光系统Ⅱ(PSⅡ)抑制剂的比较分子场研究

以光系统Ⅱ抑制剂DISCO(DIStanceCOmparisons)模型的活性构象分子作为模板,利用比较分子场分析方法对三类结构不同的化合物进行了三维构效关系的研究。研究结果有助于对DISCO重叠模型的评估的新型PSⅡ抑制剂的设计与合成。     

距离比较法识别光系统Ⅱ电子传递抑制剂药效团模型

采用距离比较法(DistanceComparisons,DISCO)识别出在结构上不同的九个光系统Ⅱ(PSⅡ)电子传递抑制剂分子的药效团模型,并进行了比较分子场(CoMFA)研究。这些研究结果将应用在全新先导化合物的设计中。     

光系统Ⅱ抑制剂—反式氰基丙烯酸酯比较分子场和电子结构研究

对反式氰基丙烯酸酯系列活性分子采用限制性系统搜索方法确定的药效团模型 ,与 9类不同骨架结构的光系统 抑制剂 DISCO模型中的反式氰基丙烯酸酯分子(M- 2 2 )的活性构象为模板所确定的药效团模型是非常相近的。对两种方法所获得的活性构象分子进行了 Co MFA研究 ,其结果是一致的。采用 PM3方法进行了量子化学计算 ,计算结果表明两种模型的构象分子具有相近的电子结构 ,根据分子静电场、立体场和电子结构探讨了该类抑制剂的构效关系。     

距离比较法(DISCO)构建ALS抑制剂药效团模型

在乙酰乳酸合成酶（ALS）三维结构未知的情况下,利用距离比较法（DISCO） ,将10 个结构特征具有代表性的ALS抑制剂的分子构象进行叠合,建立了可能的 药效团模型,并初步验证了模型的可靠性。     

距离比较法(DISCO)构建原卟啉原氧化酶抑制剂药效团模型

在原卟啉原氧化酶(Protox)三维结构未知情况下,利用距离比较法(DISCO),将8个具有代表性结构特征的Protox抑制剂,与其作用底物(基质)原卟啉原IX(ProtogenIX)的分子构象进行迭合,建立了可能的药效团模型;并据此确定了ProtogenIX与Protox相互作用时,可能采取的活性构象。这些信息将有助于设计、开发新型Protox抑制剂。     

含氟新农药的构效关系研究Ⅱ.三维定量构效关系分析

为了能更深入地认识含氟新化合物作为农药的生物活性和其结构间的关系,建立有意义的药物-受体作用模型,寻找同类化合物的药效团,对合成的含氟化合物在经典QSAR方法研究的基础上,又进一步运用DISCO,CoMFA和Leapfrog方法研究了它们的三维构效关系.首先根据化学结构,将分子进行了分类,然后再分别进行CoMFA计算,根据第I类分子的CoMFA结果,我们进行了含氯化合物的全新设计.根据各类中较好的构效关系模型,我们进行了分子的改造,预测了它们的活性.     

R基团筛选技术用于吡啶杂环类mTOR抑制剂的分子设计研究

针对27个吡啶杂环类抑制剂采用Topomer COMFA方法进行了三维定量构效关系分析,新建模型的拟合、交互验证及外部验证的复相关系数分别为r2=0.982,q2=0.857,r2pred=0.829,结果表明模型具有良好的预测能力和可信度.采用基于R基团搜索Topomer Search技术对ZINC数据库进行R基团的虚拟筛选,获得了6个高活性的新抑制剂分子,其预测活性均优于训练集中活性最高分子.运用Surflex-dock分子对接法研究吡啶杂环类抑制剂与mTOR靶点的作用模式.研究结果表明,Topomer search可有效地用于分子设计,结合分子对接结果,新抑制剂分子为mTOR靶向药物设计提供参考.     

基于Topomer CoMFA和Surflex-dock的GSK-3β抑制剂的3D-QSAR与作用模式研究

GSK-3β的过度表达可导致人脑神经细胞内Tau蛋白的过磷酸化,从而介导阿尔兹海默病(Alzheimer’s disease,AD)的发生.本文旨在研究GSK-3β的马来酰胺类抑制剂的三维定量构效关系(3D-QSAR)及新抑制剂分子与GSK-3β的作用机制.采用基于R基团搜索技术的Topomer CoMFA建立了49个马来酰胺类GSK-3β抑制剂的3D-QSAR模型,并用包括25个样本的测试集验证模型的外部预测能力.所得优化模型的拟合、交互验证以及外部验证的复相关系数分别为0.928,0.790和0.725.采用Topomer search在ZINC分子数据库中进行虚拟搜索,设计了28个可能具有更高活性的新抑制剂.借助Surflex-dock分子对接研究了新抑制剂与GSK-3β作用模式与机制.结果显示,新抑制剂与GSK-3β的Asp133,Tyr134,Val135和Pro136等位点作用显著.     

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.     

嘧啶衍生物类PI3K/mTOR双重抑制剂的3D-QSAR及分子对接研究

PI3K/Akt/mTOR信号通路在癌细胞的生长和增殖中异常激活,对PI3K和mTOR位点的抑制可有效阻断信号通路的传导,是药物设计的理想靶点.本文选择38个嘧啶类小分子抑制剂进行3D-QSAR和分子对接研究.采用比较分子力场分析(CoMFA)和比较分子相似性指数分析(CoMSIA)方法,建立了三维定量构效关系模型,结果表明,该模型具有良好的稳定性和预测能力,可运用分子对接研究小分子抑制剂与PI3K和mTOR蛋白受体的作用模式.通过对QSAR模型的三维等势图以及受体与配体的相互作用模式分析后,优化出10个小分子化合物并预测其活性,发现一些小分子化合物活性提高,这为PI3K/mTOR双重抑制剂的设计筛选提供了借鉴.