利用药效团模型筛选和优化配体分子是药物分子设计中的重要方法之一。药效团的传统应用方法是通过叠合针对某个靶标的生物活性分子，提取出这些分子的公共特征建立药效团模型，最后在化合物库中筛选符合条件的小分子。如果某个靶标已经有实验解析的蛋白-配体复合物结构，也可以直接在配体与蛋白相互作用中提取出关键因素，作为药效团模型。然而当靶标蛋白仅具有apo结构，并且已知活性分子数量很少时，就需要基于蛋白结构产生药效团模型。一些基于格点的方法在蛋白表面寻找探针分子结合最优位置，然后产生药效团模型；近期发展的混合溶剂分子动力学模拟方法也可以利用蛋白不同位置结合的化学片段的不同形成药效团模型。然而，这些方法产生的药效团特征数目常常超过药效团搜索算法承受的上限，而且后处理步骤繁琐，条件选择受主观性影响较大。
为了解决上述方法存在的问题，法国斯特拉斯堡大学Didier Rognan教授小组对他们之前研发的位点探测工具VolSite（整合在IChem工具包中）进行了改进，使其能够自动化完成蛋白表面位点的探测，口袋的可药性评价，可药口袋药效团模型的构建；配套工具Shaper2可以将配体分子与药效团模型进行叠合，通过形状匹配和能量计算对配体分子进行评价。与其他性能先进的虚拟筛选工具（ROCS， Surflex-Dock）相比，IChem-Shaper2方法具有同样较好的筛选能力，并且可以筛选出化学结构独特的分子，与其他方法形成良好互补。该项工作最近发表在美国化学会Journal of Chemical Information and Modeling杂志上（J. Chem. Inf. Model. 2019, 59, 573-585）。
IChem-Shaper2方法包含5个基本步骤。第一步是对空腔进行粗粒度探测，使用VolSite算法将蛋白放在分辨率为1.5 Å的网格中，删除与蛋白原子有冲突的网格，根据与每个网格距离最近的蛋白原子种类，为网格中心点分配疏水，芳香性，氢键受体，氢键给体等药效团特征，然后使用支持向量机模型对每个口袋进行可药性评价，只保留得分为正的口袋；第二步是高分辨空腔描述，对通过可药性评价的口袋，使用分辨率为1 Å的网格对口袋进行更加精确的描述；第三步是修剪药效团特征，作者从sc-PDB Diverse数据集中选择了213个配体-蛋白复合物结构，提取出了4871种“标准”药效团特征模板，作者发现这些“标准”药效团模板绝大多数符合下列规则，口袋包埋度Nri小于80，特征到口袋中心的距离小于8 Å，PLP相互作用能量小于一定阈值（疏水，氢键，离子相互作用小于0 kcal/mol，芳香相互作用小于-2.4 kcal/mol，金属相互作用小于-3.5 kcal/mol），应用这些规则可以有效限制药效团特征数目；第四步对药效团特征进行聚类，对氢键受体，芳香性和疏水特征进行精修，采用分级聚类方法按药效团特征间距离(<3.1 Å)进行聚类；第五步叠合配体分子，使用Shaper2工具将配体分子与产生的药效团模型叠合，采用平滑的高斯函数描述分子形状，通过不断优化配体分子和药效团模型的交叉体积进行叠合。
图1 IChem-Shaper2方法流程图
为了评价IChem-Shaper2方法产生的配体结合姿态准确性，作者从Astex Diverse数据集中选取了85个高质量的蛋白-配体复合物结构作为测试对象，使用4种打分函数对叠合后的配体姿态进行评价，并与目前性能优异的分子对接工具Surflex-Dock和另外两种标准的药效团搜索方法（Discovery Studio和LigandScout）进行对比。结果显示，Surflex-Dock方法产生的配体结合姿态较为准确，而Discovery Studio和LigandScout方法得到的结果较差。IChem-Shaper2方法使用TanimotoCombo相似性量度（Tc）或PLP打分函数评价时，所得结果一般；使用MMFF94总相互作用能量（TotE）或蛋白-配体相互作用能量（IntE）评价时，配体结合姿态准确性明显提高，RMSD在2 Å范围内的结果与Surflex-Dock相当，RMSD在1 Å范围内的结果明显优于Surflex-Dock。
图2 配体结合姿态准确性测试RMSD分布箱型图
接着作者使用PubChem数据集测试IChem-Shaper2方法的虚拟筛选能力。在PubChem数据集中，无论是活性分子还是非活性分子都经过了体外实验测试，这样比使用活性未知的decoy建立测试集更加客观可靠，同时也更接近真实的虚拟筛选场景。作者选取了三个数据充足的靶标，分别属于激酶，核激素受体和G蛋白偶联受体，以排名前1%和前5%中的命中化合物数目衡量虚筛方法的性能表现，并与性能优异的对接工具Surflex-Dock和基于配体的ROCS方法进行对比。结果显示，IChem-Shaper2方法具有与Surflex-Dock和ROCS方法相当的筛选能力。通过分析各个方法筛选得到的活性化合物结构，作者发现IChem-Shaper2可以得到更多化学结构独特的分子，因此该方法与其他虚拟筛选方法具有正交特征，实用性较强。
图3 三种虚拟筛选方法交叉关系韦恩图：每个圆圈中数字总和代表该方法排名前5%的命中化合物数量，圆圈交叉区域为两种或者三种方法筛选得到的相同活性化合物数目，每种方法得到的独特化学结构用黄色星星表示
综上所述，Didier Rognan教授小组发展的IChem-Shaper2工具可以自动化完成蛋白表面可药性口袋的探测和药效团的构建，产生的药效团模型可以直接与小分子配体进行叠合实现虚拟筛选。IChem-Shaper2方法在配体结合姿态的准确性和虚拟筛选能力测试上均有不俗的表现，与现有的性能优异的对接工具和药效团工具能力相当。IChem-Shaper2目前对学术用户免费开放，有兴趣的读者可以登录Didier Rogna课题组网站下载使用（http://bioinfo-pharma.u-strasbg.fr/labwebsite/download.html）。
参考文献：Viet-Khoa Tran-Nguyen, Franck Da Silva, Guillaume Bret, and Didier Rognan*, All in One: Cavity Detection, Druggability Estimate, Cavity-Based Pharmacophore Perception, and Virtual Screening, J. Chem. Inf. Model. 2019, 59, 573-585. DOI: 10.1021/acs.jcim.8b00684
想了解更多CADD最新进展? 请关注专业的公众号: ComputArt计算有乐趣
网友评论