發(fā)布時間：2020-11-02 11:36

　　 目的:細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期而影響整個細胞周期進程。CDK2作為CDKS的催化亞基,對主要負責有絲分裂以及DNA復制的G1-S期的調(diào)控作用較強,多種癌癥中均發(fā)現(xiàn)CDK2的異常表達而導致細胞周期紊亂的情況。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構,抗腫瘤活性強的CDK2抑制劑。方法:通過建立基于配體以及基于結構相結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,再通過分子動力學以及MM/PBSA自由能計算選擇其中對蛋白結合最穩(wěn)定,親和力最強的先導化合物。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(SVM),蛋白配體指紋圖譜(PLIF)藥效團以及分子對接。分子動力學主要包括RMSD結合穩(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結合自由能。結果:1、使用LibSVM建立的SVM模型再進行參數(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,訓練集和測試集的預測的總體準確率最好,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,其中藥效團3對訓練集的產(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的計算結果表明:GOLD對接中的Chemscore打分函數(shù)能夠真實的反應CDK2與配體結合的真實情況,將Chemscore打分閾值設置成-7的時候,在該打分函數(shù)下能夠對測試集擁有較低的假陽性率和較高的總體準確率。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確有效的在化學數(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,在進行分子動力學以及MM/PBSA自由能計算后,最終確定了2個與CDK2親和力強,結合穩(wěn)定并具有新型母核結構的化合物。結論:1、多層虛擬篩選方法由于將基于配體以及基于結構的虛擬篩選方法結合到一起,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化合物MM/PBSA結合能計算結果和分子動力學結果與CDK2抑制劑Milciclib相似,說明這兩個化合物與Milciclib有著相似的結合模式,穩(wěn)定性以及親和能力。3、本實驗結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蛋白具有高度的結合穩(wěn)定性以及親和力,進一步開發(fā)該母核作為CDK2抑制劑具有很大的意義。
【學位單位】：中國醫(yī)科大學
【學位級別】：碩士
【學位年份】：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: 側鏈氫鍵供體, A: 側鏈氫鍵受體, 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，右邊的表示強相互作用）。大多數(shù)化合物對 Leu83 和 Glu81 表現(xiàn)出強氫鍵相互作用，而對 Asp83 殘基形成的相互作用類型最多，包括側鏈氫鍵供體、骨架氫鍵受體、離子相互作用以及表面接觸。基于指紋圖譜，最終生成了 4 個藥效團，使用訓練集中的化合物對四種藥效團的預測能力進行評價，評價結果如表 3 所示。3 號藥效團成功預測了測試集中 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模型的缺點。

圖 2 A:指紋圖譜法生成的三號藥效團，青色和紫色分別代表氫鍵供體和受體;B:藥效團與疊加結構的匹配表明，該藥效團能較好地描述 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進行評價和驗證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)的選擇被認為是整個過程中對對接結果影響最大的步驟。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-羧酰胺結合的 CDK2 蛋白復合物（PDB ID:3R9H），相

中國醫(yī)科大學碩士學位論文化合物分為 10 組。每組選取一個具有代表性的化合物進行分子動力學實驗，驗證配體與受體的結合親和力，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行進一步的分子動力學實驗（如圖 3 所示）。
【相似文獻】

相關期刊論文 前10條

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

2 張媛;劉雨桐;李達;宋新蕊;周雪松;趙勇;;反向虛擬篩選平臺及應用[J];生物信息學;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];大連理工大學學報;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];吉林大學學報(理學版);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;;計算機藥物虛擬篩選技術在中醫(yī)藥領域中的應用前景[J];中國中西醫(yī)結合雜志;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/蛋白質結合模式虛擬篩選建模技術[J];化學學報;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生物和化學信息學教學中的應用[J];大學化學;2018年05期

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

相關博士學位論文 前10條

1 鄭夢竹;基于蛋白質結構的老藥新用策略發(fā)現(xiàn)靶向抗癌藥物[D];華中科技大學;2018年

2 陳照強;鹵鍵、碳氫活化偶聯(lián)機理的量子化學計算及藥物結合口袋的識別與應用研究[D];中國科學院大學(中國科學院上海藥物研究所);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計[D];大連理工大學;2005年

4 曹冉;基于受體結構的虛擬篩選在先導化合物發(fā)現(xiàn)中的應用[D];天津大學;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;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)科學院;2017年

7 朱景宇;新型PI3K抑制劑的計算機虛擬篩選及其在多發(fā)性骨髓瘤治療中的應用[D];蘇州大學;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;2013年

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

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

相關碩士學位論文 前10條

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

2 付尊蘊;基于深度學習的小分子虛擬篩選和反應產(chǎn)率預測[D];中國科學院大學(中國科學院上海藥物研究所);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化合物設計與合成[D];湖北中醫(yī)藥大學;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;2019年

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

6 黃閩輝;基于構效關系的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;2019年

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

8 李英豪;基于機器學習的虛擬篩選效率對比研究[D];中央民族大學;2019年

9 徐芳明;基于P2Y_(12)受體晶體結構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;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計、合成及抗菌活性評價[D];安徽醫(yī)科大學;2018年

本文編號：2866998