使用多层虚拟筛选方法筛选细胞周期素依赖性激酶-2抑制剂

发布时间：2020-11-02 11:36

　　 目的:细胞周期素依赖性激酶(CDKS)是丝氨酸/苏氨酸蛋白激酶家族的成员,能够通过调节G/S以及G2/M期而影响整个细胞周期进程。CDK2作为CDKS的催化亚基,对主要负责有丝分裂以及DNA复制的G1-S期的调控作用较强,多种癌症中均发现CDK2的异常表达而导致细胞周期紊乱的情况。现阶段已经研究出很多抗肿瘤CDK2抑制剂,但是仅有少数的几个进入了临床试验。本实验拟建立一种合理的虚拟筛选方案,筛选出具有新型母核结构,抗肿瘤活性强的CDK2抑制剂。方法:通过建立基于配体以及基于结构相结合的多层虚拟筛选方法来筛选出具有对CDK2蛋白有抑制活性的苗头化合物,再通过分子动力学以及MM/PBSA自由能计算选择其中对蛋白结合最稳定,亲和力最强的先导化合物。多层虚拟筛选方法主要建立并优化三个模型:支持向量机(SVM),蛋白配体指纹图谱(PLIF)药效团以及分子对接。分子动力学主要包括RMSD结合稳定性分析,最后通过计算范德华能,静电能,极性溶剂化以及非极性溶剂化能来计算MM/PBSA结合自由能。结果:1、使用LibSVM建立的SVM模型再进行参数和描述符优化:在C=32,γ=0.125使用遗传算法优选的最佳描述符时,训练集和测试集的预测的总体准确率最好,分别为99.79%以及92.72%。2、PLIF方法显示了氨基酸残基Glu81以及Leu83与大部分配体生成相互作用,并据此生成了5个药效团,其中药效团3对训练集的产率以及命中率为89.6%以及12.5%,对测试集总体准确率为94.32%,因此被选中用于建立多层虚拟筛选法。3、NDCG的计算结果表明:GOLD对接中的Chemscore打分函数能够真实的反应CDK2与配体结合的真实情况,将Chemscore打分阈值设置成-7的时候,在该打分函数下能够对测试集拥有较低的假阳性率和较高的总体准确率。4、将建立的虚拟筛选模型对验证集375个抑制剂,155528个阴性化合物)进行测试,命中率为80.1%,富集因子为332.83,产率为73.8%,最终耗时为1.62 h,说明此多层虚拟筛选模型能够准确有效的在化学数据库中筛选CDK2抑制剂。5、使用此模型从BindingDB,Pubchem以及NCI数据库中筛选得到了6个苗头化合物,在进行分子动力学以及MM/PBSA自由能计算后,最终确定了2个与CDK2亲和力强,结合稳定并具有新型母核结构的化合物。结论:1、多层虚拟筛选方法由于将基于配体以及基于结构的虚拟筛选方法结合到一起,而同时考虑并利用到了受体和配体的信息,使其在筛选的效率和准确度上相比任何一个方法单独使用有了很大的提高。2、最终筛选得到的两个先导化合物MM/PBSA结合能计算结果和分子动力学结果与CDK2抑制剂Milciclib相似,说明这两个化合物与Milciclib有着相似的结合模式,稳定性以及亲和能力。3、本实验结果表明建立的多层虚拟筛选法能够用来筛选CDK2抑制剂,筛选得到的化合物具有新型母核以及对CDK2蛋白具有高度的结合稳定性以及亲和力,进一步开发该母核作为CDK2抑制剂具有很大的意义。
【学位单位】：中国医科大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：R96
【部分图文】：

中的抑制剂分别与 Ile10, Gly13, Val18, Lys33, Glu81, Phe82, Leu83, Gln85, Asp86,Lys89, Gln131 以及 Asp145 形成了各种相互作用。其中氨基酸残基 Leu83 的二维条码是最密集的，大多数 CDK2 抑制剂均与 Leu83 形成相互作用，Glu81, Lys33Asp86 等氨基酸业余大部分 CDK2 抑制剂的基团形成了很多重要的相互作用。每一组指纹均用一个字母表示其含义（-: 没有形成作用 D: 侧链氢键供体, A: 侧链氢键受体, d: 骨架氢键供体, a:骨架氢键受体, O: 溶剂氢键, I:离子相互作用, C:表面接触, 当一个相互作用用了两个条码表示时，左边的表示弱相互作用，右边的表示强相互作用）。大多数化合物对 Leu83 和 Glu81 表现出强氢键相互作用，而对 Asp83 残基形成的相互作用类型最多，包括侧链氢键供体、骨架氢键受体、离子相互作用以及表面接触。基于指纹图谱，最终生成了 4 个药效团，使用训练集中的化合物对四种药效团的预测能力进行评价，评价结果如表 3 所示。3 号药效团成功预测了测试集中 267 个阳性化合物，拥有最高的产率 89.6%以及命中率12.5%。药效团模型虽然有区分阳性化合物以及阴性化合物的能力，但是也同时伴随着较高的假阳性率，所以拟采用多层虚拟筛选法来解决药效团模型的缺点。

图 2 A:指纹图谱法生成的三号药效团，青色和紫色分别代表氢键供体和受体;B:药效团与叠加结构的匹配表明，该药效团能较好地描述 66 种 CDK2 抑制剂取代基的叠加特征表 4 对生成的四种药效团进行评价和验证Pharmacophore models TP FP Yield (%) Hit rate (%)1 153 3740 51.3 4.092 235 2411 79.1 9.743 267 2127 89.6 12.54 227 3561 76.4 6.373.3 分子对接参数的确定以及验证分子对接中对接参数的优化以及打分函数的选择被认为是整个过程中对对接结果影响最大的步骤。PDB 数据库中与 4-氨基-（2,6-二氟苯基）-2-【（4-磺胺基苯基）氨基】-1,3-噻唑-5-羧酰胺结合的 CDK2 蛋白复合物（PDB ID:3R9H），相

中国医科大学硕士学位论文化合物分为 10 组。每组选取一个具有代表性的化合物进行分子动力学实验，验证配体与受体的结合亲和力，根据与重要氨基酸（Ile10，Gly13，Val18，Lys33，Glu81，Phe82，Leu83，Gln85，Asp86，Lys89，Gln131，Asp145）相互作用的数量和合成难易度。最后，选择 6 个具有代表性的新型骨架的化合物进行进一步的分子动力学实验（如图 3 所示）。
【相似文献】

相关期刊论文 前10条

1 王存新;许先进;;基于分子对接的反向虚拟筛选方法[J];北京工业大学学报;2019年11期

2 张媛;刘雨桐;李达;宋新蕊;周雪松;赵勇;;反向虚拟筛选平台及应用[J];生物信息学;2015年04期

3 李悦青;黄雅俊;赵伟杰;王希诚;;氮杂茋衍生物靶向虚拟筛选研究[J];大连理工大学学报;2010年04期

4 詹冬玲;韩葳葳;刘景圣;;角鲨烯合成酶抑制剂的高通量虚拟筛选[J];吉林大学学报(理学版);2012年02期

5 马贯军;周晓红;;新型乙酰胆碱酯酶抑制剂的设计与虚拟筛选[J];广州化工;2011年14期

6 朱伟;陈可冀;徐筱杰;;计算机药物虚拟筛选技术在中医药领域中的应用前景[J];中国中西医结合杂志;2007年03期

7 朱伟;罗颂平;;治疗输卵管阻塞性不孕的中药多靶活性成分计算机虚拟筛选[J];时珍国医国药;2012年06期

8 周鹏;田菲菲;李波;吴世容;李志良;;一种基于遗传算法的肽/蛋白质结合模式虚拟筛选建模技术[J];化学学报;2006年07期

9 白启峰;张洋;靳玲玲;姚小军;;Schr?dinger药物虚拟筛选流程模块在大学生物和化学信息学教学中的应用[J];大学化学;2018年05期

10 李志坚;;基于迭代式MapReduce并行虚拟筛选的研究[J];佳木斯大学学报(自然科学版);2016年03期

相关博士学位论文 前10条

1 郑梦竹;基于蛋白质结构的老药新用策略发现靶向抗癌药物[D];华中科技大学;2018年

2 陈照强;卤键、碳氢活化偶联机理的量子化学计算及药物结合口袋的识别与应用研究[D];中国科学院大学(中国科学院上海药物研究所);2017年

3 李洪林;药物发现及靶向虚拟筛选的算法与程序设计[D];大连理工大学;2005年

4 曹冉;基于受体结构的虚拟筛选在先导化合物发现中的应用[D];天津大学;2013年

5 胡国平;虚拟筛选方法评价和靶向HIV-1整合酶与人类LEDGF/p75蛋白相互作用界面的抑制剂发现研究[D];华东理工大学;2012年

6 李明;基于分子对接的牛布氏杆菌苏氨酰tRNA合成酶新型抑制剂的虚拟筛选及活性验证[D];中国农业科学院;2017年

7 朱景宇;新型PI3K抑制剂的计算机虚拟筛选及其在多发性骨髓瘤治疗中的应用[D];苏州大学;2014年

8 蔡超前;分子相似性的计算方法研究[D];华东理工大学;2013年

9 张伟兵;PTP-MEG2小分子抑制剂的设计、合成、活性及动力学研究[D];天津医科大学;2015年

10 周庆同;生物相空间中的适配体和药物虚拟筛选[D];中国科学技术大学;2015年

相关硕士学位论文 前10条

1 王明阳;使用多层虚拟筛选方法筛选细胞周期素依赖性激酶-2抑制剂[D];中国医科大学;2019年

2 付尊蕴;基于深度学习的小分子虚拟筛选和反应产率预测[D];中国科学院大学(中国科学院上海药物研究所);2019年

3 李辉;姜黄属药材MDM2-p53靶向小分子抑制剂的虚拟筛选及先导化合物设计与合成[D];湖北中医药大学;2019年

4 张玉萍;新型4-羟基喹啉类IDO1抑制剂的虚拟筛选及生物活性评价[D];重庆理工大学;2019年

5 宋家蕊;针对三个靶点的抗耐药结核先导化合物的虚拟筛选[D];兰州大学;2019年

6 黄闽辉;基于构效关系的CCR5受体抑制剂的虚拟筛选及体外活性评价[D];南方医科大学;2019年

7 王卓亚;以疾病相关蛋白为靶点的计算机药物虚拟筛选研究[D];兰州大学;2019年

8 李英豪;基于机器学习的虚拟筛选效率对比研究[D];中央民族大学;2019年

9 徐芳明;基于P2Y_(12)受体晶体结构的新型抗血小板聚集药物的虚拟筛选和修饰合成[D];北京化工大学;2018年

10 刘晨;FtsZ纤维解聚抑制剂的虚拟筛选及淫羊藿苷衍生物的设计、合成及抗菌活性评价[D];安徽医科大学;2018年

本文编号：2866998