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.     

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.     

家蝇与大鼠GABA受体抑制剂的药效团模型及其3D-QSAR研究

采用DISCOtech方法,用7个大鼠γ-氨基丁酸(GABA)A受体抑制剂和11个家蝇GABAA受体抑制剂分别建立了其药效团模型;用CoMFA方法建立了22个大鼠GABAA受体抑制剂和29个家蝇GABAA受体抑制剂的3D-QSAR模型,模型的交叉验证相关系数分别为0.526和0.679,验证了药效团模型的合理性,为设计更高活性和更高选择性的化合物提供了参考     

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.     

新型多巴胺D3受体抑制剂的发现

根据最新解析的多巴胺D3受体的晶体结构进行活性位点分析, 建立了基于受体的药效团模型, 并对Asinex Gold Collection 数据库进行筛选, 选择7个化合物进行生物活性测试, 得到了高活性新型多巴胺受体抑制剂(04932482), 它对多巴胺D3受体抑制率达85.45%, 其Ki值为(806.75±34.58) nmol/L. 进一步对活性化合物进行结构分析, 研究了其与受体相互作用的模式, 并以此为指导提出以04932482为先导化合物进行结构改造的方向.     

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.     

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.     

GABAA受体萜类抑制剂构效关系研究

采用DISCOtech方法建立了大鼠和家蝇GABAA受体萜类抑制剂的药效团模型, 根据药效团模型叠加规则建立了大鼠和家蝇GABAA受体萜类抑制剂CoMFA模型, 模型的交叉验证相关系数分别为0.713和0.738. 构效关系研究显示， 家蝇和大鼠受体抑制剂结合部位之间存在一个主要差别: 与受体作用的抑制剂的负电荷基团取代有利于保持其对哺乳动物的高抑制活性, 而保持对昆虫的高抑制活性是不需要的, 从而为寻找先导化合物和设计高选择性杀虫剂提供了理论指导.     

新型酪氨酸激酶小分子抑制的三维药效团研究

通过CATALYST软件包得到了两类HER2抑制的三维药效团模型。尽管亚苄基丙二腈化合物和3-取代吲哚啉-2-酮系列化合物具有完全不同的骨架结构,但得到的药效团却具有共同的特性,这表明当这两类抑制剂和受体发生相互作用时,采用了相似的结合模式。共同的药效团模型包括一个氢键受体,一个氢键给体,一个脂肪类疏水团以及一个芳香类疏水团。根据药效团模型,我们还进行了三维构效关系的研究,结果表明得到的药效团模型具有很好的预测能力(线性回归系数R≈0.96)。药效团模型对于研究酪氨酸激酶小分子抑制剂的结构与活性关系,以及评估和预测此类未知化合物活性具人重要的意义。     

新型酪氨酸激酶小分子抑制的三维药效团研究

通过CATALYST软件包得到了两类HER2抑制的三维药效团模型。尽管亚苄基丙二腈化合物和3-取代吲哚啉-2-酮系列化合物具有完全不同的骨架结构,但得到的药效团却具有共同的特性,这表明当这两类抑制剂和受体发生相互作用时,采用了相似的结合模式。共同的药效团模型包括一个氢键受体,一个氢键给体,一个脂肪类疏水团以及一个芳香类疏水团。根据药效团模型,我们还进行了三维构效关系的研究,结果表明得到的药效团模型具有很好的预测能力(线性回归系数R≈0.96)。药效团模型对于研究酪氨酸激酶小分子抑制剂的结构与活性关系,以及评估和预测此类未知化合物活性具人重要的意义。     

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.     

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.     

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.     

GPR40激动剂作用方式及药效团模型研究

为阐明GPR40与其激动剂分子之间的相互作用方式,构建可用于GPR40激动剂分子先导化合物筛选的药效团模型。我们利用分子对接技术将GPR40与其激动剂分子进行对接,分析分子与受体之间相互作用的关键氨基酸和结合方式,采用药团模型法分别构建了基于受体-配体复合物(CBP)和基于激动剂分子共同特征(HipHop)的药效团模型,HipHop模型采用测试集法进行验证。结果显示GPR40与小分子相互作用的关键氨基酸主要有ARG183、TYR91、TYR2240、ARG2258、PHE142等,相互作用方式则主要为氢键、盐桥、Pi-Pi Stacking以及疏水作用,以药团模型法构建了10个HipHop模型,其中8号药效团为最优模型,可用于GPR40激动剂分子的虚拟筛选研究,这为GPR40激动剂药物分子设计奠定了理论基础。     

丙型肝炎病毒抑制剂的三维药效团和构效关系

通过ＣＡＴＡＬＹＳＴ软件包得到了两类ＨＣＶ ＮＳ３丝氨酸蛋白酶抑制剂的三维药效团模型。尽管这两类抑制剂具有完全不同的骨架结构,但得到的药效团却具有共同的特性。这当这两类抑制剂和受体发生相互作用时,可能采用了相似的结合模式。根据药效团模型,进行了三维构效关系的研究。结果表明,得到的药效团模型具有良好的预测能力（线性回归系数Ｒ＝０．８９）。     

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.     

β分泌酶抑制剂的药效团模型研究

选择活性跨越0.002至25 μmol•L－1的4类共25个β分泌酶抑制剂作为训练集, 使用Catalyst软件包构建出药效团模型, 并通过对药效团的有效性分析, 筛选得到的最佳模型(correlCorrel＝0.969, Config＝16.32, Δcost＝62.422)由一个环芳香性、一个疏水中心、一个正电荷中心和一个氢键供体组成. 并用其它209个抑制剂组成测试集对模型进行验证, 结果表明该模型显示出较强的预测能力, 能够为进一步的数据库搜索, 寻找新型的β分泌酶抑制剂先导物提供依据.     

基于结构和药效团特征的人类腺苷受体拮抗剂选择性比较

腺苷受体是重要的治疗靶标,选择性腺苷受体拮抗剂具有广泛的临床应用前景.本文通过同源模建构建了腺苷A₁、A_2B和A₃受体的结构,采用LigandScout 3.12软件分别构建了腺苷受体四种亚型的拮抗剂药效团模型.然后利用Schrödinger程序中的Induced Fit Docking模块完成受体-拮抗剂结合模式的预测,并与药效团结果进行比对.结果发现,由于结合口袋部位的残基在家族间高度保守,模建得到的各个亚型受体的初始结构活性口袋部位极为相似,无法用于亚型选择性拮抗剂的识别.而腺苷受体四种亚型拮抗剂药效团的药效特征与空间排布都不同,并与以前突变实验信息相吻合.研究结果说明,结合口袋部位的优化是模建中的关键步骤,基于配体的药效团模型所包含的一系列药效特征元素如氢键受体、氢键供体、疏水基团、芳环中心,可以很好地表征受体结合部位氢键、疏水空腔的位置及其方向.本文研究结果可以为进一步的优化同源模建结果,寻找新型的人类腺苷受体选择性拮抗剂提供理论依据.     

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。     

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.