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.     

5-HT3受体拮抗剂药效团模型的构建

以31个来源于MDDR数据库中具有抑制鼠Bezold-Jarisch反射作用的5-HT3受体拮抗剂作为训练集化合物, 构建5-HT3受体拮抗剂药效团模型. 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ED50范围为0.05~320 μg/kg i.v.. 利用Catalyst计算5-HT3受体拮抗剂的最优药效团由一个氢键受体、一个疏水基团、一个正电离子化基团、一个芳香环特征和6个排除体积组成; Fixed cost值、Null cost 值、Δcost值和Configuration cost值分别为112.6, 172.0, 59.4和7.248. 训练集化合物活性的计算值与实测值相关系数为0.9031, 偏差值为0.8976, 基于Fischer的交叉验证结果表明药效团模型具有较高的置信度, 所得药效团对训练集化合物活性值的预测结果显示有较好的预测能力, 可用于数据库搜索指导发现新的具有该活性的先导化合物, 也可用于中药或天然产物药物研究开发.     

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.     

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100μmol·L-1的化合物,进一步证明了所建药效团模型的有效性.     

人类腺苷受体A3亚型拮抗剂的构效关系分析

构建人类腺苷受体A3亚型药效团模型和三维蛋白结构模型用于作用模式研究.以18个来源于文献具有腺苷受体A3亚型拮抗活性的化合物作为训练集,使用HypoGen方法构建药效团模型.通过同源模建和分子动力学模拟构建了人类腺苷受体A3亚型的三维蛋白模型,并利用PROCHECK方法评估该模型的合理性,对所得的结构使用分子对接程序进行作用模式分析,药效团模型和同源模建结果相互匹配较好.使用新药效团模型对MDL药物数据库(MDDR)中包含的约120000个化合物进行虚拟筛选,得到了8个候选化合物,用于进一步的生物学评价和活性测定.本工作对于人类腺苷受体A3亚型拮抗剂的设计和抗哮喘药物的研发具有一定的理论指导和应用价值.     

糖原合成酶激酶抑制剂模型的建立

选取四类共89种活性较高的糖原合成酶激酶（GSK-3）抑制剂作为分子训练集，利用CATALYST系统，经构象分析，分子叠合等过程构建出药效团模型。筛选出具有一个氢键受体，一个芳香疏水中心，两个环芳香性的药效团模型 (weight=2.4,RMS=0.50, null cost- fixed cost =104, correlation coefficient=0.95)。该模型具有较强的预测活性能力，可用于优化分子结构，找到高效低毒的化合物。     

具有全新机理的DNA旋转酶抑制剂的筛选及抑菌活性

利用具有新机制的抗耐药菌DNA旋转酶抑制剂GSK299423与DNA旋转酶的晶体复合物(PDB code:2XCS)构建基于配体-受体复合物的药效团模型, 诱骗集(Decoy set)验证结果表明该药效团模型具有较强的活性识别能力. 将药效团模型与分子对接相结合用于筛选化合物库, 通过抑菌活性测定, 获得了具有抗多药耐药菌活性的DNA旋转酶抑制剂LTH02.     

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     

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.     

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。     

距离比较法构建M1受体激动剂药效团模型

在M1受体三维结构未知的情况下,利用距离比较法(DISCO)对24个具有Mi受体激动活性的化合物进行了研究,构建了Mi受体激动剂可能的药效团模型,为设计新M1受体激动剂提供了参考,并以此为提问结构在ACD数据库和中草药数据系统(TCMDB)中进行搜索,得到一系列结构新颖并可能具有Mi激动活性的化合物.     

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.     

人类免疫缺陷病毒整合酶二酮酸类抑制剂的三维药效团构建

应用遗传算法相似性程序(GASP), 以作用于I型人类免疫缺陷病毒(human immun-odeficiency virus type 1, HIV-1)整合酶(IN)的二酮酸类(diketoacids, DKAs)抑制剂构建药效团模型. 所选训练集分子均具有可靠的类药性特征及DKAs药效团特征. 尝试将抑制剂与药效团叠合后的构象和抑制剂与IN的对接构象进行叠合, 得到药效团模型与分子对接构象中IN残基的相对位置, 并基于抑制剂的药效团模型特征与周围IN氨基酸残基位置的匹配情况进行药效团特征的修改. 所得最优药效团由1个疏水特征、3对氢键特征和1个氢键供体特征组成. 该药效团的命中物质量(goodness of hit, GH)为0.56, 产出率(Y)达63.6%, 假阳性率(FP)为0.41%. 该药效团具有较好的置信度, 产出率较高而假阳性率较低, 可用于数据库搜索发现新的具有DKAs药效团特征的活性化合物, 也可为先导化合物的改造提供帮助.     

芳氧烷基哌嗪苯并(噁)唑类α1-受体拮抗剂的设计、合成及其3D-QSAR研究

结合α1 受体拮抗剂的构效关系和我们应用计算机辅助药物设计方法所构建的药效团模型 ,设计合成了 17个 1 ( 5 甲基 2 苯并唑甲基 ) 4 ( 2 取代芳氧乙基 )哌嗪类化合物 ,其结构均经1HNMR ,IR及MS (HRMS)确证 .初步生物活性测试表明 ,所合成的目标化合物多数具有较好的α1 受体拮抗活性 .3D QSAR研究为该类化合物的结构改造提供了理论依据 .     

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.     

基于药效团的三维数据库搜索

用表皮生长因子受体酪氨酸激酶抑制剂的药效团作为提问结构在三维数据库中进行了搜索.从得到的命中结构中挑选了12个化合物用柔性受体模型方法对其活性进行了预测, 发现有2个化合物具有一定的预测活性.这2个化合物可能具有酪氨酸激酶抑制剂的活性, 可能作为先导化合物进行结构优化.