目的:細(xì)胞周期素依賴性激酶(CDKS)是絲氨酸/蘇氨酸蛋白激酶家族的成員,能夠通過調(diào)節(jié)G/S以及G2/M期而影響整個細(xì)胞周期進(jìn)程。CDK2作為CDKS的催化亞基,對主要負(fù)責(zé)有絲分裂以及DNA復(fù)制的G1-S期的調(diào)控作用較強(qiáng),多種癌癥中均發(fā)現(xiàn)CDK2的異常表達(dá)而導(dǎo)致細(xì)胞周期紊亂的情況。現(xiàn)階段已經(jīng)研究出很多抗腫瘤CDK2抑制劑,但是僅有少數(shù)的幾個進(jìn)入了臨床試驗。本實驗擬建立一種合理的虛擬篩選方案,篩選出具有新型母核結(jié)構(gòu),抗腫瘤活性強(qiáng)的CDK2抑制劑。方法:通過建立基于配體以及基于結(jié)構(gòu)相結(jié)合的多層虛擬篩選方法來篩選出具有對CDK2蛋白有抑制活性的苗頭化合物,再通過分子動力學(xué)以及MM/PBSA自由能計算選擇其中對蛋白結(jié)合最穩(wěn)定,親和力最強(qiáng)的先導(dǎo)化合物。多層虛擬篩選方法主要建立并優(yōu)化三個模型:支持向量機(jī)(SVM),蛋白配體指紋圖譜(PLIF)藥效團(tuán)以及分子對接。分子動力學(xué)主要包括RMSD結(jié)合穩(wěn)定性分析,最后通過計算范德華能,靜電能,極性溶劑化以及非極性溶劑化能來計算MM/PBSA結(jié)合自由能。結(jié)果:1、使用LibSVM建立的SVM模型再進(jìn)行參數(shù)和描述符優(yōu)化:在C=32,γ=0.125使用遺傳算法優(yōu)選的最佳描述符時,訓(xùn)練集和測試集的預(yù)測的總體準(zhǔn)確率最好,分別為99.79%以及92.72%。2、PLIF方法顯示了氨基酸殘基Glu81以及Leu83與大部分配體生成相互作用,并據(jù)此生成了5個藥效團(tuán),其中藥效團(tuán)3對訓(xùn)練集的產(chǎn)率以及命中率為89.6%以及12.5%,對測試集總體準(zhǔn)確率為94.32%,因此被選中用于建立多層虛擬篩選法。3、NDCG的計算結(jié)果表明:GOLD對接中的Chemscore打分函數(shù)能夠真實的反應(yīng)CDK2與配體結(jié)合的真實情況,將Chemscore打分閾值設(shè)置成-7的時候,在該打分函數(shù)下能夠?qū)y試集擁有較低的假陽性率和較高的總體準(zhǔn)確率。4、將建立的虛擬篩選模型對驗證集375個抑制劑,155528個陰性化合物)進(jìn)行測試,命中率為80.1%,富集因子為332.83,產(chǎn)率為73.8%,最終耗時為1.62 h,說明此多層虛擬篩選模型能夠準(zhǔn)確有效的在化學(xué)數(shù)據(jù)庫中篩選CDK2抑制劑。5、使用此模型從BindingDB,Pubchem以及NCI數(shù)據(jù)庫中篩選得到了6個苗頭化合物,在進(jìn)行分子動力學(xué)以及MM/PBSA自由能計算后,最終確定了2個與CDK2親和力強(qiáng),結(jié)合穩(wěn)定并具有新型母核結(jié)構(gòu)的化合物。結(jié)論:1、多層虛擬篩選方法由于將基于配體以及基于結(jié)構(gòu)的虛擬篩選方法結(jié)合到一起,而同時考慮并利用到了受體和配體的信息,使其在篩選的效率和準(zhǔn)確度上相比任何一個方法單獨使用有了很大的提高。2、最終篩選得到的兩個先導(dǎo)化合物MM/PBSA結(jié)合能計算結(jié)果和分子動力學(xué)結(jié)果與CDK2抑制劑Milciclib相似,說明這兩個化合物與Milciclib有著相似的結(jié)合模式,穩(wěn)定性以及親和能力。3、本實驗結(jié)果表明建立的多層虛擬篩選法能夠用來篩選CDK2抑制劑,篩選得到的化合物具有新型母核以及對CDK2蛋白具有高度的結(jié)合穩(wěn)定性以及親和力,進(jìn)一步開發(fā)該母核作為CDK2抑制劑具有很大的意義。
【學(xué)位單位】：中國醫(yī)科大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2019
【中圖分類】：R96
【部分圖文】：

中的抑制劑分別與 Ile10, Gly13, Val18, Lys33, Glu81, Phe82, Leu83, Gln85, Asp86,Lys89, Gln131 以及 Asp145 形成了各種相互作用。其中氨基酸殘基 Leu83 的二維條碼是最密集的，大多數(shù) CDK2 抑制劑均與 Leu83 形成相互作用，Glu81, Lys33Asp86 等氨基酸業(yè)余大部分 CDK2 抑制劑的基團(tuán)形成了很多重要的相互作用。每一組指紋均用一個字母表示其含義（-: 沒有形成作用 D: 側(cè)鏈氫鍵供體, A: 側(cè)鏈氫鍵受體, d: 骨架氫鍵供體, a:骨架氫鍵受體, O: 溶劑氫鍵, I:離子相互作用, C:表面接觸, 當(dāng)一個相互作用用了兩個條碼表示時，左邊的表示弱相互作用，右邊的表示強(qiáng)相互作用）。大多數(shù)化合物對 Leu83 和 Glu81 表現(xiàn)出強(qiáng)氫鍵相互作用，而對 Asp83 殘基形成的相互作用類型最多，包括側(cè)鏈氫鍵供體、骨架氫鍵受體、離子相互作用以及表面接觸�；谥讣y圖譜，最終生成了 4 個藥效團(tuán)，使用訓(xùn)練集中的化合物對四種藥效團(tuán)的預(yù)測能力進(jìn)行評價，評價結(jié)果如表 3 所示。3 號藥效團(tuán)成功預(yù)測了測試集中 267 個陽性化合物，擁有最高的產(chǎn)率 89.6%以及命中率12.5%。藥效團(tuán)模型雖然有區(qū)分陽性化合物以及陰性化合物的能力，但是也同時伴隨著較高的假陽性率，所以擬采用多層虛擬篩選法來解決藥效團(tuán)模型的缺點。

圖 2 A:指紋圖譜法生成的三號藥效團(tuán)，青色和紫色分別代表氫鍵供體和受體;B:藥效團(tuán)與疊加結(jié)構(gòu)的匹配表明，該藥效團(tuán)能較好地描述 66 種 CDK2 抑制劑取代基的疊加特征表 4 對生成的四種藥效團(tuán)進(jìn)行評價和驗證Pharmacophore models TP FP Yield (%) Hit rate (%)1 153 3740 51.3 4.092 235 2411 79.1 9.743 267 2127 89.6 12.54 227 3561 76.4 6.373.3 分子對接參數(shù)的確定以及驗證分子對接中對接參數(shù)的優(yōu)化以及打分函數(shù)的選擇被認(rèn)為是整個過程中對對接結(jié)果影響最大的步驟。PDB 數(shù)據(jù)庫中與 4-氨基-（2,6-二氟苯基）-2-【（4-磺胺基苯基）氨基】-1,3-噻唑-5-羧酰胺結(jié)合的 CDK2 蛋白復(fù)合物（PDB ID:3R9H），相

中國醫(yī)科大學(xué)碩士學(xué)位論文化合物分為 10 組。每組選取一個具有代表性的化合物進(jìn)行分子動力學(xué)實驗，驗證配體與受體的結(jié)合親和力，根據(jù)與重要氨基酸（Ile10，Gly13，Val18，Lys33，Glu81，Phe82，Leu83，Gln85，Asp86，Lys89，Gln131，Asp145）相互作用的數(shù)量和合成難易度。最后，選擇 6 個具有代表性的新型骨架的化合物進(jìn)行進(jìn)一步的分子動力學(xué)實驗（如圖 3 所示）。
【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 王存新;許先進(jìn);;基于分子對接的反向虛擬篩選方法[J];北京工業(yè)大學(xué)學(xué)報;2019年11期

2 張媛;劉雨桐;李達(dá);宋新蕊;周雪松;趙勇;;反向虛擬篩選平臺及應(yīng)用[J];生物信息學(xué);2015年04期

3 李悅青;黃雅俊;趙偉杰;王希誠;;氮雜茋衍生物靶向虛擬篩選研究[J];大連理工大學(xué)學(xué)報;2010年04期

4 詹冬玲;韓葳葳;劉景圣;;角鯊烯合成酶抑制劑的高通量虛擬篩選[J];吉林大學(xué)學(xué)報(理學(xué)版);2012年02期

5 馬貫軍;周曉紅;;新型乙酰膽堿酯酶抑制劑的設(shè)計與虛擬篩選[J];廣州化工;2011年14期

6 朱偉;陳可冀;徐筱杰;;計算機(jī)藥物虛擬篩選技術(shù)在中醫(yī)藥領(lǐng)域中的應(yīng)用前景[J];中國中西醫(yī)結(jié)合雜志;2007年03期

7 朱偉;羅頌平;;治療輸卵管阻塞性不孕的中藥多靶活性成分計算機(jī)虛擬篩選[J];時珍國醫(yī)國藥;2012年06期

8 周鵬;田菲菲;李波;吳世容;李志良;;一種基于遺傳算法的肽/蛋白質(zhì)結(jié)合模式虛擬篩選建模技術(shù)[J];化學(xué)學(xué)報;2006年07期

9 白啟峰;張洋;靳玲玲;姚小軍;;Schr?dinger藥物虛擬篩選流程模塊在大學(xué)生物和化學(xué)信息學(xué)教學(xué)中的應(yīng)用[J];大學(xué)化學(xué);2018年05期

10 李志堅;;基于迭代式MapReduce并行虛擬篩選的研究[J];佳木斯大學(xué)學(xué)報(自然科學(xué)版);2016年03期

相關(guān)博士學(xué)位論文 前10條

1 鄭夢竹;基于蛋白質(zhì)結(jié)構(gòu)的老藥新用策略發(fā)現(xiàn)靶向抗癌藥物[D];華中科技大學(xué);2018年

2 陳照強(qiáng);鹵鍵、碳?xì)浠罨悸?lián)機(jī)理的量子化學(xué)計算及藥物結(jié)合口袋的識別與應(yīng)用研究[D];中國科學(xué)院大學(xué)(中國科學(xué)院上海藥物研究所);2017年

3 李洪林;藥物發(fā)現(xiàn)及靶向虛擬篩選的算法與程序設(shè)計[D];大連理工大學(xué);2005年

4 曹冉;基于受體結(jié)構(gòu)的虛擬篩選在先導(dǎo)化合物發(fā)現(xiàn)中的應(yīng)用[D];天津大學(xué);2013年

5 胡國平;虛擬篩選方法評價和靶向HIV-1整合酶與人類LEDGF/p75蛋白相互作用界面的抑制劑發(fā)現(xiàn)研究[D];華東理工大學(xué);2012年

6 李明;基于分子對接的牛布氏桿菌蘇氨酰tRNA合成酶新型抑制劑的虛擬篩選及活性驗證[D];中國農(nóng)業(yè)科學(xué)院;2017年

7 朱景宇;新型PI3K抑制劑的計算機(jī)虛擬篩選及其在多發(fā)性骨髓瘤治療中的應(yīng)用[D];蘇州大學(xué);2014年

8 蔡超前;分子相似性的計算方法研究[D];華東理工大學(xué);2013年

9 張偉兵;PTP-MEG2小分子抑制劑的設(shè)計、合成、活性及動力學(xué)研究[D];天津醫(yī)科大學(xué);2015年

10 周慶同;生物相空間中的適配體和藥物虛擬篩選[D];中國科學(xué)技術(shù)大學(xué);2015年

相關(guān)碩士學(xué)位論文 前10條

1 王明陽;使用多層虛擬篩選方法篩選細(xì)胞周期素依賴性激酶-2抑制劑[D];中國醫(yī)科大學(xué);2019年

2 付尊蘊(yùn);基于深度學(xué)習(xí)的小分子虛擬篩選和反應(yīng)產(chǎn)率預(yù)測[D];中國科學(xué)院大學(xué)(中國科學(xué)院上海藥物研究所);2019年

3 李輝;姜黃屬藥材MDM2-p53靶向小分子抑制劑的虛擬篩選及先導(dǎo)化合物設(shè)計與合成[D];湖北中醫(yī)藥大學(xué);2019年

4 張玉萍;新型4-羥基喹啉類IDO1抑制劑的虛擬篩選及生物活性評價[D];重慶理工大學(xué);2019年

5 宋家蕊;針對三個靶點的抗耐藥結(jié)核先導(dǎo)化合物的虛擬篩選[D];蘭州大學(xué);2019年

6 黃閩輝;基于構(gòu)效關(guān)系的CCR5受體抑制劑的虛擬篩選及體外活性評價[D];南方醫(yī)科大學(xué);2019年

7 王卓亞;以疾病相關(guān)蛋白為靶點的計算機(jī)藥物虛擬篩選研究[D];蘭州大學(xué);2019年

8 李英豪;基于機(jī)器學(xué)習(xí)的虛擬篩選效率對比研究[D];中央民族大學(xué);2019年

9 徐芳明;基于P2Y_(12)受體晶體結(jié)構(gòu)的新型抗血小板聚集藥物的虛擬篩選和修飾合成[D];北京化工大學(xué);2018年

10 劉晨;FtsZ纖維解聚抑制劑的虛擬篩選及淫羊藿苷衍生物的設(shè)計、合成及抗菌活性評價[D];安徽醫(yī)科大學(xué);2018年

本文編號：2866998