药效团模型构建(中篇)

药效团模型构建(中篇)

基于受体的药效团模型Structure-based pharmacophore

分子对接技术仍然是最受欢迎的基于结构的药物设计方法,该方法充分利用了蛋白质与配体的相互作用信息。然而在虚拟筛选中,与分子对接相比,基于药效团的方法在计算成本以及准确率方面显示出明显的优势;基于对接的虚拟筛选方法表现出较高的假阳性率。因此联合互为补充的基于配体的方法以及基于受体的方法,有助于提高方法的可靠性。研究显示在虚拟筛选中,基于受体的药效团模型在新的活性分子发现中是非常成功的。此外,药效团也被应用于在分子对接程序中,以更好的区分错误构象与正确构象,从而提高分子对接的成功率。

下面以ABL酪氨酸激酶抑制剂的虚拟筛选过程为例,简述基于受体的药效团模型的构建过程及其在虚拟筛选中的应用。STI-571是经典的酪氨酸激酶抑制剂,用于治疗慢性髓系白血病。在不同酪氨酸激酶中(ABL, c-KIT, SYK),该化合物展现出不同的结合构象。

1.药效团模型构建

Wolber等人基于STI-571以及其同系物的蛋白晶体结构(1iep、1fpu、1opj),创建了多个药效团模型。随后使用LigandScout软件,将药效团模型合并。如下图所示,最终获得的药效团模型包含4个疏水芳香基团、2个脂肪族疏水基团、2个氢键供体基团、1个氢键受体基团、以及8个排斥体积基团。

2.药效团模型验证

基于该药效团模型对PDB数据库进行筛选。该数据库由2765个类药化合物构成。对PDB数据库的筛选结果表明,该药效团能够发现所有的STI-571结构且无假阳性结果。

3.基于药效团的虚拟筛选

通过对Maybridge数据库进行筛选,该数据库由59,000万个化合物构成。最终获得了7个对ABL酪氨酸激酶有活性的化合物,这些化合物可以作为新的ABL酪氨酸激酶抑制剂的先导化合物。

虚拟受体模型Pseudo-receptor model

对已有晶体结构的蛋白可以构建基于结构的药效团模型。而对晶体结构未知的蛋白,可以基于配体药效团模型,构建由假想氨基酸残基位置信息构成的虚拟受体(Pseudo-Receptor)。Höltje等人成功的运用虚拟受体的技术构建了多个没有蛋白晶体结构的蛋白。例如,使用20个不同骨架的5-HT2A抑制剂,构建了5-HT2A的药效团。随后基于低分辨率的菌紫红质蛋白(5-HT2A同源膜蛋白),在配体周围放置氨基酸,最终获得5-HT2A的虚拟受体模型。通过该虚拟受体最终获得预测性的QSAR模型,并使用其指导新抑制剂的合成。

构建虚拟受体模型常使用的程序为Yak和PrGen。在这两个软件中,构建虚拟受体的流程为

  1. 计算配体的药效团元素
  2. 在配体周围放置氨基酸构象;
  3. 对虚拟受体进行能量最小化,同时保证配体的位置、朝向和构象不发生改变;
  4. 通过引入一个耦合常数(coupling constant)进行相关性耦合最小化(correlation-coupled minimization),以保证实验亲和力与通过计算得到的相互作用能之间具有良好的相关性;
  5. 随后固定受体的构象,对配体进行构象优化,该步骤被重复多次,直到获得一个高度相关的虚拟受体模型。为了验证虚拟受体模型的可靠性,使用留一法(leave-one-out,LOO)或者外部测试集分子,从而对虚拟受体的预测性能进行评估。

另一个广泛使用的虚拟受体生成软件是Flo。该方法构建虚拟受体的流程为

  1. 生成训练集分子的低能构象系综;
  2. 对构象进行优化,在减小化合物内能同时对分子中功能类似基团实现最大程度的匹配;
  3. 随后使用模拟蛋白质口袋性质的基团环绕化合物,例如使用胍基模拟与配体分子中的酸性基团形成氢键的真实基团,使用丙烷分子模拟结合口袋中的疏水作用口袋;
  4. 使用动力学模拟的方法平衡虚拟受体。

虚拟受体技术更进一步的发展是,将基于真实原子的虚拟受体简化为基于类原子的虚拟受体,如下图所示。例如Quasar程序使用虚拟粒子代替原本环绕配体的氨基酸残基。每一个虚拟粒子具有相关的原子性质(例如氢键供体、疏水粒子)。Quasar方法基于配体的低能构象系综生成药效团模型,从而减少了选择生物活性构象造成的偏差。Quasar方法还充分考虑了蛋白和配体之间的诱导契合现象,从而使模型更加可靠。

虚拟受体模型的应用

虚拟受体模型用于分析关键的配体-蛋白相互作用位点,并且用于构建3D-QSAR模型以预测配体的生物活性。大量的应用研究指出,基于虚拟受体的3D-QSAR模型与经典的3D-QSAR方法(CoMFA)相比,在预测化合物的生物活性方面具有更高的准确率。

一个虚拟受体模型成功的应用是,Bohacec等人应用虚拟受体模型发现了新的胎儿血红蛋白诱导剂。基于化合物的活性以及多样性选择了如下图所示的4个化合物,使用Flo软件构建了初始的药效团模型。

经过测试发现,获得的药效团模型能够成功的用于区分活性分子以及非活性分子。使用该模型对630个化合物进行了筛选,其中26个经实验验证,4个分子显示出比原有分子更高的活性,下图展示了其中活性最高的两个分子。

在构建虚拟受体模型时,使用实验数据时必须注意两点:

  1. 所使用的实验数据必须自于同一实验室的同一批数据;
  2. 由于虚拟受体模型以一种高度简化的方式模拟受体与配体之间的相互作用,故用于与理论值进行关联分析的实验数据必须尽可能的接近分子水平。

因此使用体内(in vivo)水平的实验数据以及细胞水平的实验数据是无意义的。

参考文献:Chapter 28 Pharmacophore Identification and Pseudo-Receptor Modeling . In The Practice of Medicinal Chemistry, 3rd Ed, 2008.