基于分子描述符和机器学习方法预测和虚拟筛选乳腺癌靶向蛋白HEC1抑制剂

HEC1(癌症高表达蛋白)是纺锤体检查点控制、着丝粒功能、细胞存活的关键的有丝分裂调节器,与原发性乳腺癌的不良预后有关.筛选具有高亲和力的HEC1新型抑制剂对探索乳腺癌的靶向治疗具有重要意义.本文从结构多样性的化合物库中筛选HEC1抑制剂.通过对分子描述符的特征筛选,采用支持向量机(SVM)和随机森林(RF)方法分别对HEC1抑制剂和非抑制剂建立了分类模型.经对比, RF模型显示了更好的预测精度.我们采用RF模型对HEC1抑制剂进行了虚拟筛选,从“in-house”实体库筛选得到2个潜在的HEC1抑制剂分子.随后对筛出的化合物进行了体外活性实验,发现对乳腺癌细胞株MDA-MB-468和MDA-MB-231均有一定程度的抗肿瘤活性.研究结果表明,机器学习方法对于设计和虚拟筛选HEC1抑制剂有良好的效果.     

基于分子描述符和机器学习方法预测和虚拟筛选MMP-13对MMP-1的选择性抑制剂

基质金属蛋白酶-13(MMP-13)为预防和治疗骨关节炎(OA)提供了充满希望的靶标.通过抑制剂来阻断MMP-13的活性将会对治疗OA疾病产生潜在的作用.然而,宽谱抑制剂同样抑制MMP家族的其它成员,特别是MMP-1,这将会导致肌与骨的综合症.因此,设计和发现潜在的MMP-13相对于MMP-1的高效选择性抑制剂,在对治疗OA新型药物的研发中具有相当重要的现实意义.本研究通过两种机器学习方法(ML):支持向量机(SVM)和随机森林(RF)来建立分类模型,用于预测不同结构的MMP-13对MMP-1的选择性抑制剂.所建这些模型的预测效果都已经达到了令人满意的精度.在这两种ML模型中,RF对于MMP-13选择性抑制剂和非抑制剂的精度分别达到97.58%和100%.同时,与MMP-13对MMP-1的选择性抑制最相关的分子描述符也基于不同的特征选择方法被两种模型挑选出来.最后,用预测效果最好的RF模型虚拟筛选了ZINC数据库的"fragment-like"子集,从而得到了一系列潜在的候选药物.研究表明,机器学习方法,特别是RF方法,对于发现潜在的MMP-13选择性抑制剂十分有效.同时还得到了一些与MMP-13的选择性抑制相关的分子描述符.     

基于分子描述符和机器学习方法预测和虚拟筛选MMP-13对MMP-1的选择性抑制剂

基质金属蛋白酶-13 (MMP-13)为预防和治疗骨关节炎(OA)提供了充满希望的靶标. 通过抑制剂来阻断MMP-13的活性将会对治疗OA疾病产生潜在的作用. 然而,宽谱抑制剂同样抑制MMP家族的其它成员,特别是MMP-1,这将会导致肌与骨的综合症. 因此,设计和发现潜在的MMP-13 相对于MMP-1 的高效选择性抑制剂,在对治疗OA新型药物的研发中具有相当重要的现实意义. 本研究通过两种机器学习方法(ML)：支持向量机(SVM)和随机森林(RF)来建立分类模型,用于预测不同结构的MMP-13 对MMP-1 的选择性抑制剂. 所建这些模型的预测效果都已经达到了令人满意的精度. 在这两种ML模型中,RF对于MMP-13选择性抑制剂和非抑制剂的精度分别达到97.58%和100%. 同时,与MMP-13对MMP-1的选择性抑制最相关的分子描述符也基于不同的特征选择方法被两种模型挑选出来. 最后,用预测效果最好的RF模型虚拟筛选了ZINC数据库的“fragment-like”子集,从而得到了一系列潜在的候选药物. 研究表明,机器学习方法,特别是RF方法,对于发现潜在的MMP-13选择性抑制剂十分有效. 同时还得到了一些与MMP-13的选择性抑制相关的分子描述符.     

基于机器学习方法预测CDK4的抑制剂

最近的研究已经证实,以周期蛋白依赖性激酶4(cyclin-dependent kinase 4,CDK4)为靶点,通过CDK4的抑制剂重新建立细胞周期的调控在肿瘤靶向治疗的发展中已经成为有吸引力的方向。本文测试了三种机器学习方法,k最近邻、C4.5决策树和随机森林(random forest,RF),用于预测CDK4的抑制剂。所建这些模型都达到了令人满意的预测效果。其中,RF模型当参数Mtry=13、jbt=255时对应的总预测精度最大,为96.65%。同时,与CDK4抑制剂最相关的25个分子描述符也被最优的RF模型挑选了出来。本文的研究表明,机器学习方法特别是RF方法,对于发现潜在的CDK4抑制剂十分有效。     

酪氨酸激酶抑制剂的三维定量构效关系研究

利用柔性原子受体模型(FLARM)方法对一系列的异黄酮和喹诺酮衍生物表皮生长因子受体酪氨酸激酶抑制剂进行了三维定量构效关系研究，得到了合理的构效关系模型.FLARM方法的计算结果还给出了虚拟的受体模型，该模型说明了抑制剂与受体之间可能的相互作用.由该虚拟受体模型得到的受体-配体相互作用与Novartis药效团模型比较类似.     

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.     

极光激酶A抗癌抑制剂的高通量筛选及对接研究

极光激酶(aurora kinases)A是负责调控细胞有丝分裂的一类重要的丝氨酸/苏氨酸激酶. 用极光激酶A的一种抑制剂H-89作为先导化合物, 通过AutoDock vina软件进行虚拟筛选, 选取能量打分最低的抑制剂(命名为H-89-1)做进一步的深入研究. 理论对接研究揭示H-89-1是一种比H-89更好的抑制剂, 并且Thr217和Arg137是H-89-1和酶作用中的重要残基, 因为它们和H-89-1形成了氢键. 我们的研究将为极光激酶A专有抑制剂的设计提供可靠的理论线索.     

基于机器学习方法的丙型肝炎病毒非结构蛋白5B聚合酶抑制剂活性预测

在丙型肝炎病毒(HCV)的基因复制和蛋白质成熟的过程中, 非结构蛋白5B(NS5B)作为RNA依赖的RNA聚合酶起到了重要的作用. 抑制NS5B聚合酶可以阻止丙型肝炎病毒的RNA复制, 因此成为一种治疗丙型肝炎的有效方法. 通过计算机方法进行虚拟筛选和预测NS5B聚合酶抑制剂已经变得越来越重要. 本文主要采用机器学习方法(支持向量机(SVM)、k-最近相邻法(k-NN)和C4.5决策树(C4.5 DT))对已知的丙型肝炎病毒NS5B蛋白酶抑制剂与非抑制剂建立分类预测模型. 1248个结构多样性化合物(552个NS5B抑制剂与696个非NS5B抑制剂)被用于测试分类预测系统, 并用递归变量消除法选择与NS5B抑制剂相关的性质描述符以提高预测精度. 独立验证集的总预测精度为84.1%-85.0%, NS5B抑制剂的预测精度为81.4%-91.7%, 非NS5B抑制剂的预测精度为78.2%-87.2%. 其中支持向量机给出最好的NS5B抑制剂预测精度(91.7%); C4.5决策树给出最好的非NS5B抑制剂预测精度(87.2%); k-最近相邻法给出最好的总预测精度(85.0%). 研究表明机器学习方法可以有效预测未知数据集中潜在的NS5B抑制剂, 并有助于发现与其相关的分子描述符.     

基于虚拟筛选策略发现新型潜在JAK3小分子抑制剂

利用已知活性的分子采用基于配体的策略构建药效团模型,通过基于类药规则、药效团模型、多种精度的分子对接算法、MM/GBSA结合能预测以及ADMET筛选手段对含约250万个分子的数据库进行虚拟筛选。发现5种JAK3抑制剂的新型骨架,其中6个以1-苯基咪唑烷-2-酮为骨架的分子在与JAK3激酶的结合能以及分子的ADMET性质评价方面均表现优异,具备高JAK3抑制剂潜力,被认为是虚拟筛选的命中分子。     

细管电泳-激光诱导荧光检测用于多个胞内蛋白激酶的抑制剂筛选和选择性评价

发展了一种基于毛细管电泳(CE)-激光诱导荧光(LIF)检测的多个细胞内源激酶的抑制剂平行筛选及选择性评价方法。CE高效的分离能力和LIF检测器的高选择性,使得同时测试多个胞内激酶的活性成为可能。共4种细胞系、3种特异性蛋白激酶底物肽、2种选择性蛋白激酶抑制剂和1种非选择性蛋白激酶抑制剂用于方法的建立。特异性底物肽与细胞裂解液混合后孵育,被其相应的激酶选择性地磷酸化,利用CE-LIF分离检测磷酸化产物和底物肽。同时测定一个抑制剂对几种蛋白激酶的抑制活性,用于评价抑制剂的选择性。与传统的单靶标筛选模式相比,这种基于细胞裂解液的多靶标筛选方法能提供更多的信息,更加高效,且细胞裂解液作为一种廉价的激酶来源大大降低了筛选成本。     

酪氨酸激酶抑制剂的柔性原子受体模型方法研究

用柔性原子受体模型方法对一系列嘧啶类衍生物酪氨酸激酶抑制剂进行了3D－ QSAR研究，建立了相关性很好的模型，这些模型对测试集中化合物活性的预测结果 表明其具有较强的预测能力。柔性原子受体模型方法还给出了虚拟的受体模型，表 明了受体和配体之间可能的相互作用，包括两个氢键相互作用、一个疏水作用和一 个硫－芳香相互作用，这与Novartis的药效团模型非常一致。     

基于机器学习方法的H1N1神经氨酸苷酶抑制剂的分类预测

流感是一种主要的呼吸道传染病, 在普通人群中有着较高的发病率, 而对于一些年老和高危病人还有较高的死亡率. 研究显示抑制神经氨酸苷酶(NA)可以阻断病毒RNA复制, 因此NA是有效治疗H1N1型流感病毒的重要药物靶标. 通过计算机方法进行虚拟筛选和预测NA抑制剂已经变得越来越重要. 针对酶活性位点进行基于结构的合理药物设计, 开发H1N1 病毒神经氨酸苷酶抑制剂, 已成为药物研究的热点之一. 本文通过多种机器学习方法(支持向量机(SVM)、k-最近相邻法(k-NN)和C4.5决策树(C4.5DT))对已知的神经氨酸苷酶抑制剂(NAIs)与非神经氨酸苷酶抑制剂(non-NAIs)建立分类预测模型. 其中227个结构多样性化合物(72个NAIs与155个non-NAIs)被用于测试分类预测系统, 并用递归变量消除法选择与神经氨酸苷酶抑制剂分类相关的性质描述符以提高预测精度. 本研究对独立验证集的总预测精度为75.9%-92.6%, NA 抑制剂的预测精度为64.3%-78.6%, 非H1N1抑制剂的预测精度为77.5%-97.5%. SVM法给出最好的总预测精度(92.6%). 本研究表明支持向量机等机器学习方法可以有效预测未知数据集中潜在的NA抑制剂, 并有助于发现与其相关的分子描述符.     

基于他克林的乙酰胆碱酯酶抑制剂的3D-QSAR研究及虚拟筛选

本文通过对58个他克林派生物乙酰胆碱酯酶抑制剂分子进行建模分析,研究其结构与活性的关系,并通过虚拟筛选方法获得一系列潜在AChE抑制剂双位点分子。首先将一系列他克林二联体化合物与AChE晶体结构对接,获得化合物的活性构象,以此进行建模分析,建立结构与活性之间的三维定量构效关系。所得模型CoMFA、CoMSIA、TopomerCoMFA的交叉验证系数分别为0.510、0.702、0.571,非交叉验证系数为0.998、0.988、0.794,测试集r_(pred)~2为0.750、0.742、0.766,所得模型具有良好的预测性,由此可以为设计高活性的新分子提供理论基础。然后,使用Topomer search对ZINC数据库中的125909分子进行虚拟筛选,得到891个具有潜在AChE抑制活性的分子。最后,对这891个分子进行分子对接,观察分子与晶体结构的结合情况,筛选得到66个具有高选择性的双位点AChE抑制剂分子。     

气相色谱-质谱对青霉素发酵中玉米浆潜在标志物的研究

基于气相色谱-质谱(GC-MS)结合正交偏最小二乘判别分析法(OPLS-DA),建立了筛选玉米浆中影响青霉素发酵效价的潜在标志物的方法.利用GC-MS获得玉米浆中44种物质,经过标准化、Pareto预处理后,通过OPLS-DA对样本进行模式识别,根据模型的载荷图和变量重要性因子(VIP)筛选出9个潜在的标志物,即亮氨酸、5-酮脯氨酸、天冬氨酸、柠檬酸、酪氨酸、丝氨酸、赖氨酸、苏氨酸和葡萄糖.结果表明,这些物质与青霉素的初级代谢和次级代谢密切相关,可以作为筛选青霉素发酵优质原料的潜在质量指标.     

基于鸟枪法脂质组学研究环氧酶-2抑制剂对关节炎模型血清脂代谢的干预作用

心血管疾病(CVD)是类风湿关节炎(RA)患者死亡的重要原因之一,脂代谢紊乱与CVD发生有密切关联,因而有必要对RA和药物治疗导致的脂代谢改变进行探讨。该研究采用胶原诱导法(CIA)构建关节炎模型,引入多维质谱鸟枪法开展血清脂质分析,检测了血清中105种脂质分子,发现模型大鼠体内7种磷脂酰肌醇、15种鞘磷脂、5种神经酰胺、10种磷脂酰胆碱和2种溶血磷脂酰胆碱异常上调,环氧酶-2(COX-2)抑制剂可部分修复紊乱的脂代谢,但对5种磷脂酰胆碱和1种溶血磷脂酰胆碱具有异常调控作用。该研究从脂质分子水平探讨了RA及COX-2抑制剂对脂代谢的干预作用,可以为RA的心血管风险研究提供信息。     

人类蛋白激酶组的多靶点分子对接系统

蛋白激酶在信号转导、基因转录和蛋白翻译等生物过程起关键性作用,因而与大量人类疾病密切相关。所以,蛋白激酶的抑制剂筛选是抗肿瘤药物开发的热点,正在向基于全激酶组的高通量多靶点筛选模式发展。为了降低大规模实验筛选的成本,提高成功率,本文构建人类蛋白激酶组的多靶点分子对接系统,对抑制剂-激酶组的相互作用进行预测。我们首先利用同源模建方法,对人类激酶组约500个激酶变异体的催化域进行结构建模;接着以催化域结构模型为受体,用已知激酶抑制剂进行分子对接,对抑制剂与各激酶变异体的结合亲和力进行了定量计算。结果显示,本文所建立的多靶点分子对接系统可以准确预测抑制剂与激酶变异体的相互作用,结合自由能的计算值与实验值有很强的相关性。所以,该分子对接系统可用于多靶点激酶抑制剂的计算筛选,为激酶抑制剂开发与抗肿瘤药物设计提供理论依据。     

银杏叶中α-葡萄糖苷酶抑制剂的超滤质谱筛选

采用体外酶抑制活性检测方法结合超滤质谱(UF-LC/MS)筛选方法对中药提取物中的α-葡萄糖苷酶抑制剂进行了筛选.以4-硝基苯-α-D-吡喃葡萄糖苷(PNPG)为底物,阿卡波糖为阳性对照药,对5种富含黄酮类化合物的中药提取物进行了α-葡萄糖苷酶抑制活性的初步测定.结果表明,银杏叶具有最强的α-葡萄糖苷酶抑制活性,可作为进一步复筛的对象.利用超滤质谱技术对银杏叶中潜在的α-葡萄糖苷酶抑制剂进行了筛选,从中筛选出4种潜在的α-葡萄糖苷酶抑制剂,并利用液相色谱-串联质谱技术(LC-MSn)对其结构进行了鉴定.本文结果为开发新一代安全有效的降糖药物奠定了基础.     

基于机器学习方法的激素敏感脂肪酶抑制剂活性预测(英文)

脂肪组织中,激素敏感脂肪酶(HSL)被认为是调节脂肪酸代谢的关键限速酶.HSL在糖尿病的发病过程中起重要作用,抑制HSL活性有助于糖尿病的治疗,因此探索新颖的HSL抑制剂成为当前研究的热门.在激素敏感脂肪酶的作用机制和三维结构缺乏的情况下,需要发展预测HSL抑制剂的方法.本文采用几种机器学习方法(支持向量机(SVM)、k-最近相邻法(k-NN)和C4.5决策树(C4.5DT))对已知的HSL抑制剂与非抑制剂建立分类预测模型.252个结构多样性化合物(123个HSL抑制剂与129个HSL非抑制剂)被用于测试分类预测系统,并用递归变量消除法选择与HSL抑制剂相关的性质描述符以提高预测精度.本研究对独立验证集的总预测精度为75.0%-80.0%,HSL抑制剂的预测精度为85.7%-90.5%,非HSL抑制剂的预测精度为63.2%-68.4%.支持向量机方法给出最好的总预测精度(80.0%).本研究表明支持向量机等机器学习方法可以有效预测未知数据集中潜在的HSL抑制剂,并有助于发现与其相关的分子描述符.     

吲哚衍生物类VEGFR-2酪氨酸激酶抑制剂的从头设计

以血管内皮生长因子受体-2(VEGFR-2)酪氨酸激酶的晶体结构为基础, 采用从头药物设计方法, 设计了一系列吲哚类化合物, 并用类药性和分子对接进行了筛选, 最后得到10个对接能量较低的化合物分子, 对具有最低结合能的化合物与VEGFR-2酪氨酸激酶的复合物进行了10 ns的分子动力学模拟, 并对其结合模式进行了分析. 这些化合物结构新颖, 可能作为抗肿瘤的先导化合物或候选药物. 本文结果为VEGFR-2酪氨酸激酶抑制剂的进一步改造、 设计及合成提供了理论基础, 并有助于开发高活性和高选择性的抗肿瘤药物.     

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.