Abstract (deu)
Der Kreatin-Transporter ist mitverantwortlich für eine „orphan disease“, die mit schweren Krankheitsbildern auftritt. Eine Behandlung dieser Erkrankung ist in Fällen wie AGAT- oder GAMT-Mangel möglich, je nach Ursache. Die dritte Ursache für das Kreatinmangel Syndrom ist die Kreatin-Transporter-Defizienz, wobei Supplemente nur bedingt wirksam sind.
Außerdem gehört der Kreatin-Transporter zu den SLC6-Proteinen und in weiterer Folge zur GABA-Familie. Aufgrund der hohen Sequenzähnlichkeit in dieser Familie liegt eine wesentliche Herausforderung in der Analyse ihrer Unterschiede. Daher wurde in früheren Arbeiten in unserer Arbeitsgruppe ein Homologie-Modell in der nach außen okkludierten Konformation erstellt, das auf früheren Mutationsstudien in der Literatur basiert. Ziel dieser Arbeit ist es, das Modell zu validieren, um weitere Erkenntnisse zu gewinnen und somit ein Modell zu haben, das genau genug ist, um es bei der Suche nach neuen Wirkstoffen für die Behandlung der "Orphan Disease" einzusetzen. Des Weiteren ist es wichtig die SLC-Transporter „wie die eigene Westentasche“ zu kennen, um unerwünschte Arzneimittelinteraktionen zu verhindern, die durch die hohe Sequenzähnlichkeit der SLC-Proteine verursacht werden können.
Die Schritte der Validierung wurden festgelegt, nachdem die Suche nach Literatur, die zu diesem Thema noch nicht verfügbar war, abgeschlossen war. Die Überlegung war daher, einen Schritt zurück zu gehen und in öffentlichen Datenbanken nach interessanten Verbindungen zu suchen, die in in-vitro-Studien getestet werden können, um so die fehlenden Informationen zu gewinnen.
Der erste Schritt im Validierungsverfahren war die Durchführung eines Docking-basierten Screenings. Dazu wurden Drugbank und Enamine verwendet. Als zweite Filtermethode wird ein Pharmakophor verwendet. Das Pharmakophor wird in der Software von Inte:Ligand aus der Struktur basierten Perspektive erstellt.
Schließlich wurden zwei verschiedene Möglichkeiten in dieser Arbeit verfolgt:
Die eine Möglichkeit ist die Betrachtung der gesamten Datenbanken für jedes Screening. Anschließend werden die Ergebnisse mit einem entworfenen Workflow in KNIME verglichen. Im KNIME-Workflow wurden 10 % der Substanzen vom Docking-basierten Screenings und des Pharmakophor-Screenings genommen und addiert.
In Schema 2 wurden die Pharmakophore als direkter Filter der Ergebnisse des Docking-basierten Screenings angelegt, wobei die Top 10 % des Dockings verwendet wurden, die nach Addition der Datenbanken und nicht von jeder einzelnen gewonnen wurden.
Leider konnten die erhaltenen Verbindungen nicht überzeugen und es scheinen noch weitere Untersuchungen wie z.B. das Consensus Docking notwendig zu sein.