γ-分泌酶抑制剂的药效团模型构建

利用Catalyst软件系统, 选择具有较高体外抑制活性的苯并二氮(艹卓)类化合物作为训练集, 经计算机建模, 构象优化, 由Catalyst系统构建出药效团模型. 并结合γ-分泌酶的作用机制等因素, 筛选出一个含有一个芳环中心, 一个疏水中心和两个氢键受体的具有较好预测能力(RMS=0.366343, Correl=0.95535, Weight=1.17389, Config=18.8671)的药效团模型. 该模型的建立有助于设计及合成新型结构的γ-分泌酶抑制剂.     

HMG-CoA还原酶抑制剂三维药效团的构建

以作用于鼠肝脏细胞的21个3-羟基-3-甲基戊二酰辅酶A(HMG-CoA)还原酶抑制剂(RI)为训练集, 训练集化合物具备结构多样性, 来源于相同药理模型, 活性值IC50范围在0.3-8000 nmol·L-1. 利用Catalyst 计算HMG-CoA还原酶抑制剂最优药效团由一个氢键受体, 一个氢键给体, 一个疏水基团和一个芳香环特征组成. 药效团模型Fixed cost值, Total cost值和Configuration cost值分别为88.75、111.5 和16.98. 训练集化合物活性计算值与实测值相关系数为0.8883, 偏差值为1.269, 交叉验证结果表明, 药效团模型具有较高的置信度, 对测试集化合物活性值的预测结果显示有较好的预测能力, 可用于数据库搜索发现新的具有该活性的化合物, 也可用于中药或天然产物药物的研究开发.     

α1A-亚型肾上腺素受体拮抗剂3D药效团模型的研究

运用Catalyst软件以34个α_1A-AR拮抗剂分子为训练集, 构建了包含一个氢键受体、一个正电中心和一个芳环中心的三元素药效团模型, 线性回归相关系数为0.89. 经13个分子组成的测试集验证该药效团模型具有较好的活性预测能力, 为寻找新的α_1A-AR拮抗剂分子提供了理论基础.     

p53-MDM2结合抑制剂药效团模型的构建

采用Catalyst软件, 选择5类共24个p53-MDM2结合抑制剂作为训练集, 经计算机建模、构象优化, 由Catalyst系统构建出药效团模型, 并对药效团进行有效性分析, 结合已知的p53-MDM2结合抑制剂的结构信息, 筛选得到含有一个芳环中心、三个疏水中心和一个氢键受体的具有较好预测能力(Correl=0.941, Config=17.530, 吟cost=150.830)的药效团模型.     

基于吡咯烷与正丁烷类衍生物CCR5拮抗剂的药效团模型构建

吡咯烷与正丁烷类CCR5(化学趋化因子受体5)拮抗剂可通过抑制人类免疫缺陷病毒(HIV-1)包膜蛋白与CCR5的相互作用而阻断病毒进入细胞. 本文使用已知拮抗剂结构和活性信息构建了一个三维药效团模型. 按照Catalyst/HypoGen模块的要求, 选择了25个结构和活性均具备差异性的分子作为药效团产生的训练集. 其中训练集分子以IC50值表示的生物活性值跨度为0.06到10000 nmol·L-1. 最好的药效团模型(Hypo 1)由两个正离子化特征以及三个疏水特征组成, 训练集预测相关系数为0.924, 均方根偏差为1.068. 模型用于预测由74个分子组成的测试集化合物活性, 结果表明模型可以提供较好的活性预测结果并用于新的拮抗剂的设计.     

黄酮类醛糖还原酶抑制剂的抑制机理研究

为了研究黄酮类醛糖还原酶抑制剂的抑制机理, 选择了31个黄酮类化合物作为训练集, 使用Catalyst软件包构建了此类抑制剂的药效团模型. 并专门针对黄酮类化合物定制了氢键给体和受体模型, 效果优于使用Catalyst内预定义的模型. 最终的药效团模型由两个氢键给体和一个氢键受体组成, 对训练集具有较好预测能力(Correl=0.9013). 此外, 使用InsightII/Affinity对6个黄酮类化合物进行了分子对接研究. 综合药效团模型和分子对接研究的结果, 发现黄酮类化合物的抑制活性主要源于黄酮骨架上的C4’或C3’位的羟基与醛糖还原酶活性口袋中的TYR48、VAL47、GLN49和C7位的羟基与HIS110, TRP111所形成的两组氢键.     

基于药效团模型的DHODH抑制剂构效关系研究

利用药效团模型研究二氢乳清酸脱氢酶(Dihydroorotate dehydrogenase,DHODH)抑制剂的构效关系,为DHODH抑制剂的虚拟筛选提供新的方法.以31个具有DHODH抑制活性的化合物为训练集化合物,半数抑制浓度(IC50)范围为7~63000 nmol/L,利用Catalyst/HypoGen算法构建DHODH抑制剂药效团模型,通过对训练集化合物多个构象进行叠合,提取药效团特征及三维空间限制构建药效团模型.利用基于CatScramble的交叉验证方法及评价模型对已知活性化合物的活性预测能力,确定较优药效团模型.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,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特点.所得较优模型对训练集化合物及测试集化合物的计算活性值与实验活性值的相关系数分别为0.8405和0.8788.利用药效团模型对来源于微生物的系列化合物进行虚拟筛选,筛选出59个预测活性较好的化合物,可作为进一步药物研发的候选化合物.     

具有全新机理的DNA旋转酶抑制剂的筛选及抑菌活性

利用具有新机制的抗耐药菌DNA旋转酶抑制剂GSK299423与DNA旋转酶的晶体复合物(PDB code:2XCS)构建基于配体-受体复合物的药效团模型, 诱骗集(Decoy set)验证结果表明该药效团模型具有较强的活性识别能力. 将药效团模型与分子对接相结合用于筛选化合物库, 通过抑菌活性测定, 获得了具有抗多药耐药菌活性的DNA旋转酶抑制剂LTH02.     

EGFR酪氨酸激酶抑制剂的药效团模型构建

以80个作用方式相同, 分子结构特征不同的表皮生长因子受体酪氨酸激酶(EGFR TK)竞争性抑制剂为训练集, 利用计算机药物辅助软件Catalyst, 构建不同的药效团模型, 并结合酪氨酸激酶的作用位点等因素, 筛选出一个含有两个芳环中心, 一个疏水中心和一个阳离子基团的具有较好预测能力(RMS=0.438, Correl=0.908, Weight=1.52, Config=17.36)的药效团模型, 为设计和合成新型结构的EGFR TK抑制剂提供参考.     

大麻素Ⅰ型受体拮抗剂的结构特征

以92个具有大麻素受体Ⅰ(CB1)拮抗活性的化合物为训练集, 39个化合物为测试集, 采用Discovery Studio V2.5(DS)软件中的3D构效关系药效团产生(QSAR Pharmacophore Generation)模块建立药效团模型. 获得的最佳药效团模型的构成为一个氢键受体(HBA)、 一个疏水基团(HY)和二个芳环中心(RA), 采用费用函数(Cost function)评价药效团模型, 该模型的Δcost为119.32, 相关性为0.921, 均方根偏差为0.730, Configuration cost为16.1229, 表明模型能较好地预测化合物的活性. 同时针对目前已知的近450个化合物的12种结构类型进行了探讨, 所得结果为进一步设计CB1拮抗剂提供了理论依据.     

5-HT3受体拮抗剂药效团模型的构建

以31个来源于MDDR数据库中具有抑制鼠Bezold-Jarisch反射作用的5-HT3受体拮抗剂作为训练集化合物, 构建5-HT3受体拮抗剂药效团模型. 训练集化合物具备结构多样性, 来源于相同药理模型, 活性值ED50范围为0.05~320 μg/kg i.v.. 利用Catalyst计算5-HT3受体拮抗剂的最优药效团由一个氢键受体、一个疏水基团、一个正电离子化基团、一个芳香环特征和6个排除体积组成; Fixed cost值、Null cost 值、Δcost值和Configuration cost值分别为112.6, 172.0, 59.4和7.248. 训练集化合物活性的计算值与实测值相关系数为0.9031, 偏差值为0.8976, 基于Fischer的交叉验证结果表明药效团模型具有较高的置信度, 所得药效团对训练集化合物活性值的预测结果显示有较好的预测能力, 可用于数据库搜索指导发现新的具有该活性的先导化合物, 也可用于中药或天然产物药物研究开发.     

糖原合成酶激酶抑制剂模型的建立

选取四类共89种活性较高的糖原合成酶激酶（GSK-3）抑制剂作为分子训练集，利用CATALYST系统，经构象分析，分子叠合等过程构建出药效团模型。筛选出具有一个氢键受体，一个芳香疏水中心，两个环芳香性的药效团模型 (weight=2.4,RMS=0.50, null cost- fixed cost =104, correlation coefficient=0.95)。该模型具有较强的预测活性能力，可用于优化分子结构，找到高效低毒的化合物。     

基于药效团模型设计合成新型ALS抑制剂

以ALS抑制剂药效团模型为基础建立了提问结构,将药效团模型中的生物结构信息输入到多种小分子三维结构数据库(NCI-3D和ACD-3D数据库)中,分别搜寻出100多个符合特征结构信息的全新结构候选化合物.以这些命中结构的分子特征信息为基础设计合成了一系列新型的ALS抑制剂,初步生物活性测试结果表明,预期有生物活性的化合物显示出一定的ALS酶抑制剂活性.     

表皮生长因子受体酪氨酸激酶抑制剂的药效团研究

根据一系列表皮生长因子受体酪氨酸激酶抑制剂的三维定量构效关系研究，得 到了该类抑制剂的药效团，研究结果与Novartis的药效团模型相当类似．药效团包 括一个氢键受体，一个氢键给体，一个疏水区和一个带有氯或溴原子药效团对于研 究表皮生长因子受体酪氨酸激酶抑制剂结构与活性的关系具有重要的意义．通过三 维数据库搜索可能会得到新的先导化合物．     

哌啶酮类法尼基转移酶抑制剂的设计、合成及初步抗肿瘤活性研究

利用计算机辅助药物设计软件Catalyst构建了哌啶酮类法尼基转移酶抑制剂的药效团模型, 结合所构建的药效团模型, 设计并合成出17个哌啶酮类化合物, 其中16个目标化合物未见文献报道, 其结构均经IR, MS及¹H NMR等确证. 利用MTT法得到其对于肿瘤细胞抑制的IC₅₀值. 初步生物活性测试表明, 目标化合物均具有抑瘤活性, 其中11个化合物的IC₅₀值低于阳性对照5-Fu, 并且实测值与所构建的药效团模型的预测值相关性较好.     

人类免疫缺陷病毒整合酶二酮酸类抑制剂的三维药效团构建

应用遗传算法相似性程序(GASP), 以作用于I型人类免疫缺陷病毒(human immun-odeficiency virus type 1, HIV-1)整合酶(IN)的二酮酸类(diketoacids, DKAs)抑制剂构建药效团模型. 所选训练集分子均具有可靠的类药性特征及DKAs药效团特征. 尝试将抑制剂与药效团叠合后的构象和抑制剂与IN的对接构象进行叠合, 得到药效团模型与分子对接构象中IN残基的相对位置, 并基于抑制剂的药效团模型特征与周围IN氨基酸残基位置的匹配情况进行药效团特征的修改. 所得最优药效团由1个疏水特征、3对氢键特征和1个氢键供体特征组成. 该药效团的命中物质量(goodness of hit, GH)为0.56, 产出率(Y)达63.6%, 假阳性率(FP)为0.41%. 该药效团具有较好的置信度, 产出率较高而假阳性率较低, 可用于数据库搜索发现新的具有DKAs药效团特征的活性化合物, 也可为先导化合物的改造提供帮助.     

基于药效团模型从中草药数据库中搜索gpIIb/IIIa受体抑制剂

选择20 个3,4-二氢-1(1H)-异喹啉酮类gpIIb/IIIa受体抑制剂作为训练集, 利用Catalyst软件包建立了gpIIb/IIIa受体抑制剂三维药效团模型. 探讨了药效团作用模式. 并通过建立的可靠性最佳的药效团模型(线性回归系数r=0.7715), 从中草药数据库中虚拟筛选了gpIIb/IIIa受体抑制剂, 通过实验活性测定得到了8个抑制ADP活化全血血小板聚集的IC50从40到100 μmol·L-1的化合物, 进一步证明了所建药效团模型的有效性.     

5-羟色胺(5-HT)和去甲肾上腺素(NE)重摄取抑制剂药效团模型的建立及比较分析

近年来的研究表明, 去甲肾上腺素(NE)能系统和5-羟色胺(5-HT)能系统可能共同参与了抑郁症的发病机制. 采用Catalyst软件的Hypogen方法, 利用22个不同结构类型的5-HT重摄取抑制剂和19个不同结构类型和活性的NE重摄取抑制剂分别建立了5-HT药效团模型和NE药效团模型, 它们的相关系数分别为0.935, 0.844, 这表明所得到的模型能较好地表征重摄取抑制剂化合物的特征; 此外, 我们还选择了四种不同活性的预测集分别对所建立的药效团模型进行检验, 结果表明所建立的药效团模型具有较好的预测能力. 对这两个药效团模型进行了比较分析, 其结果可以为设计高活性的双重5-HT和NE重摄取抑制剂提供依据.     

基于药效团的BRD4靶向小分子抑制剂虚拟筛选

BRD4靶点和多种肿瘤密切相关,是具有良好成药性的热门靶点。本文选取活性较好且结构差异较大的BRD4小分子抑制剂作为训练集分子,基于配体小分子共同特征(HipHop)方法使用Discovery Studio 3.0分子模拟软件构建了药效团。药效团通过测试集验证、ROC曲线验证(SE(sensitivity)=0.93765、SP(specificity)=0.89500、(AUC)=0.956),结果表明构建得到的药效团具有较强的可靠性和较高的可信度。药效团模型含有1个芳环中心、1个疏水基团、2个氢键受体四个药效特征元素。此药效团被用于ZINC数据库进行虚拟筛选,共筛选了861203个分子,命中率为0.782%。再对筛选得到的分子经过分子对接、ADMET成药性预测、构象分析并讨论分子-蛋白相互作用模式,最终得到了21个有潜力的BRD4小分子抑制剂。     

氧肟酸类组蛋白去乙酰化酶抑制剂的药效团模型研究

基于24个目前已知的氧肟酸类组蛋白去乙酰化酶抑制剂,我们运用Catalyst软件建立了一个三维药效团模型。其中,最好的药效团模型1,包含了四个化学特征（一个氢键供体,一个芳环和两个疏水基）,相关系数达到0.946,并由另外20个化合物进行了测试验证。我们第一次特征性描述了组蛋白去乙酰化酶的帽子（CAP）部分。我们的研究结果对于设计全新组蛋白去乙酰化酶抑制剂具有很好的指导作用。