基于药效团模型的二氢乳清酸脱氢酶抑制剂构效关系研究

基于药效团模型的二氢乳清酸脱氢酶抑制剂构效关系研究

二羟色胺脱氢酶是一种重要的felimate的脱希尔酶。这是硫酸中吡啶合成的重要酶，在硫酸原生物合成中氨化反应是必要的。dhodh是免疫疾病的重要目标。抑制dhodh，阻碍新生儿硝基合成，促进dna合成，抑制活性物质t肝细胞、b细胞和肿瘤细胞的克隆，对免疫抑制和肿瘤有重要影响。DHODH抑制剂来氟米特已经成功应用于自身免疫性疾病如红斑狼疮、类风湿性关节炎和肾病综合征等临床治疗.而另一个抑制剂布喹那已经分别完成了抗肿瘤和器官移植免疫抑制的Ⅱ期临床实验.布喹那的临床试验研究结果发现,布喹那联合环孢霉素A或顺铂口服给药时,可引起粘膜炎、白血球减少及血小板减少;而来氟米特的长期使用也会产生较大的毒副作用,如腹泻、肝酶异常、皮疹或高血压等.因此寻找新型高效、副作用小的DHODH抑制剂就成为免疫相关疾病及肿瘤治疗中的研究热点.药物呈现药理作用是与体内生物大分子发生结合作用的结果,药物分子以特定的三维结构与受体的结合部位相结合,在三维空间中所采取的特定构象是呈现药理活性的必要前提,从药物分子的三维特征把握药物与受体的作用,是药物分子设计和构效关系研究中常用的策略.药效团模型方法是计算机辅助药物设计中基于配体的一种药物设计方法,可最大限度地利用已有化合物的三维结构信息发现新药物.目前药效团模型方法已被广泛应用于药物分子的虚拟筛选及构效关系研究[13,14,15,16,17,18].本文以布喹那和来氟米特两个化合物为先导物,经过结构设计和实验验证,结合已有系列具有DHODH抑制活性的化合物报道,进行了构效关系研究,构建表征受体配体相互作用的药效团模型,用于数据库搜索,定量计算未知活性化合物的活性值,指导药物设计及结构优化,以期能够发现具有潜在活性的化合物.1实验部分1.1相关参数设置药效团模型构建采用美国Accelrys公司的Catalyst软件包(版本),主要模块包括Catalyst/VISUALIZER(分子构建\,三维结构编辑\,三维结构搜索),ConFirm(多构象模型生成工具),Catalyst/COMPARE(分子和药效团叠合),HypoGen(构建药效团模型)和CatScramble(评价药效团模型).除特殊说明外,所有参数均为系统默认值.1.2实验过程1.2.1化合物结构优化由文献报道的31个化合物组成训练集,其半数抑制浓度(IC50)范围为7～63000nmol/L(表1).各化合物化学结构式见图1.对所选化合物优化至局部最小能量,利用Bestqualityconformergeneration模块,以能量间隔83.74kJ/mol为步长,计算所有训练集化合物的多个构象.1.2.2药分和药团模型系统定义的药效特征可表征药物与受体结合所发生的静电、氢键和疏水相互作用,主要有氢键受体(Hydrogenbondacceptor,A)、氢键供体(Hydrogenbonddonor,D)、疏水基团(Hydrophobicregion,Y)、负电荷基团(Negativecharge,NC)、负电离子化基团(Negativeionizable,NI)、正电荷基团(Positivecharge,PC)、正电离子化基团(Positiveionizable,PI)和芳香环(Ringaromatic,R).药效团模型中除包含药效特征元素之外,还包括特征元素之间的距离、角度和二面角来定义的空间约束,其中距离限制是最为常见的约束形式.1.2.3药分析设计与模型筛选通过对已知三维结构和生物活性数据的训练集化合物的多个构象进行叠合,Catalyst/HypoGen抽象出训练集化合物所共有的药效团特征及三维空间限制,计算所得药效团模型可能含有的药效团特征和数目,生成药效团模型来描述化合物生物活性的共有特性,所建立的药效团模型可用来计算活性未知化合物的活性值,也可作为提问结构,结合数据库搜索技术筛选具有潜在活性的化合物.HypoGen算法计算药效团模型的计算过程包括Constructivephase,Subtractivephase,Optimizationphase3个步骤.通过Constructivephase步骤识别出可表达活性化合物共有药效特征的模型,再经过Subtractivephase排除表达了无活性化合物共有特征的模型,最后经Optimizationphase进一步优化初始模型,得到得分最高的模型.利用Catalyst计算药效团前,需要提供最多5个候选药效特征.通过考察不同候选药效团特征对结果的影响,结合Catalyst系统提供的评价方法筛选出较优药效团模型.Catalyst利用费用函数(Costfunction)评价药效团模型,每个模型都可用此函数表达模型的复杂性、化学特征与理想权重的偏差以及预测活性与活性实验数据的误差,每个模型均有自己的Totalcost值.计算结果给出2个理想化模型,其中1个是最好的模型,即活性值相关曲线的斜率为1,其cost值为Fixedcost值;1个是最差模型,即活性值相关曲线的斜率为0,其cost值为Nullcost值.根据Occam′srazor原理,认为最优药效团的Totalcost值最小,且应接近Fixedcost值,小于Nullcost值.Configurationcost是另一个重要的参数,由模型的空间复杂程度决定,较优模型的Configurationcost值应不大于17.应用CatScramble模块评价药效团:基于Fishermethod随机交叉验证,把训练集分子结构与活性打乱重新计算,检验模型对化合物活性的计算值与实际值是否具有很强的相关性,较优药效团模型的相关系数应比重新计算后模型的相关系数大,Totalcost值应比重新计算后模型的Totalcost值小.1.2.4ch模式的数据库搜索利用Catalyst系统中的FastFlexibleDatabaseSearch模式进行基于药效团的三维数据库搜索,将药效团模型与数据库中化合物的多个构象一一进行匹配,寻找能够与药效团匹配的化合物;对搜索结果命中的化合物采用Bestfit/compare模式进行化合物多构象与药效团匹配,根据匹配程度预测化合物活性.2结果与讨论2.1dhodh与s1803h的相互作用根据训练集各化合物所含药效团特征,针对不同的药效团特征组合,计算药效团模型.Catalyst系统特征设置数最大为5,选择不同的药效特征组合,计算结果见表2.得到8个含有不同特征、相关系数较高的模型,相关系数在0.8395～0.8922之间.8个模型与已知DHODH作用的配体化合物A771726匹配结果示意图见图2.药效团模型反映了配体DHODH抑制剂与靶点DHODH作用时,可能发生的氢键相互作用、疏水相互作用和π-π相互作用.已报道复合物(PDBID∶1D3H)中DHODH与A771726结合模式见图3,显示A771726结构中连在双键上的羟基与DHODH活性口袋中的酪氨酸残基Tyr356存在氢键相互作用.药效团计算所得8个模型与A771726匹配结果显示,除模型H1以外其它7个模型中氢键受体或氢键给体特征均与A771726结构中连在双键上的羟基匹配,因此可认为所得到的7个模型可反映受体配体相互作用的关键特征,可用于计算化合物活性和数据库搜索发现具有潜在活性的化合物.2.2化合物的国际合作以文献报道的18个具有抑制DHODH活性的化合物组成测试集,评价所得模型的预测能力.图4为组成测试集化合物的结构式.所得8个药效团模型分别与图4中18个化合物匹配,计算化合物的IC50值,结果见表3.模型H1～H8对18个化合物活性IC50计算值与实测值的相关系数分别为0.8211,0.5068,0.8563,0.3465,0.7324,0.5300,0.2540,0.8863,其中模型H8相关系数为0.8863,回归直线图见图5,高于其它7个模型,说明利用此模型对测试集化合物活性预测结果较好.2.3训练集活性的预测和验证药效团模型H8含有1个氢键受体A,3个疏水中心Y,模型Totalcost值为134.4,训练集化合物活性计算值与实测值相关系数为0.8405,回归直线图见图5.图6所示为该模型与训练集中活性较高的化合物DHODH-7的匹配示意图.利用此药效团模型计算训练集化合物的活性值见表1,比较训练集化合物活性计算值和实测值,活性较大化合物计算值与实测值活性在同一数量级,表明药效团模型H8具有较优的预测能力.药效团H8与训练集化合物的匹配结果见表1中Mapping列数据,其中“+”表示与相应的药效团特征有匹配,“-”表示未匹配.结果显示药效团模型与训练集化合物具有较优的匹配.利用CatScramble模块进行随机交叉验证结果见表4.在95%置信度水平下,对训练集化合物进行随机交叉验证,产生19个药效团模型,其中18个模型的相关系数Correlation值小于0.7;19个药效团模型的相关系数均小于较优药效团模型H8的相关系数.交叉验证结果表明所得药效团模型具有较高的置信度.2.4dhodh抑制剂的筛选利用所得较优模型H8对来源于微生物的天然产物进行虚拟筛选,得到59个化合物,计算活性值IC50范围为5.2～87000nmol/L,通过进一步实验验证,从中发现DHODH抑制剂.2.5化合物1195a和1195b的匹配壳二孢类化合物1315A和1315B抑制DHODH的活性值IC50值分别为160和1260nmol/L,利用药效团模型计算活性分别为160和150nmol/L,计算活性值接近实验活性值,化合物1315A和1315B与药效团模型H8的匹配图见图7.图7中显示2个化合物结构中芳香环上与氯原子相邻的羟基与氢键受体特征匹配,化合物1315A结构中芳香环上取代甲基与疏水中心特征匹配,1315B结构中芳香环上取代基氯原子与疏水中心匹配.3活性化合物的设计基于HypoGen算法构建DHODH抑制剂药效团模型,不同药效特征组合计算得到8个候选模型,通过评价模型对测试集化合物的活性预测能力,确定较优的模型.基于CatScramble的交叉验证显示,在95%置信度水平下模型具有显著的统计意义.所得较优模型可用于数据库搜索,寻找可能具有潜在活性的化合物.模型包含1个氢键受体、3个疏水中心,表征了受体配体相互作用时可能发生的氢键相互作用、疏水相互作用和π-π相互作用.已有研究结果表明,A771726结构中连在双键上的羟基与DHODH活性口袋中的酪氨酸残基Tyr356存在氢键相互作用.药效团模型中氢键受体特征与活性化合物A771726结构中连在双键上的羟基匹配,模型中氢键受体特征表征了受体配体之间的氢键相互作用.模型中的疏水中心特征表征了可能发生的疏水相互作用,其中芳香性的疏水中心可表征π-π相互作用.4个药效特征在三维空间的排列概括了DHODH抑制剂产生活性的结构性质特点.可根据模型提供的信息进行结构片段组合,设计出新型DHODH抑制剂.模型对训练集化合物计算活性值与实验活性值的相关系数为0.8405,对18个测试集化合物计算活性值与实验活性值的相关系数为0.8863,表明该模型具有较优的预测能力.来源于微生物的化合物1315A和1315B具有抑制DHODH活性,本文利用所得较优模型对其进行了活性预测,预测活性与实验活性一致或接近,验证了模型的预测能力.由于模型对此类化合物有较好的预测能力,因此利用此模型对来源于微生物的一系列化合物进行筛选,得到可能具有潜在活性的59个化合物,可进一步结合实验筛选出活性化合物.对DHODH与其配体相互作用的研究结果表明,一些化合物与DHODH结合时表现为两种结合模式,称为布喹那式结合模式和非布喹那式结合模式.布喹那式结合模式中配体分子采取特定构象,配体分子中五元环上羧基与谷氨酰胺残基Gln47和精氨酸残基Arg136的侧链形成氢键,产生氢键相互作用.非布喹那式结合模式中配体分子五元环旋转180°,与酪氨酸残基Tyr356形成氢键,并在水分子介导下与酪氨酸残基Tyr147形成氢键.在非布喹那式结合模式中谷氨酰胺残基Gln47和精氨酸残基Arg136的构象不是特定的,反之在混合式和布喹那式结合模式中Arg136和Gln47采取特定的构象.本文用于构建药效团模型的化合物,与靶点的结合模式也表现为两种:一种类似A771726与DHODH的结合模式;另一种类似布喹那与DHODH的结合模式.构建药效团过程中,采集训练集化合物的多个构象,对化合物可能存在的多种构象进行叠合,概括两种结合模式的特征.从配体小分