую информацию о поведении системы с целью поиска возможных точек воздействия на систему (Nikolsky et al., 2005).

Siatkowski с соавторами разработал программу CellFateScout для поиска путей распространения сигнала от малых молекул по сигнальным путям клеточной регуляции, используя данные по дифференциальной экспресии генов и метод скрытых переменных (Siatkowski et al., 2013). Используя список активированных путей, программа позволяет идентифицировать малые молекулы из БД, которые могут активировать эти пути.

В 2014 году предложен новый подход к персонализированному анализу злокачественных заболеваний на основе данных транскриптомных исследований пациентов и сети внутриклеточных взаимодействий, который называется OncoFinder компании Pathway Pharmaceuticals (Buzdin et al., 2014). Алгоритм позволяет находить изменения в каждом сигнальном пути, осуществлять его сравнение с нормой и оценивать силу активации сигнального пути (PAS, pathway activation strength) и влияние на клеточный ответ. Программа используется для подбора наилучшей комбинации противоопухолевых препаратов для конкретного пациента.

The Defense Advanced Research Projects Agency, DARPA, реализовало программу Big Mechanism Program (BMP) для создания больших механистических моделей сложных систем, в частности внутриклеточных сигнальных путей, с возможностью их обогащения с помощью автоматического анализа литературы и доступных баз данных, что может использоваться для предсказания поведения системы (Cohen, 2015). В настоящее время проводится работа по анализу наименее изученной группы Ras-ассоциированных опухолей.

Одной из возможных точек приложения терапии является нарушение коммуникации между опухолевыми клетками и окружающими их нормальными клетками для предотвращения распространения неконтролируемого клеточного деления. Cárdenas-García предложила искать ключевые молекулы с помощью стохастического моделирования процессов межклеточного взаимодействия в программе BTSSOC-Cellulat (González-Pérez et al., 2013). Основой модели является сигнальный путь Wnt и пересекающиеся с ним, например, EGF/MAPK/JAK, JAK-STAT, PI3K, Notch сигнальные пути и каскад каспаз.

Показано, что при выявлении перспективных фармакологических мишеней для таких сложных многофакторных заболеваний, как злокачественные новообразования, затрагивающие большое количество регуляторных путей, ассоциированных с регуляцией клеточного цикла, необходимо как можно более полно проанализировать доступные данные о направленных взаимодействиях между элементами регуляторной сети. Это необходимо, чтобы учесть все возможные альтернативные траектории поведения системы в ответ на активацию или ингибирование ее компонентов. Поэтому возникает необходимость разработки метода, который позволяет хотя бы на качественном уровне моделировать клеточные процессы, описываемые регуляторной сетью, содержащей направленные взаимодействия между большим количеством узлов, и осуществлять поиск перспективных фармакологических мишеней, в частности, при злокачественных новообразованиях.

Существуют различные причины и механизмы возникновения и прогрессирования РМЖ, включая положительные и отрицательные обратные связи, дублирующиеся механизмы проведения клеточного сигнала и различные паттерны экспрессии, позволяющие разделять опухоли на подтипы. Сложный патогенез опухолей отражает комплексный характер нарушения регуляции клеточных каскадов, включающих в себя сигнальные пути, ответственные за деление, выживание клеток и апоптоз.

Рассмотрение и анализ различных опубликованных в литературе компьютерных методов, используемых для выявления перспективных фармакологических мишеней, показывает, что в связи с неполнотой представленных данных на современном этапе успешно применяются методы, не требующие значительной информации о количественных характеристиках, происходящих в клетке регуляторных и сигнальных процессов. Отсутствие экспериментальных данных по кинетическим константам и недостаток информации о взаимодействиях между различными узлами в регуляторных сетях могут быть скомпенсированы, благодаря статистической устойчивости многих биологических функций, осуществляемых на уровне клеточных процессов (Kwoh and Ng, 2007; Li et al., 2008; Cohen, 2015). Описанные в литературе подходы оперируют небольшим количеством компонентов (узлов сети - генов, белков) и моделируют только отдельные регуляторные подсети. Существующие подходы не позволяют эффективно выявлять новые перспективные мишени (Siatkowski et al., 2013; González-Pérez et al., 2013). В связи с этим «методом выбора» при идентификации и валидации фармакологических мишеней является дихотомическое моделирование клеточных процессов, ранее уже апробированное в ходе поиска перспективных мишеней противоопухолевых препаратов (Koborova et al., 2010).

Похожие диссертационные работы по специальности «Математическая биология, биоинформатика», 03.01.09 шифр ВАК

Список литературы диссертационного исследования кандидат биологических наук Дубовская, Варвара Игоревна, 2016 год

6. СПИСОК ЛИТЕРАТУРЫ

1. Захаров А.В., Филимонов Д.А., Лагунин А.А., Поройков В.В. (2006) Свидетельство об официальной регистрации программы для ЭВМ GUSAR (General Unrestricted Structure Activity Relationships) № 2006613591.

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. - № 60 - С. 7-17.

3. Иванов, С.М., Филимонов, Д.А., Лагунин, А.А., Поройков, В.В. (2014) Свидетельство о государственной регистрации программы для ЭВМ № 2014660877 (Net2Target).

4. Конова В.И., Погодин, П.В., Филимонов, Д.А., Лагунин, А.А., Поройков, В.В. (2015) Свидетельство о государственной регистрации программы для ЭВМ № 2016610382 (PASS CLC Pred).

5. Погодин, П.В., Филимонов, Д.А., Лагунин, А.А., Поройков, В.В. (2015) Свидетельство о государственной регистрации программы для ЭВМ № 2016610846 (PASS Targets).

6. Филимонов, Д. А., Поройков, В. В. Прогноз спектров биологической активности органических соединений. // Российский химический журнал. -2006. - Т. 50, №2 - С. 66-75.

7. 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 - C. 483499.

8. Adams, D.J. The Valley of Death in anticancer drug development: a reassessment. // Trends Pharmacol Sci. - 2012. - V. 33 - P. 173-180.

9. Ahmad, S., Johnson, G.L., Scott, J.E. Identification of ponatinib and other known kinase inhibitors with potent MEKK2 inhibitory activity. // Biochem Biophys Res Commun. - 2015. - V. 463 - P. 888-893.

10. Ajmani, S., Jadhav, K., Kulkarni, S. A. Three-dimensional QSAR using the k-nearest neighbor method and its interpretation. // J. Chem. Inf. Model. - 2006. - V. 46 - P. 24-31.

11. Aksoy, B.A., Demir, E., Babur, O., Wang, W., Jing, X., Schultz, N., Sander, C. Prediction of individualized therapeutic vulnerabilities in cancer from genomic profiles. // Bioinformatics. - 2014. - V. 30 - P. 2051-2059.

12. Areias, F. M., Brea, J., Gregori-Puigjani, E., Zaki, M. E., Carvalho, M. A., Dominguez, E., Gutierrez-de-Teren, H., Proenua, M. F., Loza, M. I., Mestres J. In silico directed chemical probing of the adenosine receptor family // Bioorg. Med. Chem. - 2010. - V. 18 - P. 3043-3052.

13. Asinex, chemical library. Available at http://www.asinex.com/.

14. Banerjee K, Resat H. Constitutive activation of STAT3 in breast cancer cells: A review. // Int J Cancer. - 2016. - V. 138 - P. 2570-2578.

15. Barretina, J., Caponigro, G., Stransky, N., Venkatesan, K., Margolin, A.A., et al. The Cancer Cell Line Encyclopedia enables predictive modelling of anticancer drug sensitivity. // Nature. - 2012. - V. 483 - P. 603-607.

16. Barrett, M.J., Frail, D.E. Drug repositioning: Bringing new life to shelved assets and existing drugs. // Hoboken, NJ: John Wiley & Sons. - 2012. - P. 253-290.

17. Beca, F., Polyak, K. Intratumor Heterogeneity in Breast Cancer. // Adv Exp Med Biol. - 2016. - V. 882 - P. 169-189.

18. Bento, A.P., Gaulton, A., Hersey, A., Bellis, L.J., Chambers, J., Davies, M., Kruger, F.A., Light, Y., Mak, L., McGlinchey, S., Nowotka, M., Papadatos, G., Santos, R., Overington, J.P. The ChEMBL bioactivity database: an update. // Nucleic Acids Res. - 2014. - V. 42 - P. 1083-1090.

19. Berliner DL, Ruhmann AG. The influence of dimethyl sulfoxide on fibroblastic proliferation. // Ann N Y Acad Sci. - 1967. - V. 141 - P. 159-164.

20. Berlow, N., Davis, L.E,, Cantor, E.L., Séguin, B., Keller, C., Pal, R. A new approach for prediction of tumor sensitivity to targeted drugs based on functional data. // BMC Bioinformatics. - 2013. - V. 14 - P. 239.

21. Berridge, M.J. Module 9: Cell Cycle and Proliferation, Cell Signalling Biology. // Portland Press Limited. - 2014. - V.9 - P. 1-45.

22. Berridge, M.V., Herst, P.M., Tan, A.S. Tetrazolium dyes as tools in cell biology: new insights into their cellular reduction. // Biotechnol Annu Rev. - 2005. - V. 11 -P. 127-152.

23. Bilici, A., Arslan, C., Altundag, K. Promising therapeutic options in triple-negative breast cancer. // J BUON. - 2012. - V. 17 - P. 209-222.

24. Boik, J.C., Newman, R.A. Structure-activity models of oral clearance, cytotoxicity, and LD50: a screen for promising anticancer compounds. // BMC Pharmacology. -2008. - V. 8 - P. 12.

25. Bonnet, M., Flanagan, J. U., Chan, D. A., Lai, E. W., Nguyen, P., Giaccia, A. J., Hay, M. P. SAR Studies of 4-Pyridyl Heterocyclic Anilines that Selectively Induce Autophagic Cell Death in von Hippel-Lindau-Deficient Renal Cell Carcinoma Cells. // Bioorg. Med. Chem. - 2011. - V. 19 - P. 3347-3356.

26. Borgne, A., Golsteyn. R.M. The role of cyclin-dependent kinases in apoptosis. // Prog Cell Cycle Res. - 2003. - V. 5 - P. 453-459.

27. Boss, D.S, Schwartz, G.K., Middleton, M.R., et al. Safety, tolerability, pharmacokinetics and pharmacodynamics of the oral cyclin-dependent kinase inhibitor AZD5438 when administered at intermittent and continuous dosing schedules in patients with advanced solid tumours. // Ann Oncol. - 2010. - V. 21 -P. 884-894.

28. Burger, A.M., Fiebig H-H. Handbook of Anticancer Pharmacokinetics and Pharmacodynamics, Cancer Drug Discovery and Development: Preclinical Screening for New Anticancer Agents. // Springer Science+Business Media, New York, M.A. Rudek et al. (eds.). - 2014. - P. 23-38.

29. Buzdin, A.A., Zhavoronkov, A.A., Korzinkin, M.B., et al. The OncoFinder algorithm for minimizing the errors introduced by the high-throughput methods of transcriptome analysis. // Front Mol Biosci. - 2014. - V. 1 - P. 8.

30. Cancer Genome Atlas Research Network, Weinstein, J.N., Collisson, E.A., Mills, G.B., Shaw, K.R., Ozenberger. B.A., Ellrott, K., Shmulevich, I., Sander, C., Stuart, J.M. The Cancer Genome Atlas Pan-Cancer analysis project. // Nat Genet. - 2013. -V. 45 - P. 1113-1120.

31. Carey, L., Winer, E., Viale, G., Cameron, D., Gianni, L. Triple-negative breast cancer: disease entity or title of convenience? // Nat Rev Clin Oncol. - 2010. - V. 7 - P. 683-692.

32. ChemBlock, chemical library. Available at http://www.chemblock.com/.

33. ChemBridge, chemical library. Available at http://www.chembridge.com/.

34. ChemNavigator, chemical library. Available at http://www.chemnavigator.com

35. Choi, C., Krull, M., Kel, A., Kel-Margoulis, O., Pistor, S., Potapov, A., Voss, N., Wingender, E. TRANSPATH - a high quality database focused on signal transduction. // Comp Funct Genomics. - 2004. - V. 5 - P. 163-168.

36. Choi, S.K., Kim, H.S., Jin, T., Hwang, E.H., Jung, M., Moon, W.K. Overexpression of the miR-141/200c cluster promotes the migratory and invasive ability of triple-negative breast cancer cells through the activation of the FAK and PI3K/AKT signaling pathways by secreting VEGF-A. // BMC Cancer. - 2016. - V. 16 - P. 570.

37. Cohen, P.R. DARPA's Big Mechanism program. // Phys Biol. - 2015. - V. 12 - P. 045008.

38. Costa-Cabral, S., Brough, R., Konde, A., Aarts, M., et al. CDK1 Is a Synthetic Lethal Target for KRAS Mutant Tumours. // PLoS One. - 2016. - V. 11 - P. e0149099.

39. de Braud F, Cascinu S, Spitaleri G, Pilz K, Clementi L, Liu D, Sikken P, De Pas T. A phase I, dose-escalation study of volasertib combined with nintedanib in advanced solid tumors. // Ann Oncol. - 2015. - V. 26 - P. 2341-2346.

40. de Ruyck, J., Brysbaert, G., Blossey, R., Lensink, M.F. Molecular docking as a popular tool in drug design, an in silico travel. // Adv Appl Bioinform Chem. -2016. - V. 9 - P. 1-11.

41. Degenhardt, Y., Greshock, J., Laquerre, S., Gilmartin, A.G., Jing, J. et al. Sensitivity of cancer cells to Plk1 inhibitor GSK461364A is associated with loss of p53 function and chromosome instability. // Mol Cancer Ther. - 2010. - V. 9 - P. 20792089.

42. Dent, R., Trudeau, M., Pritchard, K.I., Hanna, W.M., Kahn, H.K., Sawka, C.A., Lickley, L.A., Rawlinson, E., Sun, P., Narod, S.A. Triple-negative breast cancer: clinical features and patterns of recurrence. // Clin Cancer Res. - 2007. - V. 13 - P. 4429-4434.

43. Dong, Y., Nakagawa-Goto, K., Lai, C.Y., Kim, Y., Morris-Natschke, S.L., Lee, E.Y., Bastow, K.F., Lee, K.H. Structure-activity relationship and in vivo studies of novel 2-(furan-2-yl)naphthalen-1-ol (FNO) analogs as potent and selective anti-breast cancer agents. // Bioorg. Med. Chem. Lett. - 2011. - V. 21 - P. 52-57.

44. Dong, Z., Zhang, N., Li, C., Wang, H., Fang, Y., Wang, J., Zheng, X. Anticancer drug sensitivity prediction in cell lines from baseline gene expression through recursive feature selection. // BMC Cancer. - 2015. - V. 15 - P. 489.

45. Duffy, M.J., McGowan, P.M., Crown, J. Targeted therapy for triple-negative breast cancer: where are we? // Int. J. Cancer. - 2012. - V. 131 - P. 2471-2477.

46. Ekins, S., Mestres, J., Testa, B. In silico pharmacology for drug discovery: applications to targets and beyond. // Br. J. Pharmacol. - 2007 - V. 152 - P. 21-37.

47. Evan, G.I., Vousden, K.H. Proliferation, cell cycle and apoptosis in cancer. // Nature. - 2001. - V. 411 - P. 342-348.

48. Fang, Y., Qin, Y., Zhang, N., Wang, J., Wang, H., Zheng, X. DISIS: prediction of drug response through an iterative sure independence screening. // PLoS One. -2015. - V. 10 - P. e0120408.

49. Farmer, H., McCabe, N., Lord, C.J., et al. Targeting the DNA repair defect in BRCA mutant cells as a therapeutic strategy. // Nature. - 2005. - V. 434 - P. 917.

50. Filimonov, D., Poroikov, V. Probabilistic approach in activity prediction. // In: Chemoinformatics Approaches to Virtual Screening. Alexandre Varnek and Alexander Tropsha (Eds.). Cambridge, UK, RSC Publishing, 2008, p. 182-216.

51. Filimonov, D., Poroikov, V., Borodina, Y., Gloriozova, T. Chemical Similarity Assessment Through Multilevel Neighborhoods of Atoms: Definition and

Comparison with the Other Descriptors. // J. Chem. Inf. Comput. Sci. - 1999. - V. 39 - P. 666-670.

52. Garnett, M.J., Edelman, E.J., Heidorn, S.J., Greenman, C.D., Dastur, A., Lau, K.W., Greninger, P., et al. Systematic identification of genomic markers of drug sensitivity in cancer cells. // Nature. - 2012. - V. 483 - P. 570-575.

53. Gasteiger, J. Chemoinformatics: Achievements and Challenges, a Personal View. // Molecules. - 2016. - V. 21 - P. 151.

54. Ge, Y., Kazi, A., Marsilio, F., Luo, Y., Jain, S., Brooks, W., Daniel, K. G., Guida, W. C., Sebti, S. M., Lawrence, H. R. Discovery and Synthesis of Hydronaphthoquinones as Novel Proteasome Inhibitors. // J. Med. Chem. - 2012. -V. 55 - P. 1978-1998.

55. Geeleher, P., Cox, N.J., Huang, R.S. Clinical drug response can be predicted using baseline gene expression levels and in vitro drug sensitivity in cell lines. // Genome Biol. - 2014. - V. 15 - P. R47.

56. Gjertsen BT, Schoffski P. Discovery and development of the Polo-like kinase inhibitor volasertib in cancer therapy. // Leukemia. - 2015. - V. 29 - P. 11-19.

57. Gluz, O., Nitz, U.A., Harbeck, N., et al. Triple-negative high-risk breast cancer derives particular benefit from dose intensification of adjuvant chemotherapy: results of WSG AM-01 trial. // Ann Oncol. - 2008. - V. 19 - P. 861-870.

58. Goel, H., Thareja, S., Malla, P., Kumar, M., Sinha, V. R. In silico predicative studies for cytotoxic potential of NSAIDs using self-organizing molecular field analysis // Int. J. Toxicol. - 2012. - V. 31 - P. 390-396.

59. Gombar, V. K., Hall, S. D. Quantitative structure-activity relationship models of clinical pharmacokinetics: clearance and volume of distribution. // J. Chem. Inf. Model. - 2013. - V. 53 - P. 948-957.

60. González-Pérez, P.P., Omicini, A., Sbaraglia, M. A biochemically inspired coordination-based model for simulating intracellular signalling pathway. // J Simul. - 2013. - V. 7 - P. 216-226.

61. Griffiths, C.L., Olin, J.L. Triple negative breast cancer: a brief review of its characteristics and treatment options. // J Pharm Pract. - 2012. - V. 25 - P. 319323.

62. Guestini, F., McNamara, K.M., Ishida, T., Sasano, H. Triple Negative Breast Cancer Chemosensitivity and Chemoresistance: Current Advances in Biomarkers Indentification. // Expert Opin Ther Targets. - 2016. - V. 20 - P. 705-720.

63. Guo, P., Huang, J., Wang, L., et al. ICAM-1 as a molecular target for triple negative breast cancer. // Proc Natl Acad Sci U S A. - 2014. - V. 111 - P. 14710-14715.

64. Gupta, S., Kass, G. E., Szegezdi, E., Joseph, B. The mitochondrial death pathway: a promising therapeutic target in diseases. // J. Cell Mol. Med. - 2009. - V. 13 - P. 1004-1033.

65. Gustafson, D.L., Fowles, J.S., Brown, K.C., Theodorescu, D. Drug Selection in the Genomic Age: Application of the Coexpression Extrapolation Principle for Drug Repositioning in Cancer Therapy. // Assay Drug Dev Technol. - 2015. - V. 13 - P. - P. 623-627.

66. Haeusgen, W., Herdegen, T., Waetzig, V. The bottleneck of JNK signaling: molecular and functional characteristics of MKK4 and MKK7. // Eur. J. Cell Biol. -2011. - V. 90 - P. 536-544.

67. Hanahan, D., Weinberg, R.A. Hallmarks of cancer: the next generation. // Cell. -2011. - V. 144 - P. 646-674.

68. Hanahan, D., Weinberg, R.A. The hallmarks of cancer. // Cell. - 2000. - V. 100 - P. 57-70.

69. Hansch, C., Leo, A. Substituent Constants for Correlation Analysis in Chemistry and Biology. // New York: John Wiley & Sons. - 1979.

70. Hansch, C., Maloney, P.P., Fujita, T., Muir, R. M. Correlation of Biological Activity of Phenoxyacetic Acids with Hammett Substituent Constants and Partition Coefficients. // Nature. - 1962. - V. 194 - P. 178-180.

71. Hansch, C., Muir, R. M., Fujita, T., Maloney, P.P., Geiger, C. F., Streich, M. The Correlation of Biological Activity of Plant Growth-Regulators and Chloromycetin Derivatives with Hammett Constants and Partition Coefficients. // J. Amer. Chem. Soc. - 1963. - V. 85 - P. 2817-2824.

72. Hon, JD, Singh, B, Sahin, A, Du, G, Wang, J, Wang, VY, Deng, FM, Zhang, DY, Monaco, ME, Lee, P. Breast cancer molecular subtypes: from TNBC to QNBC. // Am J Cancer Res. - 2016. - V. 6 - P. 1864-1872.

73. Hopkins, A. L. Network pharmacology: The next paradigm in drug discovery // Nat. Chem. Biol. - 2008. - V. 4 - P. 682-690.

74. InterBioScreen, chemical library. Available at http://www.ibscreen.com/.

75. Iorio, F., Rittman, T., Ge, H., Menden, M., Saez-Rodriguez, J. Transcriptional data: a new gateway to drug repositioning? // Drug Discov Today. - 2013. - V. 18 - P. 350-357.

76. Ishitha, G, Manipadam, MT, Backianathan, S, Chacko RT, Abraham, DT, Jacob, PM. Clinicopathological Study of Triple Negative Breast Cancers. // J Clin Diagn Res. - 2016. - V. 10 - P. EC05-EC09.

77. Jamdade, V.S., Sethi, N., Mundhe, N.A., Kumar, P., Lahkar, M., Sinha, N. Therapeutic targets of triple-negative breast cancer: a review. // Br J Pharmacol. -2015. - V. 172 - P. 4228-4237.

78. Jamdade, V.S., Sethi, N., Mundhe, N.A., Kumar, P., Lahkar, M., Sinha, N. Therapeutic targets of triple-negative breast cancer: a review. // Br J Pharmacol. -2015. - V. 172 - P. 4228-4237.

79. Jenkins, J.L. Drug discovery: Rethinking cellular drug response. // Nat Chem Biol. -2013. - V. 9 - P. 669-670.

80. Kalliokoski, T., Kramer, C., Vulpetti, A., Gedeck, P. Comparability of mixed IC50 data - a statistical analysis. // PLoS One. - 2013. - V. 8 - P. e61007.

81. Kanehisa, M., Goto, S. KEGG: Kyoto encyclopedia of genes and genomes. // Nucleic Acids Res. - 2000. - V. 28 - P. 27-30.

82. Kapushesky, M., Adamusiak, T., Burdett, T., Culhane, A., Farne, A., et al. Gene Expression Atlas update - a value-added database of microarray and sequencing-based functional genomics experiments // Nucleic Acids Res. - 2012. - V. 40 - D. 1077-1081.

83. King, R. W., Deshaies, R. J., Peters, J. M., Kirschner, M. W. How proteolysis drives the cell cycle. // Science. - 1996. - V. 274 - P. 1652-1658.

84. Kobes, J.E., Daryaei, I., Howison, C.M., Bontrager, J.G., Sirianni, R.W., Meuillet, E.J., Pagel, M.D. Improved Treatment of Pancreatic Cancer With Drug Delivery Nanoparticles Loaded With a Novel AKT/PDK1 Inhibitor. // Pancreas. - 2016. - V. 45 - P. 1158-1166.

85. 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 and QSAR Environ. Res. - 2009. - V. 20 - P. 755-766.

86. Kolesnikov, N., Hastings, E., Keays, M., Melnichuk, O., Tang, Y.A., Williams, E., Dylag, M., Kurbatova, N., Brandizi, M., Burdett, T., Megy, K., Pilicheva, E., Rustici, G., Tikhonov, A., Parkinson, H., Petryszak, R., Sarkans, U., Brazma, A. European Molecular Biology Laboratory, European Bioinformatics Institute, EMBL-EBI, Wellcome Trust Genome Campus, Hinxton, CB10 1SD, UK. // Nucleic Acids Research. - 2015. - V. 43 - P. D1113-1116.

87. Kong, D., Yamori, T. JFCR39, a panel of 39 human cancer cell lines, and its application in the discovery and development of anticancer drugs. // Bioorg Med Chem. - 2012. - V. 20 - P. 1947-1951.

88. Konova, V., Lagunin, A., Pogodin, P., Kolotova, E., Shtil, A., Poroikov, V. Virtual screening of chemical compounds active against breast cancer cell lines based on cell cycle modelling, prediction of cytotoxicity and interaction with targets // SAR and QSAR in Environmental Research. - 2015. - V. 26. - P. 595-604.

89. Kovács, A., Vasas, A., Hohmann, J. Natural phenanthrenes and their biological activity. // Phytochemistry. - 2008. - V. 69 - P. 1084-1110.

90. Kuo, C.T., Hsu, M.J., Chen, B.C., Chen, C.C., Teng, C.M. Denbinobin induces apoptosis in human hung adenocarcinoma cells via Akt inactivation, Bad activation, and mitochondrial dysfunction. // Toxicol. Lett. - 2008. - Vol. 177. - P. 48-58.

91. Kwoh, CK, Ng, PY. Network analysis approach for biology. // Cell Mol Life Sci. -2007. - V. 64 - P. 1739-1751.

92. Lagunin, A., Zakharov, A., Filimonov, D., Poroikov, V. QSAR Modelling of Rat Acute Toxicity on the Basis of PASS Prediction. // Mol. Informatics. - 2011. - V. 30 - P. 241-250.

93. Langdon, S.R., Mulgrew, J., Paolini, G.V., van Hoorn, W.P. Predicting cytotoxicity from heterogeneous data sources with Bayesian learning. // J Cheminform. - 2010. -V. 2 - P. 11.

94. Lapenna, S., Giordano, A. Cell cycle kinases as therapeutic targets for cancer. // Nat Rev Drug Discov. - 2009. - V. 8 - P. 547-566.

95. Larsson, J., Gottfries, J., Muresan, S., Backlund, A. ChemGPS-NP: tuned for navigation in biologically relevant chemical space. // J Nat Prod. - 2007. - V. 70 -P. 789-794.

96. Lee, C.L., Lin, Y.T. , Chang, F.R., Chen, G.Y., Backlund, A., Yang, J.C., Chen, S.L., Wu, Y.C. Synthesis and Biological Evaluation of Phenanthrenes as Cytotoxic Agents with Pharmacophore Modeling and ChemGPS-NP Prediction as Topo II Inhibitors. // PLoS ONE. - 2012. - V. 7 - P. e37897.

97. Lee, C.L., Lin, Y.T., Chang, F.R., Chen, G.Y., Backlund, A., Yang, J.C., Chen, S.L., Wu, Y.C. Synthesis and Biological Evaluation of Phenanthrenes as Cytotoxic Agents with Pharmacophore Modeling and ChemGPS-NP Prediction as Topo II Inhibitors. // PLoS ONE. - 2012. - V. 7 - e37897.

98. Lehmann, B.D., Bauer, J.A., Chen, X., Sanders, M.E., Chakravarthy, A.B., Shyr, Y., Pietenpol, J.A. Identification of human triple-negative breast cancer subtypes and preclinical models for selection of targeted therapies. // J Clin Invest. - 2011. - V. 121 - P. 2750-2767.

99. Li, G.H., Huang, J.F. CDRUG: a web server for predicting anticancer activity of chemical compounds. // Bioinformatics. - 2012. - V. 28 - P. 3334-3335.

100. Lin, Z., Will, Y. Evaluation of drugs with specific organ toxicities in organ-specific cell lines. // Toxicol Sci. - 2012. - V. 126 - P. 114-127.

101. Lindqvist, A., Rodríguez-Bravo, V., Medema, R. H. The decision to enter mitosis: feedback and redundancy in the mitotic entry network. // J. Cell Biol. -2009. - V. 185 - P. 193-202.

102. Lionta, E., Spyrou, G., Vassilatis, D.K., Cournia, Z. Structure-based virtual screening for drug discovery: principles, applications and recent advances. // Curr Top Med Chem. - 2014. - V. 14 - P. 1923-1938.

103. Lipinski, C. What do you think have been the most important effects of the rule of five? // Nature Reviews Drug Discovery. - 2012. - V. 11 - P. 900-901.

104. Lips, EH, Mulder, L, Oonk, A, van der Kolk, LE, Hogervorst, FB, Imholz, AL, Wesseling, J, Rodenhuis, S, Nederlof, PM. Triple-negative breast cancer: BRCAness and concordance of clinical features with BRCA1-mutation carriers. // Br J Cancer. - 2013. - V. 108 - P. 2172-2177.

105. Logue, S.E., Martin, S.J. Caspase activation cascades in apoptosis. // Biochem Soc Trans. - 2008. - V. 36 - P. 1-9.

106. MacNeil, A.J., Jiao, S.C., McEachern, L.A., Yang, Y.J., Dennis, A., Yu, H., Xu, Z., Marshall, J.S., Lin, T.J. MAPK kinase 3 is a tumor suppressor with reduced copy number in breast cancer. // Cancer Res. - 2014. - V. 74 - P. 162-172.

107. Marme, F., Schneeweiss, A. Targeted Therapies in Triple-Negative Breast Cancer. // Breast Care (Basel). - 2015. - V. 10 - P. 159-166.

108. Martin, Y.C., Kofron, J.L., Traphagen, L.M. Do structurally similar molecules have similar biological activity? // J. Med. Chem. - 2002. - V. 45 - P. 4350-4358.

109. Marugan, C., Torres, R., Lallena, M.J. Phenotypic Screening Approaches to Develop Aurora Kinase Inhibitors: Drug Discovery Perspectives. // Front Oncol. -2016. - V. 5 - P. 299.

110. Marzec, K.A., Baxter, R.C., Martin, J.L. Targeting Insulin-Like Growth Factor Binding Protein-3 Signaling in Triple-Negative Breast Cancer. // Biomed Res Int. -2015. - V. 2015 - P. 638526.

111. Matsuhashi, A., Ohno, T., Kimura, M., Hara, A., Saio, M., Nagano, A., Kawai, G., Saitou, M., Takigami, I., Yamada, K., Okano, Y., Shimizu, K. Growth suppression and mitotic defect induced by JNJ-7706621, an inhibitor of cyclin-dependent kinases and aurora kinases. // Curr Cancer Drug Targets. - 2012. - V. 12 - P. 625-639.

112. Matter, H., Anger, L. T., Giegerich, C., Gussregen, S., Hessler, G., Baringhaus, K. H. Development of in silico filters to predict activation of the pregnane X receptor (PXR) by structurally diverse drug-like molecules. // Bioorg. Med. Chem. -2012. - V. 20 - P. 5352-5365.

113. Menden, M.P., Iorio, F., Garnett, M., McDermott, U., Benes, C.H., Ballester, P.J., Saez-Rodriguez, J. Machine learning prediction of cancer cell sensitivity to drugs based on genomic and chemical properties. // PLoS One. - 2013. - V. 8 - e61318.

114. Meuillet, E.J., Zuohe, S., Lemos, R., Ihle, N., Kingston, J., Watkins, R., Moses, S.A., Zhang, S., Du-Cuny, L., Herbst, R., Jacoby, J.J., Zhou, L.L., Ahad, A.M., Mash, E.A., Kirkpatrick, D.L., Powis, G. Molecular pharmacology and antitumor activity of PHT-427, a novel Akt/phosphatidylinositide-dependent protein kinase 1 pleckstrin homology domain inhibitor. // Mol Cancer Ther. - 2010. - V. 9 - P. 706717.

115. Morgan DO. The cell cycle: Principles of control. // Oxford University Press, Sunderland, MA - 2006.

116. Murphy CG, Dickler MN. The Role of CDK4/6 Inhibition in Breast Cancer. // Oncologist. - 2015. - V. 20 - P. 483-490.

117. Myint, K. Z., Wang, L., Tong, Q., Xie, X. Q. Molecular fingerprint-based artificial neural networks QSAR for ligand biological activity predictions. // Mol. Pharm. - 2012. - V. 9 - P. 2912-2923.

118. Nandi, S., Vracko, M., Bagchi, M.C. Anticancer activity of selected phenolic compounds: QSAR studies using ridge regression and neural networks. // Chem. Biol. Drug Des. - 2007. - V. 70 - P. 424-436.

119. Narang, A.S., Desai D.S. Pharmaceutical Perspectives of Cancer Therapeutics: Anticancer Drug Development // Springer Science+Business Media, LLC. Lu, Y., Mahato, R.I. (eds.) - 2009. - P. 49-92.

120. Nikolsky, Y., Nikolskaya, T., Bugrim, A. Biological networks and analysis of experimental data in drug discovery. // Drug Discov Today. - 2005. - V. 10 - P. 653-662.

121. OECD (Q)SAR project, Quantitative Structure-Activity Relationships Project of Organisation for Economic Co-operation and Development [Электронный ресурс]: http://www.oecd.org/document/23/0,3746,en_2649_34377_33957015_1_1_1_1,00. html (дата обращения: 23.06.2016).

122. Ortiz-Ruiz, M.J., Alvarez-Fernandez, S., Parrott, T., et al. Therapeutic potential of ERK5 targeting in triple negative breast cancer. // Oncotarget. - 2014. - V. 5 - P. 11308-11318.

123. Papillon-Cavanagh, S., De Jay, N., Hachem, N., Olsen, C., Bontempi, G., Aerts, H.J., Quackenbush, J., Haibe-Kains, B. Comparison and validation of genomic predictors for anticancer drug sensitivity. // J Am Med Inform Assoc. - 2013. - V. 20 - P. 597-602.

124. Perou CM, S0rlie T, Eisen MB, van de Rijn M, Jeffrey SS, Rees CA, Pollack JR, Ross DT, Johnsen H, Akslen LA, Fluge O, Pergamenschikov A, Williams C, Zhu SX, L0nning PE, B0rresen-Dale AL, Brown PO, Botstein D. Molecular portraits of human breast tumours. // Nature. - 2000. - V. 406 - P. 747-752.

125. Perou, C.M., Sorlie, T., Eisen, M.B., et al. Molecular portraits of human breast tumours. // Nature. - 2000. - V. 406 - P. 747.

126. Pogodin, P.V., Lagunin, A.A., Filimonov, D.A., Poroikov, V.V. PASS Targets: ligand-based multi-target computational system based on public data and naive Bayes approach. // SAR and QSAR in Environmental Research. - 2015. - V. 26 - P. 783-793.

127. Polyak K. Heterogeneity in breast cancer. // J Clin Invest. - 2011. - V. 121 -P.3786-3788.

128. Poroikov, V.V., Filimonov, D.A., Borodina, Yu.V., Lagunin, A.A., Kos, A. Robustness of biological activity spectra predicting by computer program PASS for non-congeneric sets of chemical compounds. // J. Chem. Inform. Comput. Sci. -2000. - V. 40 - P. 1349-1355.

129. Poroikov, V.V., Filimonov, Ihlenfeldt, W.-D., Gloriozova, T.A., Lagunin, A.A., Borodina, Yu.V., Stepanchikova, A.V., Nicklaus, M.C. PASS biological activity spectrum predictions in the enhanced open NCI database browser. // J Chem Inf Comput Sci. - 2003. - V. 43 - P. 228-236.

130. Pourteimoor V, Mohammadi-Yeganeh S, Paryan M. Breast cancer classification and prognostication through diverse systems along with recent emerging findings in this respect; the dawn of new perspectives in the clinical applications. // Tumour Biol. - 2016 [Epub ahead of print].

131. Pozdeyev, N., Yoo, M., Mackie, R., Schweppe, R.E., Tan, A.C., Haugen, B.R. Integrating heterogeneous drug sensitivity data from cancer pharmacogenomic studies. // Oncotarget. - 2016. - doi: 10.18632/oncotarget.10010 [Epub ahead of print].

132. Qamar, S., Carrasquer, C.A., Cunningham, S.L., Cunningham, A.R. Anticancer SAR models for MCF-7 and MDA-MB-231 breast cell lines. // Anticancer Res. -2011. - V. 31 - P. 3247-3252.

133. Rajkumar, S. V., Richardson, P. G., Hideshima, T., Anderson, K. C. Proteasome inhibition as a novel therapeutic target in human cancer. // J. Clin. Oncol. - 2005. -V. 23 - P. 630-639.

134. Rayner, T. F., Rocca-Serra, P., Spellman, P. T., Causton, H. C., Farne, A., Holloway, E., Irizarry, R. A., Liu, J., Maier, D. S., Miller, M., Petersen, K., Quackenbush, J., Sherlock, G., Stoeckert, C. J. Jr., White, J., Whetzel, P. L., Wymore, F., Parkinson, H., Sarkans, U., Ball, C. A., Brazma, A. A simple spreadsheet-based, MIAME-supportive format for microarray data: MAGE-TAB // BMC Bioinformatics. - 2006. - V. 7 - P. 489.

135. Reddy, A.S., Pati, S.P., Kumar, P.P., Pradeep, H.N., Sastry, G.N. Virtual screening in drug discovery - a computational perspective. // Curr Protein Pept Sci. - 2007. - V. 8 - P. 329-51.

136. Rees, M.G., Seashore-Ludlow, B., Cheah, J.H., Adams, D.J., Price, E.V., Gill, S., et al. Correlating chemical sensitivity and basal gene expression reveals mechanism of action. // Nat Chem Biol. - 2016. - V. 12 - P. 109-116.

137. Remy, G., Risco, A. M., Iñesta-Vaquera, F. A., González-Terán, B., Sabio, G., Davis, R. J., Cuenda, A. Differential activation of p38MAPK isoforms by MKK6 and MKK3. // Cell Signal. - 2010. - V. 22 - P. 660-667.

138. Rhind N, Russell P. Signaling pathways that regulate cell division. // Cold Spring Harb Perspect Biol. - 2012. - V. 4(10).

139. Roberts, P. J., Bisi, J. E., Strum, J. C., Combest, A. J., Darr, D. B., Usary, J. E., Zamboni, W. C., Wong, K. K., Perou, C. M., Sharpless, N. E. Multiple roles of cyclin-dependent kinase 4/6 inhibitors in cancer therapy. // J. Natl. Cancer Inst. -2012. - V. 104 - P. 476-487.

140. Rollinger JM, Stuppner H, Langer T. Virtual screening for the discovery of bioactive natural products. // Prog Drug Res. - 2008. - V. 65 - P. 211, 213-249.

141. Romero Durán, F.J., Alonso, N., Caamaño, O., García-Mera, X., Yañez, M., Prado-Prado, F.J., González-Díaz, H. Prediction of multi-target networks of neuroprotective compounds with entropy indices and synthesis, assay, and theoretical study of new asymmetric 1,2-rasagiline carbamates. // Int J Mol Sci. -2014. - V. 15 - P. 17035-17064.

142. Ruddigkeit, L., Blum, L.C., Reymond, J.-L. Visualization and Virtual Screening of the Chemical Universe Database GDB-17. // J. Chem. Inf. Model. - 2013. - V. 53 - P. 56-65.

143. Rustighi A, Zannini A, Campaner E, Ciani Y, Piazza S, Del Sal G. PIN1 in breast development and cancer: a clinical perspective. // Cell Death Differ. - 2016. -doi: 10.1038/cdd.2016.122 - [Epub ahead of print].

144. Seashore-Ludlow, B., Rees, M.G., Cheah, J.H., Cokol, M., Price, E.V., Coletti, M.E., Jones, V., Bodycombe, N.E., Soule, C.K., Gould, J., Alexander, B., Li, A., Montgomery, P. et al. Harnessing Connectivity in a Large-Scale Small-Molecule Sensitivity Dataset. // Cancer Discov. - 2015. - V. 5 - P. 1210-1223.

145. Shao, X., Gao, D., Wang, Y., Jin, F., Wu, Q., Liu, H. Application of metabolomics to investigate the antitumor mechanism of flavopiridol in MCF-7 breast cancer cells. // J Chromatogr B Analyt Technol Biomed Life Sci. - 2016. - V. 1025 - P. 40-47.

146. Sharma, P. S., Sharma, R., Tyagi, R. Inhibitors of cyclin dependent kinases: useful targets for cancer treatment // Curr. Cancer Drug Targets. - 2008. - V. 8 - P. 53-75.

147. Sherr CJ, Beach D, Shapiro GI. Targeting CDK4 and CDK6: From Discovery to Therapy. // Cancer Discov. - 2016 - V. 6 - P. 353-367.

148. Shoichet, B.K. Virtual screening of chemical libraries. // Nature. - 2004. - V. 432

- P. 862-865.

149. Siegel, R.L., Miller, K.D., Jemal, A. Cancer statistics, 2016. // CA Cancer J Clin.

- 2016. - V. 66 - P. 7-30.

150. Singh, H., Kumar, R., Singh, S., Chaudhary, K., Gautam, A., Raghava, G.P. Prediction of anticancer molecules using hybrid model developed on molecules screened against NCI-60 cancer cell lines. // BMC Cancer. - 2016. - V. 16 - P. 77.

151. Sliwoski, G., Kothiwale, S., Meiler, J., Lowe, E.W. Jr. Computational Methods in Drug Discovery. // Pharmacol Rev. - 2014. - V. 66 - P. 334-395.

152. Smit, L, Berns, K, Spence, K, Ryder, WD, Zeps, N, Madiredjo, M, Beijersbergen, R, Bernards, R, Clarke, RB. An integrated genomic approach identifies that the PI3K/AKT/FOXO pathway is involved in breast cancer tumor initiation. // Oncotarget. - 2016. - V. 7 - P. 2596-2610.

153. Smith, S..C, Baras, A.S., Lee, J.K., Theodorescu, D. The COXEN principle: translating signatures of in vitro chemosensitivity into tools for clinical outcome prediction and drug discovery in cancer. // Cancer Res. - 2010. - V. 70 - P. 17531758.

154. Sparano, J.A., Goldestin, L.J., Childs, B.H., et al. Genotypic characterization of phenotypically defined triple-negative breast cancer. // J Clin Oncol (Meeting Abstracts) - 2009. - V. 27 - Abstr 500.

155. Speck-Planche, A., Kleandrova, V.V., Luan, F., Cordeiro, M.N. Chemoinformatics in anti-cancer chemotherapy: multi-target QSAR model for the in silico discovery of anti-breast cancer agents. // Eur J Pharm Sci. - 2012. - V. 47 - P. 273-279.

156. Spring L, Bardia A, Modi S. Targeting the cyclin D-cyclin-dependent kinase (CDK) 4/6-retinoblastoma pathway with selective CDK 4/6 inhibitors in hormone receptor-positive breast cancer: rationale, current status, and future directions. // Discov Med. - 2016. - V. 21 - P. 65-74.

157. Sykes, M. C., Mowbray, A. L., Jo, H.. Reversible glutathiolation of caspase-3 by glutaredoxin as a novel redox signaling mechanism in tumor necrosis factor-alpha-induced cell death. // Circ. Res. - 2007. - V. 100 - P. 152-154.

158. Takagi, M., Honmura, T., Watanabe, S., Yamaguchi, R., Nogawa, M., Nishimura, I., Katoh, F., Matsuda, M., Hidaka, H. In vivo antitumor activity of a novel sulfonamide, HMN-214, against human tumor xenografts in mice and the spectrum of cytotoxicity of its active metabolite, HMN-176. // Invest New Drugs. - 2003. -V. 21 - P. 387-399.

159. Tang, Y., Wan,g Y, Kiani, MF, Wang, B. Classification, Treatment Strategy, and Associated Drug Resistance in Breast Cancer. // Clin Breast Cancer. - 2016. - V. 16 - P. 335-343.

160. Tarasova, O.A., Urusova, A.F., Filimonov, D.A., Nicklaus, M.C., Zakharov, A.V., Poroikov, V.V. QSAR Modeling Using Large-Scale Databases: Case Study for HIV-1 Reverse Transcriptase Inhibitors. // J Chem Inf Model. - 2015. - V. 55 -P. 1388-1399.

161. Thipnate, P., Liu, J., Hannongbua, S., Hopfinger, A. J. 3D-Pharmacophore Mapping Using 4D-QSAR Analysis for the Cytotoxicity of Lamellarins Against Human Hormone-Dependent T47D Breast Cancer Cells. // J. Chem. Inf. Model. -2009. - V. 49 - P. 2312-2322.

162. Thomson Reuters Integrity SM. Thomson ReutersTM; software available at http://thomsonreuters.com/en/products-services/pharma-life-sciences/pharmaceutical-research/integrity.html

163. Timpe, L.C., Li, D., Yen, T.Y., Wong, J., Yen, R., Macher, B.A., Piryatinska, A. Mining the Breast Cancer Proteome for Predictors of Drug Sensitivity. // J Proteomics Bioinform. - 2015. - V. 8 - 204-211.

164. Todeschini, R., Consonni, V. Handbook of molecular descriptors. // Wiley-VCH: Weinheim. - 2000.

165. Turner, N., Tutt, A., Ashworth, A. Hallmarks of 'BRCAness' in sporadic cancers. // Nature Reviews Cancer. - 2004. - V. 4 - P. 814-819.

166. Vera-Licona, P., Bonnet, E., Barillot, E., Zinovyev, A. OCSANA: optimal combinations of interventions from network analysis. // Bioinformatics. - 2013. -V. 29 - P.1571-1573.

167. Verma, R.P., Hansch, C.A. QSAR study on the cytotoxicity of podophyllotoxin analogues against various cancer cell lines. // Med. Chem. - 2010. - V. 6 - P. 79 -86.

168. Vermeulen K, Berneman ZN, Van Bockstaele DR. Cell cycle and apoptosis. // Cell Prolif. - 2003. - V. 36 - P. 165-175.

169. Warnault, P., Yasri, A., Coisy-Quivy, M., Cheve, G., Bories, C., Fauvel, B., Benhida, R. Recent advances in drug design of epidermal growth factor receptor inhibitors. // Curr Med Chem. - 2013. - V. 20 - P. 2043-2067.

170. Weigelt B, Geyer FC, Reis-Filho JS. Histological types of breast cancer: how special are they? // Mol Oncol. - 2010. - V. 4 - P. 192-208.

171. Wu, Y.M., Chen, Z.J., Jiang, G.M., et al. Inverse agonist of estrogen-related receptor a suppresses the growth of triple negative breast cancer cells through ROS generation and interaction with multiple cell signaling pathways. // Oncotarget. -2016. - V. 7 - P. 12568-12581.

172. Yan, X., Liao, C., Liu, Z., Hagler, A.T., Gu, Q., Xu, J. Chemical Structure Similarity Search for Ligand-Based Virtual Screening: Methods and Computational Resources. // Curr Drug Targets. - 2015. -DOI: 10.2174/1389450116666151102095555.

173. Yang, K.C., Uen, Y.H., Suk, F.M., Liang, Y.C., Wang, Y.J. Molecular mechanisms of denbinobin-induced anti-tumorigenesis effect in colon cancer cells. // World J. Gastroenterol. - 2005. - V. 11 - P. 3040-3045.

174. Yang, W., Soares, J., Greninger, P., Edelman, E.J., Lightfoot ,H., Forbes, S., Bindal, N., Beare, D., Smith, J.A., Thompson, I.R., Ramaswamy, S., Futreal, P.A., Haber, D.A., Stratton, M.R., Benes, C., McDermott, U., Garnett, M.J. Genomics of Drug Sensitivity in Cancer (GDSC): a resource for therapeutic biomarker discovery in cancer cells. // Nucleic Acids Res. - 2013. - V. 41(Database issue) - P. D955-961.

175. Yu, J., Zhang, L. The transcriptional targets of p53 in apoptosis control // Biochem. Biophys. Res. Commun. - 2005. - V. 331 - P. 851-858.

176. 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. - V. 25 - P. 2378-2385.

177. Zhu, T., Cao, S., Su, P.C., Patel, R., Shah, D., Chokshi, H.B., Szukala, R., Johnson, M.E., Hevener, K.E. Hit identification and optimization in virtual screening: practical recommendations based on a critical literature analysis. // J Med Chem. - 2013. - V. 56 - P. 6560-6572.

7. СПИСОК ИЛЛЮСТРАТИВНОГО МАТЕРИАЛА

Рисунки

Рисунок 2.1. Общая схема регуляции клеточного цикла в нормальной клетке из базы данных KEGG (hsa04110).

Рисунок 2.2. Регуляторный путь из базы данных Integrity, описывающий сигнальные процессы в клетке при РМЖ, на основе которого были отобраны белки и гены для построения математической модели регуляции клеточного цикла при РМЖ.

Рисунок 2.3. Схема формирования обучающих выборок цитотоксических соединений и организации SDF файла.

Рисунок 3.1. Схема разработанного нами подхода для виртуального поиска перспективных противоопухолевых соединений.

Рисунок 3.2. Распределение предсказанных значений водной растворимости для 91 отобранного соединения-кандидата.

Рисунок 3.3. Форма поискового запроса в базе данных Integrity.

Рисунок 3.4. Информация, найденная в базе данных Integrity при использовании в

качестве запроса структурной формулы соединения № 4.

Рисунок 3.5. Информация, найденная в базе данных Integrity при использовании в качестве запроса структурной формулы соединения № 8.

Таблицы

Таблица 2.1. Количество генов в составленых нами списках гипер- и гипоэкспрессированных генов и построенных моделях регуляторной сети. Таблица 2.2. Единицы измерения величины взаимодействия и их пороговые значения для сортировки соединений на активные и неактивные. Таблица 2.3. Списки клеточных линий и число активных соединений в обучающей выборке, содержащих данные об их действии по отношению к клеточным линиям РМЖ и неопухолевым клеткам.

Таблица 2.4. Количественные характеристики величины взаимодействия и их пороговые значения для сортировки соединений на активные и неактивные. Таблица 3.1 Список выявленных мишеней для клеточных линий РМЖ (ВТ-20, МСБ-7, ЗК-БЯ-Э, Т47Б).

Таблица 3.2. Клеточные линии РМЖ, для которых может быть выполнен прогноз на цитотоксичность для ХС.

Таблица 3.3. Клеточные линии неопухолевых клеток, для которых может быть выполнен прогноз на цитотоксичность для ХС.

Таблица 3.4. Количество отобранных соединений, для которых прогнозируется цитотоксичность по отношению к клеточным линиям РМЖ.

Таблица 3.5. Количество отобранных соединений, для которых прогнозируется цитотоксичность по отношению к неопухолевым клеточным линиям человека. Таблица 3.6. Описание выборок структур образцов коммерчески доступных органических соединений, для которых удалось получить прогноз, по базам данным.

Таблица 3.7. Общая характеристика результатов оценки цитотоксичности ХС по отношению к клеточным линиям РМЖ из БД образцов коммерчески доступных органических соединений.

Таблица 3.8. Примеры найденных нами на основе компьютерного прогноза соединений, противоопухолевая активность которых описана в литературе. Таблица 3.9. Результаты отбора структур образцов коммерчески доступных органических соединений по парам активностей для РМЖ (спрогнозированная цитотоксичность по отношению к опухолевым клеточным линиям РМЖ и отсутствие цитотоксичности по отношению к неопухолевым клеточным линиям). Таблица 3.10. Активные соединения из различных химических классов, выявленные в ходе компьютерного скрининга.

Обратите внимание, представленные выше научные тексты размещены для ознакомления и получены посредством распознавания оригинальных текстов диссертаций (OCR). В связи с чем, в них могут содержаться ошибки, связанные с несовершенством алгоритмов распознавания. В PDF файлах диссертаций и авторефератов, которые мы доставляем, подобных ошибок нет.