基于虛擬篩選的3D QSAR藥效團設計CDC25B抑制劑

李 煜，晉文燕，李紅蓮，王潤玲，馬 英

（天津醫科大學藥學院，天津市臨床藥物關鍵技術重點實驗室，天津300070）

癌癥的特征是細胞周期會發生紊亂并且細胞會惡性增殖。2012年的癌癥患者約有1 410萬名，2014年導致我國人群期望壽命損失的疾病以癌癥為首，占比高達20.73%，癌癥患者發病率將在2020年前增至1 685萬[1]。因此，發現特異性抗癌藥物迫在眉睫。CDC25B是由細胞周期蛋白依賴性激酶去除磷酸鹽和進一步激活蛋白激酶復合物，從而影響細胞周期的進展。它通過調整CDK2/cyclin和CDK1/CyclinA在G2/M轉變中發揮重要作用。CDC25B在腫瘤組織中的表達水平是正常水平的3倍，這反過來又會促進腫瘤的生長。此外，研究表明CDC25B異常出現在乳腺癌、肺癌、頭頸癌等癌癥的癌細胞周期的早期階段[2]。細胞增殖水平異常已經涉及到許多人類癌癥。因此，CDC25B成為治療癌癥的潛在靶點。本研究利用計算機輔助藥物設計（CADD）的方法來設計CDC25B抑制劑。我們建立了CDC25B的3DQSAR藥效團模型篩選ZINC數據庫，得到先導化合物Zinc-09340418。隨后，對該化合物進行片段替換，通過虛擬篩選得到fitvalue高于7.7的化合物并對這些化合物進行ADME預測。利用柔性對接進一步篩選出對接得分高于ZINC 09340418的化合物。此研究發現6個潛在的CDC25B抑制劑。

1　材料和方法

1.1化合物的選擇和數據集的準備選取38個已報道的CDC25B抑制劑建立藥效團模型。訓練集的化合物滿足（1）至少有16個不同的抑制劑；（2）生物活性跨度至少是4個數量級。其中17個化合物（圖1）為訓練集，剩下的21個化合物（圖2）作為測試集構建藥效團模型。

1.2藥效團模型的構建和驗證利用DS中Hypogen算法構建藥效團模型[3]。HBA和HBD的數量分別設定為1-2，HYP的數量設置為2-3,Uncert設為2。產生的藥效團模型用fixed cost,null cost和total cost來進行評估。用cost analyses,test sets prediction和Fischer randomization驗證藥效團的可靠性[4]。

圖1　CDC25B抑制劑的17個訓練集化合物分子結構Fig 1　Chemical structures of 17 training set compounds for CDC25B

圖2　CDC25B抑制劑的21個測試集化合物分子結構Fig 2 Chemical structures of 21 test set compounds for CDC25B

1.3虛擬篩選和片段替換對ZINC數據庫進行虛擬篩選，篩選出fit value高于7.7的化合物，得到Zinc-09340418。利用‘Replace Fragment’替換該化合物的片段[5]，對得到的新化合物進行藥效團篩選，得到fit value高的化合物。對這些化合物進行ADME預測，篩選出符合利平斯基的成藥五規則化合物。

1.4柔性對接DS中的Flexible Docking來分析配體和靶蛋白之間的相互作用。第一步，通過“Clean protein”工具對 CDC25B（PDB ID：1cwt）進行蛋白準備[6]。第二步是使用chiflex計算受體構象能量[7]。第三步是配體準備。第四步是定義活性位點，包含Leu398,Glu431,Glu446,Cys473,Glu474,Phe475,Ser476,Ser477,Glu478,Arg 479,Arg482,Cys484[8-11]。第五步是使用ChiRotor[12]細化蛋白質側鏈。第六步是用Flexible Docking進行分子對接。

2　結果

2.1藥效團模型和驗證藥效團模型的優劣判斷主要是依據RMS、Correation coefficient Configuration cost值以及△cost值（Null cost與Total cost的差值）。利用DS中HypoGen算法產生10個CDC25B抑制劑的藥效團模型，所得結果如表1所示。Hypo-1-CDC25B為最好的模型，包含1個HBA，HBD，一個HYP和1個RA。用Fischer randomization方法驗證該藥效團的可靠性。

表1　HypoGen算法產生的10個CDC25B抑制劑的藥效團模型的結果Tab 1 Results obtained from pharmacophore hypotheses generation using the training set molecules of CDC25B

2.2虛擬篩選利用ZINC數據庫的虛擬篩選技術，得到fit value高的化合物Zinc-09340418。以Zinc-09340418為先導化合物進行片段替換（圖3）,發現具有高抑制活性和良好fit value值的化合物。這些化合物用利平斯基的五法則進一步篩選，最后26個化合物對接研究。與Zinc-09340418相比，26個化合物具有較高的fit value。以compound1為代表，Zinc-09340418和 compound1在 Hypo-1-CDC25B模型中的結合模式見圖4。Zinc-09340418和compound1能與藥效特征（氫鍵受體、氫鍵給體、疏水基團、芳環中心）對應。

圖3　A通過數據庫篩選進行片段替換Fig 3 A was replaced by searching the fragment libraries

圖4　ZINC09340418和compound1與CDC25B藥效團模型的結合圖Fig 4 Illustration to show the pharmacophore model of CDC25B generated by Hypogen and the conformation obtained by docking ZINC09340418 and compound 1,respectively,to CDC25B

2.3柔性對接把26個化合物對接到CDC25B蛋白結合口袋。以Zinc-09340418與受體復合物的結合能為基準（-CDOCKER ENERGY=38.6714）選出6個對接得分高于Zinc-09340418的化合物（圖5），表2是6個化合物的對接得分以及ADME參數值。通過對接模擬得到的受體-配體相互作用的結果表明，配體與受體結合的關鍵殘基與以前的報告完全一致。圖6A是compound1對接到CDC25B活性位點的2D圖。圖6B是Zinc-09340418對接到CDC25B活性位點的2D圖。而compound1不僅產生了相同的范德瓦爾斯與疏水相互作用，還多產生了一個Pi相互作用和疏水作用。Compound1與Zinc-09340418相比多了一個芳香環。

圖56　個潛在的CDC25B抑制劑的分子結構Fig 5 Six potential inhibitors against PTP1B and CDC25B

圖6　化合物1和ZINC 09340418對接到CDC25B(1CWT)活性位點的2D圖Fig 6 Illustration to show 2D diagram of compound 1 and ZINC 09340418dockedintotheactivesiteoftheCDC25B(1CWT)

表2　按對接得分排名的前6個合物與CDC25B的對接得分及其他參數Tab 2 The 6 compounds ranked roughly according to the strength of their docking scores to the CDC25B

3　討論

本研究的目的是發現新型有效的抗癌藥物。我們使用新技術 “Hypogen”構建藥效團模型Hypo-1-CDC25B。隨后，滿足利平斯基成藥五規則的26個化合物是通過對ZINC數據庫的虛擬篩選得到。基于藥效基團的虛擬篩選和對接分析后，選出得分最高的前6個化合物。與ZINC 09340418相比，compound1不僅有相似的功能，在對接中有更好的結合構象。6個化合物可能成為潛在的候選藥物，這一發現提供一種對抗癌癥的很有前途的方法。

參考文獻:

[1]蔡玥，孟群，王才有，等.2015-2020年我國居民預期壽命測算及影響因素分析[J]．中國衛生統計,2016,33(8)：2

[2]Sasaki H,Yukiue H,Kobayashi Y,et al.Expression of the cdc25B gene as a prognosis marker in non-small cell lung cancer[J].Cancer letters,2001,173(2):187

[3]Garg D,Gandhi T,Mohan C G.Exploring QSTR and toxicophore of hERG K+channel blockers using GFA and HypoGen techniques[J].J Mol Graph Mode,2008,26(6):966

[4]Kumar R,Son M,Bavi R,et al.Novel chemical scaffolds of the tumor marker AKR1B10 inhibitors discovered by 3D QSAR pharmacophore modeling[J].Acta Pharmacol Sin,2015,36(8):998

[5]Gangwal R P,Das N R,Thanki K,et al.Identification of p38 alpha MAP kinase inhibitors by pharmacophore based virtual screening[J].J Mol Graph Mode,2014,49：18

[6]Ma Y,Jin Y Y,Wang Y L,et al.The discovery of a novel and selective inhibitor of PTP1B over TCPTP:3D QSAR pharmacophore modeling,virtual screening,synthesis,and biological evaluation[J].Chem Drug Design,2014,83(6):697

[7]Spassov V Z,Yan L,Flook P K.The dominant role of side-chain backbone interactions in structural realization of amino acid code.ChiRotor:A side-chain prediction algorithm based on side-chain backbone interactions[J].Protein Sci,2007,16,(3):494

[8]Martin K R,Narang P，Medina-Franco J L,et al.Integrating virtual and biochemical screening for protein tyrosine phosphatase inhibitor discovery[J].Methods,2014,65(2):219

[9]Lavecchia A Di,Giovanni C,Pesapane A,et al.Discovery of new inhibitors of Cdc25B dual specificity phosphatases by structurebased virtual screening[J].J Med Chem,2012,55(9):4142

[10]Huang N,Kalyanaraman C,Bernacki K,et al.Molecular mechanics methods for predicting protein-ligand binding[J].PCCP,2006,8(44):5166

[11]Braud E,Goddard M L,Kolb S,et al.Novel naphthoquinone and quinolinedione inhibitors of CDC25 phosphatase activity with antiproliferativeproperties[J].BioorgMedChem,2008,16(19):9040

[12]Spassov V Z,Yan L,Flook P K.The dominant role of side-chain backbone interactions in structural realization of amino acid code.ChiRotor:a side-chain prediction algorithm based on side-chain backbone interactions[J].Protein Sci,2007,16(3):494