药物发现中常用化合物库特征描述与对比分析

随着计算技术的发展和分子模拟软件的日趋成熟, 虚拟筛选已经在药物发现过程中发挥着越来越重要的作用. 在虚拟筛选过程中, 所使用化合物库的质量对先导化合物发现的成功率起着至关重要的作用. 本文通过对已知药物库、天然产物库、中药原植物化学成分库、筛选常用商业化合物库以及研究者所在实验室建立的化合物库的分析比较, 从化合物库的分子多样性、化学空间和分子骨架等多个方面提取并对比每一种化合物库的特征, 发现了已知药物库与中药原植物化学成分库的特征相似性, 揭示了中药原植物化学成分库作为筛选库的类药性优势, 并且深化了对几种筛选用化合物库特征的认识和理解.     

一种新的De Novo生物活性分子设计方法

由药效团进行虚拟活性结构生成与3D-QSAR模型相结合,筛选出有前途的结构多样性的化合物,并从中寻找活性先导化合物,是一种新的分子设计方法。采用这种方法对抗小麦赤霉病类含氟农药进行了研究,共生成了53个虚拟活性结构,通过3D-QSAR模型筛选出其中10个活性较高的结构,在活性最高的化合物基础上进行了结构修饰,得到了活性更高且毒性较低的理想化合物。研究结果表明这种方法能突破原模型化合物结构模式的局限,可以找到结构新颖的活性先导化合物,是一种非常有前途的分子设计方法,而且具有较高的筛选效率。     

PPAR激动剂的定向设计、虚拟筛选及合成

过氧化物酶体增殖因子活化受体(PPAR)是核受体超家族的一员.基于受体结构的药物分子设计与组合化学策略相结合,构建了过氧化物酶体增殖因子活化受体(PPAR)激动剂的虚拟化合物库.将已知小分子配体(GW409544)与PPAR晶体复合物进行剥离,得到受体的活性构象,并利用此活性受体分子与虚拟库中小分子进行对接和虚拟筛选,得到理论上结合较强的化合物,并对这些化合物进行合成,共合成9个新化合物.活性筛选结果显示化合物对PPAR具有一定的亲和力,其中有三个化合物显示出对PPARα,PPARγ的双重激动作用,从而指导新活性化合物的设计和合成.     

He-N20偶极矩面及振转跃迁强度的理论研究

用超分子MP4方法和大基组(aug-cc-pVTZ)及键函数得到He-N2O体系的分子间从头算势能面及偶极矩面．用离散变量表象方法计算了^4He-N2O及^3He-N2O体系的振转能级，并进一步计算得到其振转跃迁强度，计算结果很好地解释了实验现象。     

混合物和溶液的组成标度和组成变量

组成标度按５类逐一给出了名称，符号，定义和ＳＩ单位，并指出了一些常见的错误，按混合物和溶液讨论了组成变量的选择。量纳一的量的ＳＩ单位１的字母符号问题也作了讨论。     

物理化学“启发式教+探究式学”教育模式的构建与启示

基于化学史料中的物理化学家吉布斯的教育经验,构建一种新颖的“启发式教+探究式学”教育模式。“启发式教+探究式学”的模式对物理化学教学有重要的参考价值。从化学史中挖掘教育方法对探索化学教育方法有现实的借鉴意义。     

ω-芋螺毒素的定量构效关系与虚拟筛选

ω-芋螺毒素属于海洋生物活性多肽,由24-31个氨基酸残基组成.特异性作用于电压敏感的钙离子通道(VGCCs),能够直接开发成药物或作为先导化合物进行新药开发.本文应用新型氨基酸残基结构描述符cscales和遗传偏最小二乘算法,对ω-芋螺毒素进行定量构效关系(QSAR)研究,并设计、构建了容量为2244个化合物的N-型和P/Q-型VGCC拮抗剂虚拟组合多肽库,然后分别采用QSAR模型预测和相似性搜索方法对组合多肽库进行了虚拟筛选.研究结果表明,建立的N-型和P/Q-型VGCC拮抗剂QSAR模型均具有较好的预测能力,交叉验证相关系数(CV-r2)均大于0.89.主成分分析和聚类分析结果表明,虚拟组合多肽库中化合物具有较好的结构多样性和差异性.通过虚拟筛选,得到了具有高预测活性的6个N-型和19个P/Q-型钙离子通道拮抗剂,为进一步的合成和活性评价奠定了理论基础.同时,本文建立的多肽QSAR预测模型和虚拟筛选策略,为其它多肽类化合物的定量构效关系研究和虚拟筛选提供了参考.     

大孔树脂分离提取人参茎叶中的人参皂甙

选择了10种大孔吸附树脂,比较其对人参茎叶提取液中人参皂甙的吸附量和解析率,筛选了较优的人参皂甙吸附剂,并对其吸附动力学曲线和动态解析曲线进行了探究。实验结果表明,人参茎叶提取液经LX-R2树脂吸附,用浓度70%的乙醇洗脱,人参皂甙解吸率达92%以上,纯度达85%以上。静态的、动态的吸附、解吸实验表明大孔树脂LX-R2为分离人参皂甙较为理想的吸附材料。     

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.     

催化剂筛选：火山型曲线成因理论解析及其在多相催化中的应用

多相催化对于现代社会来说具有极其重要的意义,催化剂的理性设计/筛选是现代催化化学研究者的一个重要的目标。其中,火山型曲线是一个的重要工具。它指出对于一个催化反应来说,其催化活性针对关键物种吸附能来说呈一条先上升后下降的曲线,要求最佳催化剂对中间体的吸附能不能太高也不能太低。近几十年来,密度泛函理论等第一性原理计算方法的发展让许多催化剂表面反应微观物理量的计算成为了可能,这极大地拓展了火山型曲线的应用范围。 然而,对于火山型曲线根源的解释,人们却并非了解得十分清楚;一些基本科学概念的理解很多还是基于经验性的Sabatier原理：吸附太弱不利于吸附、太强不利于脱附。针对该问题的科学解析,本文进行了详细的动力学探究,试图以完全数学解析的方式回答催化反应中火山型曲线的必然存在性、产生根源及在催化活性预测中的内涵。本文采用了两步催化模型以及微动力学来进行速率方程的推导,并考虑BEP关系(基元反应的能垒与其反应焓存在线性关系)的应用,最终将整体反应速率转化为中间体吸附能相关的单值函数。基于对该函数的系列推导和分析,得到如下基本结论：(1)从数学上以一个完全的解析形式证明了催化反应中火山型曲线的存在。(2)通过对比催化反应与与之对应的气相反应,我们证明了：若无催化剂参与反应,则火山型曲线不会产生;由于催化剂表面的参与,随着催化剂吸附能力的增强,其表面会因为吸附作用而被占据毒化,导致反应速率存在一个最大值,即形成火山型曲线。从概念上讲,火山型曲线的根源是由“吸附过程引发表面活性位占据”这一自毒化效应造成的,它的存在可能体现为多相催化的基本属性。(3)数值模拟解析展示了表面反应与气相反应的区别,印证了我们的数学解析结论。同时,通过一定的简化,我们对火山型曲线中各部分的斜率进行了研究。结果发现,对于吸附决速过程,催化反应和气相反应斜率相同,其差别主要出现在脱附决速过程。在此阶段由于吸附能过大,表面被毒化,表面反应速率开始下降;而气相反应的速率依然上升。(4)表面反应速率方程的分解和简化结果表明,最佳催化剂在反应中的空活性位点覆盖度和其BEP关系的斜率存在内在关联关系(θ*opt=1–α),据此讨论了其在催化剂寻优过程中的意义。尝试解释了(a)合成氨反应中正逆反应所需最佳催化剂不同的现象;(b)合成氨或CO甲烷化反应最佳催化剂为前过渡金属、而CO/NO氧化等为后过渡金属这一典型催化现象的物理图像。最后,针对火山型曲线理论框架在实际催化剂理论筛选寻优中的应用,我们简要综述了本课题组近年来在光解水制氢Pt基助催化剂和染料敏化太阳能电池的对电极材料设计方面的理论进展。