ω-芋螺毒素的定量構(gòu)效關(guān)系與虛擬篩選

丁俊杰 丁曉琴 李大禹 潘 里 陳冀勝

(北京藥物化學(xué)研究所,國民核生化災(zāi)害防護(hù)國家重點(diǎn)實(shí)驗(yàn)室,北京102205)

1 引言

ω-芋螺毒素是從各種食魚芋螺中提取的生物活性多肽,由24到31個氨基酸殘基組成,對N-型或P/Q-型電壓敏感的鈣離子通道(VGCCs)具有很好的選擇性,1-3已成為神經(jīng)生物學(xué)、分子遺傳學(xué)、藥理學(xué)、藥物化學(xué)的研究熱點(diǎn).ω-芋螺毒素MVIIA和GVIA是N-型VGCCs的選擇性拮抗劑,具有神經(jīng)保護(hù)和止痛作用,4,5已被作為先導(dǎo)化合物進(jìn)行研究開發(fā).6,7MVIIA的合成替代品齊考諾肽(SNX-III,Ziconotide)8療效好、不成癮,是第一個上市的多肽類N-型VGCC拮抗劑鎮(zhèn)痛藥物,也是唯一一個非阿片類鞘內(nèi)止痛劑.9,10ω-芋螺毒素MVIIC與P/Q-型VGCCs結(jié)合,具有很強(qiáng)的致死性,可作為P/Q-型VGCCs的診斷探針.11ω-芋螺毒素能直接干擾神經(jīng)元VGCCs的正常功能,在特異診斷試劑和新藥研制開發(fā)方面具有巨大的應(yīng)用前景.12-15

目前,計算機(jī)輔助藥物設(shè)計已經(jīng)向?qū)嵱没较蜻~進(jìn),16-18成為藥物設(shè)計和開發(fā)的重要手段之一.但多肽類化合物由于分子量大、結(jié)構(gòu)復(fù)雜、柔性較高,對其進(jìn)行定量構(gòu)效關(guān)系(QSAR)和計算機(jī)輔助分子設(shè)計一直是亟待解決的難題之一.19-23本文采用本課題組建立的新型多肽QSAR研究方法,24對ω-芋螺毒素多肽類似物進(jìn)行了QSAR研究,分別建立N-型和P/Q-型VGCC拮抗劑的QSAR模型.在此研究的基礎(chǔ)上,設(shè)計了VGCC拮抗劑虛擬組合多肽庫.由于ω-芋螺毒素與VGCCs的作用位點(diǎn)及相互作用模式還未有文獻(xiàn)報道,25因此我們采用基于配體的虛擬篩選方法,篩選出了一批高活性、高選擇性的可供合成評價的多肽類似物.目前,還未見有關(guān)ω-芋螺毒素多肽QSAR和虛擬篩選的研究工作報道.

2 理論方法

2.1 QSAR模型建立

采用本課題組建立的多肽QSAR研究方法,對多肽類似物中變化的7個氨基酸殘基采用描述符c(c1,c2,c3)-scales進(jìn)行定量描述,按序列形成一個多肽分子的結(jié)構(gòu)描述矩陣,再應(yīng)用遺傳偏最小二乘法(G/PLS),建立N-型和P/Q-型VGCC拮抗劑的QSAR方程.遺傳算法的種群設(shè)為100,進(jìn)化5000次,方程的項(xiàng)數(shù)設(shè)為5-20,偏最小二乘法的主成分?jǐn)?shù)設(shè)為2-4,分別建立兩種亞型的VGCC拮抗劑QSAR模型.經(jīng)過多次平行計算,在每一個計算條件下,篩選出較優(yōu)的QSAR模型.為了對7個變化的殘基進(jìn)行詳細(xì)的QSAR研究,又將方程的項(xiàng)數(shù)設(shè)為22,其中包含一個常數(shù)項(xiàng)和21個c-scales定量描述參數(shù),建立一個包含所有7個殘基定量描述參數(shù)的QSAR模型.

2.2 虛擬組合多肽庫構(gòu)建

建立一個理想的虛擬組合化學(xué)集中庫,應(yīng)該包括盡可能多的所期望的化學(xué)結(jié)構(gòu),同時在滿足一定分子多樣性的前提下,盡量減小庫的規(guī)模,28因此模板分子、取代位置及取代基團(tuán)的化學(xué)結(jié)構(gòu)的選擇就成為虛擬化學(xué)庫構(gòu)建的關(guān)鍵.本文選用MVIIA和MVIIC分別作為N-型和P/Q-型VGCC拮抗劑虛擬庫的模板分子,取代位點(diǎn)為兩個模板分子氨基酸序列不同的位置,分別為6個和7個.

選取軟件Cerius2提供的182個天然和非天然氨基酸結(jié)構(gòu),組成一個氨基酸殘基碎片庫.采用MOPAC6.0中的PM3方法,進(jìn)行構(gòu)象優(yōu)化后,應(yīng)用氨基酸結(jié)構(gòu)描述符c1,c2,c3-scales對氨基酸結(jié)構(gòu)進(jìn)行定量描述.依據(jù)各個取代位點(diǎn)對構(gòu)效關(guān)系的影響,分別采用相似性比較法、聚類分析方法和分子多樣性選取法,確定每個取代位點(diǎn)的殘基結(jié)構(gòu),取代基團(tuán)的個數(shù)定在2-4個不等.在Cerius2的COMBICHEM I模塊下,構(gòu)建虛擬組合多肽庫.

相似性比較法的原理是,在一定的性質(zhì)空間里,根據(jù)某種距離函數(shù)計算出探針分子與其它分子間的距離,距離越小的分子與探針分子越相似.本文采用歐幾里得的距離函數(shù)(Euclidean)29(見公式(1)),進(jìn)行相似性比較計算,選取與探針分子結(jié)構(gòu)最相似的氨基酸結(jié)構(gòu).

分子多樣性選取法采用以距離為基礎(chǔ)的最大差值(MaxMin)度量法29(見公式(2)),計算出與模板氨基酸結(jié)構(gòu)差異性最大的幾個氨基酸殘基.

表1 訓(xùn)練集(Nos.1-16)和測試集(Nos.17-20)的氨基酸序列及生物活性實(shí)驗(yàn)值和預(yù)測值Table 1 Amino acid sequences of training set(Nos.1-16)and test set(Nos.17-20)and observed and calculated activities

其中,Dij表示探針分子與相似性分子間的距離,Xik和Xjk表示探針分子和相似性分子的第k個描述符.

2.3 虛擬組合多肽庫分析

對虛擬庫中的多肽分子進(jìn)行構(gòu)象優(yōu)化,構(gòu)象優(yōu)化方法同2.1節(jié).然后對多肽分子進(jìn)行定量結(jié)構(gòu)描述.選擇了圖形信息參數(shù)、結(jié)構(gòu)參數(shù)(可旋轉(zhuǎn)鍵數(shù)、氫鍵供體數(shù)、氫鍵受體數(shù)、分子量)、熱力學(xué)參數(shù)(油水分配系數(shù))、拓?fù)鋮?shù)(分子柔性指數(shù)、Kappa分子形狀指數(shù)、子圖形指數(shù)、Chi連接指數(shù)、Wiener指數(shù)、Balaban指數(shù)、Zagreb指數(shù))等共39個參數(shù).應(yīng)用主成分分析法(PCA)對數(shù)據(jù)庫中所有39個參數(shù)進(jìn)行主成分分析,提取前3個主要成分作為參數(shù)表征.

采用階層式聚類分析方法(HCA)對數(shù)據(jù)庫進(jìn)行分析.階層式聚類分析是對所有分子結(jié)構(gòu)的參數(shù)空間進(jìn)行距離運(yùn)算,數(shù)值最近的進(jìn)行組合,并計算出目標(biāo)函數(shù)值來表征類差異,本文采用距離算數(shù)平均值方法計算目標(biāo)函數(shù)值(見公式(3)).

其中,d(A,B)表示類A與類B間的最小距離;dij表示分子i和分子j間的距離;nA和nB表示類A和類B中包含的分子個數(shù).

2.4 虛擬篩選

虛擬篩選就是計算預(yù)測化合物的一些性質(zhì),從而篩選出符合一定結(jié)構(gòu)要求的化合物.虛擬篩選方法大致可以分為兩類,即基于配體結(jié)構(gòu)和基于靶標(biāo)結(jié)構(gòu)的虛擬篩選方法.18,30,31本文將采用QSAR模型預(yù)測和相似性搜索兩種方法,對虛擬組合多肽庫進(jìn)行虛擬篩選.

QSAR模型預(yù)測采用多個QSAR方程預(yù)測平均值的方法.在建立的QSAR方程中,分別選取預(yù)測能力較好的前15個方程,組成N-型和P/Q-型VGCC拮抗劑QSAR預(yù)測方程組.對虛擬庫中的多肽分子,分別應(yīng)用氨基酸結(jié)構(gòu)描述符c1,c2,c3-scales進(jìn)行定量結(jié)構(gòu)描述,然后分別應(yīng)用N-型和P/Q-型QSAR方程組,對數(shù)據(jù)庫中的化合物進(jìn)行生物活性預(yù)測.每個化合物的最終預(yù)測生物活性采用15個方程預(yù)測結(jié)果的平均值.

相似性比較法采用歐幾里得的距離函數(shù)進(jìn)行計算.N-型和P/Q-型VGCC拮抗劑數(shù)據(jù)庫的探針分子分別為MVIIA和MVIIC,多肽分子結(jié)構(gòu)采用39個參數(shù)主成分分析的前三個主要成分進(jìn)行定量描述.

3 結(jié)果與討論

3.1 ω-芋螺毒素的QSAR研究

ω-芋螺毒素含有6個半胱氨酸,形成3對交叉的二硫鍵和4個loop結(jié)構(gòu),32具有一個保守的抑制劑半胱氨酸繩結(jié)結(jié)構(gòu),即由幾個轉(zhuǎn)角連接的三股反平行β-折疊和三個二硫鍵組成,此結(jié)構(gòu)決定了ω-芋螺毒素的剛性骨架.33本文的訓(xùn)練集和測試集分子是在保留3對二硫鍵結(jié)構(gòu)的基礎(chǔ)上,進(jìn)行幾個氨基酸殘基突變,因此多肽分子構(gòu)象優(yōu)化后,不會對分子整體構(gòu)象產(chǎn)生較大影響,仍保持此剛性骨架結(jié)構(gòu).

ω-芋螺毒素MVIIA和MVIIC在序列上具有高度的相似性,由Discovery Studio(DS)軟件的Sequence Analysis模塊測得,兩者的序列相似性為73.1%.但是MVIIA選擇性地作用于N-型VGCCs,MVIIC主要作用于P/Q-型VGCCs,當(dāng)濃度高于某一閾值時也作用于N-型.34為了設(shè)計高活性、高選擇性的多肽類似物,本文分別建立N-型和P/Q-型ω-芋螺毒素的QSAR模型.應(yīng)用氨基酸殘基結(jié)構(gòu)描述符c1,c2,c3-scales和G/PLS算法,分別產(chǎn)生了48個不同方程項(xiàng)數(shù)和主成分?jǐn)?shù)的N-型和P/Q-型VGCCs的QSAR方程.為了減少單個QSAR方程造成的誤差,以及盡量包含所有變化的7個殘基結(jié)構(gòu)對QSAR方程的影響,我們篩選出預(yù)測能力和擬合能力較好的前15個方程,組成QSAR預(yù)測方程組,用于多肽類似物的生物活性預(yù)測.QSAR方程組中的每個方程均有較好的擬合能力和預(yù)測能力,交叉驗(yàn)證相關(guān)系數(shù)(CV-r2)和相關(guān)系數(shù)(r2)都在0.89以上.

訓(xùn)練集和測試集化合物的實(shí)驗(yàn)活性、預(yù)測活性和預(yù)測偏差結(jié)果見表1,預(yù)測值為15個QSAR方程的預(yù)測平均值,N-型和P/Q-型VGCCs的生物活性實(shí)驗(yàn)值與預(yù)測值的相關(guān)系數(shù)分別為0.976和0.991,相關(guān)圖見圖1.可見兩種亞型的QSAR方程組均有較好的預(yù)測能力.為了驗(yàn)證所建立的QSAR方程組的可靠性,選擇生物活性數(shù)據(jù)與訓(xùn)練集來源一致的4個天然ω-芋螺毒素,CVIA、CVIB、CVIC和CVID作為測試集.其中,CVIA和CVID為選擇性的N-型VGCC拮抗劑,CVIB和CVIC選擇性不高,即作用于N-型,又作用于P/Q-型VGCCs.雖然4個測試集化合物與訓(xùn)練集化合物的序列相似性較低,但均具有較小的預(yù)測偏差,能夠較好地反映出作用于N-型和P/Q-型VGCCs的差別.由于有兩個測試集化合物的第三位殘基與訓(xùn)練集不同,特別是CVID具有27個氨基酸殘基,較其它類似物多1-2個殘基,QSAR預(yù)測模型沒有考慮進(jìn)去,因此其預(yù)測的偏差較高一些.但是,本文構(gòu)建的虛擬庫,多肽分子均是針對訓(xùn)練集中變化的7個殘基進(jìn)行的結(jié)構(gòu)改造,因此建立的QSAR方程組可以為數(shù)據(jù)庫的虛擬篩選提供有效的篩選模型.

圖1 N-型(A)和P/Q-型(B)VGCC拮抗劑訓(xùn)練集實(shí)驗(yàn)活性與計算活性相關(guān)圖Fig.1 Plots of the observed and calculated activities of training set of N-type(A)and P/Q-type(B)VGCC antagonists

為了詳細(xì)地研究ω-芋螺毒素中變化的氨基酸殘基對VGCCs生物活性和選擇性的影響,我們對包含所有7個殘基定量描述參數(shù)的QSAR模型進(jìn)行了細(xì)致地分析.篩選出方程長度是22條件下的最優(yōu)模型,偏最小二乘法的主成分?jǐn)?shù)為4,N-型和P/Q-型VGCC拮抗劑的QSAR方程的r2分別為0.953和0.983,CV-r2分別為0.901和0.961,QSAR方程的系數(shù)權(quán)重圖見圖2.由權(quán)重圖的分析結(jié)果可見,位于loop2中第9位和loop4中第23位殘基對活性的影響最大,其次是loop2中的10位、11位和loop4中的21位,loop2中的殘基結(jié)構(gòu)在ω-芋螺毒素選擇性中起到關(guān)鍵作用.此結(jié)論與文獻(xiàn)報道的實(shí)驗(yàn)結(jié)果35-37一致.與N-型和P/Q-型VGCCs結(jié)合的ω-芋螺毒素類似物,第9、10、11、21、23位氨基酸的c1,c2,c3-scales的方程系數(shù)正負(fù)值截然相反.氨基酸結(jié)構(gòu)描述符c-scales是殘基的整體描述參數(shù),與分子立體形狀、電子信息和分子構(gòu)象密切相關(guān),能定量地描述天然和非天然氨基酸二維和三維結(jié)構(gòu)性質(zhì).24例如,方程系數(shù)較大的第9和23位殘基,與N-型VGCCs結(jié)合的多肽類似物,c1,c2-scales的方程系數(shù)均為負(fù)值,c3-scales為正值,而與P/Q-型VGCCs結(jié)合的類似物,c1,c2-scales的方程系數(shù)均為正值,c3-scales的方程系數(shù)均為負(fù)值.化合物3對N-型VGCCs具有很高的選擇性,它的9位Ser和23位Gly的c1,c2-scales描述符為較大的負(fù)值,而化合物13對P/Q-型VGCCs具有較高的結(jié)合活性,它的9位和23位均為Arg,Arg的c1,c2-scales描述符都是較大的正值.

圖2 N-型和P/Q-型VGCC拮抗劑QSAR方程的c-scales系數(shù)圖Fig.2 Plots of the c-scales coefficients of the QSAR equations of N-type and P/Q-type VGCC antagonists

定量構(gòu)效關(guān)系研究結(jié)果可以為我們設(shè)計新型的N-型和P/Q-型VGCC拮抗劑提供重要的理論依據(jù),并為進(jìn)一步建立其虛擬組合多肽庫提供有意義的構(gòu)效關(guān)系信息.

3.2 虛擬組合多肽庫構(gòu)建

ω-芋螺毒素具有保守的剛性骨架結(jié)構(gòu),但是4個loop區(qū)里氨基酸殘基變化,導(dǎo)致了它們作用于不同的靶標(biāo)結(jié)構(gòu).38MVIIA與MVIIC分別由25和26個氨基酸殘基組成,由于MVIIA與MVIIC相比,在第21位處少一個殘基,因此以MVIIA骨架結(jié)構(gòu)為基礎(chǔ),N-型VGCC拮抗劑虛擬多肽庫模板分子取代基團(tuán)為6個,取代基團(tuán)位置在7、9、10、11、17、23位,分別命名為R1-R6,見圖3(A).以MVIIC為模板分子的P/Q-型VGCC拮抗劑虛擬庫取代基團(tuán)為7個,取代位置在7、9、10、11、17、21、23位,命名為R1-R7,見圖3(B).在保持ω-芋螺毒素骨架結(jié)構(gòu)的基礎(chǔ)上,構(gòu)建虛擬多肽庫.

應(yīng)用氨基酸結(jié)構(gòu)描述符c1,c2,c3-scales對182個氨基酸組成的碎片庫,進(jìn)行定量描述.據(jù)定量構(gòu)效關(guān)系研究結(jié)果和文獻(xiàn)報道,第9、23、11、21、7位氨基酸殘基是決定ω-芋螺毒素選擇性的關(guān)鍵基團(tuán),36,39-41因此采用相似性比較計算方法,選取與探針分子結(jié)構(gòu)最相似的3個氨基酸殘基作為取代基團(tuán).考慮到虛擬化學(xué)庫的多樣性,其它取代位置的殘基分別采用聚類分析方法和以距離為基礎(chǔ)的多樣性選取法.第10位殘基采用聚類分析的方法,把氨基酸碎片庫分成三類,從每類中選取一個有代表性的氨基酸碎片.因?yàn)榈?0位氨基酸殘基也是影響構(gòu)效關(guān)系的關(guān)鍵殘基,因此同時采用相似性比較法,選取1個與模板的殘基結(jié)構(gòu)最相似的分子.第17位采用分子多樣性選取法,計算出182個碎片庫中結(jié)構(gòu)差異最大的2-3個殘基作為取代基團(tuán).兩個虛擬組合多肽庫中各個取代位點(diǎn)的殘基結(jié)構(gòu)見圖4.

圖3 N-型(A)和P/Q-型(B)VGCC拮抗劑虛擬多肽庫模板分子結(jié)構(gòu)和取代位置Fig.3 Template molecule structures and substitution positions of N-type(A)and P/Q-type(B)VGCC antagonist virtual libraries

考慮到丙氨酸替換對ω-芋螺毒素構(gòu)效關(guān)系的影響,在保留多肽分子中的二硫鍵不變的前提下,又建立了兩個丙氨酸替換補(bǔ)充庫,模板分子和取代位點(diǎn)與兩個集中虛擬庫相同.

分別把取代基團(tuán)排列組合加載到各自的模板分子中,這樣構(gòu)建出容量分別為1036和1208個多肽分子的N-型和P/Q-型VGCC拮抗劑虛擬組合多肽庫.

3.3 虛擬組合多肽庫分析

圖4 虛擬多肽庫中各個取代位點(diǎn)的氨基酸殘基結(jié)構(gòu)Fig.4 Amino acid residue structures of substitution positions in virtual polypeptide libraries

為了分析虛擬組合多肽庫中分子結(jié)構(gòu)的差異性和多樣性,對數(shù)據(jù)庫進(jìn)行了主成分分析和階層式聚類分析.數(shù)據(jù)庫中每個多肽分子采用39個參數(shù)進(jìn)行定量結(jié)構(gòu)描述,應(yīng)用主成分分析法,提取出的前3個主要成分作為參數(shù)表征,兩個庫的前3個主要成分分別可以代表所有參數(shù)的92.59%和91.95%.主成分分析的前三個主要成分的三維空間分布見圖5,由計算結(jié)果可見,數(shù)據(jù)庫中的化合物都較均勻地分布于結(jié)構(gòu)參數(shù)的3D空間中,說明所構(gòu)建的數(shù)據(jù)庫分子結(jié)構(gòu)具有一定的多樣性和差異性.

為了進(jìn)一步對數(shù)據(jù)庫中的化合物進(jìn)行分析,我們對數(shù)據(jù)庫中的化合物進(jìn)行了階層式聚類分析.階層式聚類分析就是根據(jù)化合物的目標(biāo)函數(shù)值,即類與類間的最小距離,把它們分成不同的層次結(jié)構(gòu),然后通過類的個數(shù)把化合物集合分成不同的類,因此它可以顯示出數(shù)據(jù)庫的分布情況.采用系統(tǒng)樹圖的方法顯示聚類分析的結(jié)果,由N-型和P/Q-型兩個虛擬庫的聚類分析圖可知(見圖6),兩個數(shù)據(jù)庫分別能分成600多類和200多類,而且類與類之間的距離分布差別較大,說明數(shù)據(jù)庫中的化合物具有較好的結(jié)構(gòu)差異性和多樣性.

3.4 虛擬篩選

分別應(yīng)用N-型和P/Q-型VGCC拮抗劑QSAR方程組,對兩個數(shù)據(jù)庫中化合物進(jìn)行生物活性預(yù)測.在對N-型數(shù)據(jù)庫篩選中,預(yù)測出對N-型VGCCs的結(jié)合活性高于MVIIA的化合物47個,且它們對P/Q-型 VGCCs的結(jié)合活性(單位為 nmol?L-1)均在5.76-6.42之間.預(yù)測出對N-型VGCCs結(jié)合活性高于9.00的化合物276個,而對P/Q-型VGCCs的結(jié)合活性都在7.5以下.在對P/Q-型虛擬庫篩選中,得到對P/Q-型VGCCs的結(jié)合活性高于9.50的化合物322個,對N-型VGCCs的結(jié)合活性都在7.30以下,預(yù)測活性和選擇性均好于MVIIC.由于MVIIA只作用于N-型VGCCs,而MVIIC主要作用于P/Q-型,也作用于N-型,因此MVIIC的選擇性沒有MVIIA強(qiáng).所以我們建立的P/Q-型VGCC拮抗劑虛擬庫中大部分化合物,預(yù)測出的對P/Q-型VGCCs的結(jié)合活性都高于MVIIC.通過對兩個多肽數(shù)據(jù)庫的活性預(yù)測分析可見,兩個數(shù)據(jù)庫中的多肽分子均具有較好的選擇性.

圖5 虛擬多肽庫主成分分析的前三個主要成分三維空間分布Fig.5 Three-dimensiona space distribution of the first three principal components of PCAfor virtual polypeptide libraries

圖6 N-型(A,C)和P/Q-型(B,D)VGCC拮抗劑虛擬庫的聚類分析系統(tǒng)樹圖(A,B)和目標(biāo)函數(shù)值分布圖(C,D)Fig.6 Polts of the dendrogram(A,B)and objective function value distributoins(C,D)of HCAfor N-type(A,C)and P/Q-type(B,D)VGCC antagonists virtual libraries

對兩個數(shù)據(jù)庫中化合物的預(yù)測活性進(jìn)行排序,各自選出活性較高的前150個化合物,組成兩個新的子庫,作為進(jìn)一步篩選的依據(jù).

同時,對N-型和P/Q-型兩個虛擬多肽庫采用相似性比較分析方法進(jìn)行虛擬篩選,分別選出與探針分子MVIIA和MVIIC結(jié)構(gòu)最相似的多肽類似物150個,組成兩個新的子庫.

把應(yīng)用兩種篩選方法得到的子庫進(jìn)行比較分析,從中篩選出共同的化合物.最終得到預(yù)測高活性和高選擇性的N-型和P/Q-型VGCC拮抗劑25個.其中,篩選出的前6個N-型鈣通道拮抗劑,與N-型QSAR模型的預(yù)測活性均大于9.90,與P/Q-型QSAR模型的預(yù)測活性均小于6.95.篩選出的19個P/Q-型鈣通道拮抗劑,與P/Q-型QSAR模型的預(yù)測活性均大于9.65,與N-型QSAR模型的預(yù)測活性均小于7.10.可見,篩選出的這些化合物均具有較高的生物活性和選擇性.表2和表3分別列出篩選出的前6個N-型和P/Q-型VGCC拮抗劑的序列和預(yù)測活性.

為了研究篩選出的多肽分子與模板分子的結(jié)構(gòu)相似性和結(jié)構(gòu)功能,我們對排名第一的N-型和P/Q-型多肽分子的關(guān)鍵殘基進(jìn)行了結(jié)構(gòu)定量描述分析和分子表面靜電勢計算.圖7示出MVIIA與N-型及MVIIC與P/Q-型多肽分子的6個和7個殘基描述符c-scales的比對結(jié)果.結(jié)果顯示,篩選出的多肽分子與模板分子的殘基描述符c1,c2,c3-scales數(shù)值基本相近,特別是決定分子選擇性的loop2中的第9、10、11位殘基和loop4中的第23位殘基,由c1,c2,c3-scales結(jié)果可以體現(xiàn)出N-型和P/Q-型拮抗劑選擇性殘基的結(jié)構(gòu)性質(zhì)差別,從氨基酸殘基角度闡明了篩選出的分子與模板分子的結(jié)構(gòu)相似性.

應(yīng)用DS/Delphi模塊,通過有限差分方法求解Possion-Boltzmann(PB)方程,獲得模板分子和篩選分子的表面靜電勢分布.其中,溶液的離子強(qiáng)度設(shè)為0.145,蛋白質(zhì)部分的介電常數(shù)設(shè)為2,溶液的介電常數(shù)設(shè)為80.網(wǎng)格中心設(shè)為分子中心,探針原子半徑為0.14 nm.圖8示出MVIIA、MVIIC與篩選排名第一的N-型、P/Q-型多肽分子的表面靜電勢分布情況,采用溶劑可及表面示出.藍(lán)色代表正電區(qū)域,白色代表中性區(qū)域,紅色代表負(fù)電區(qū)域.靜電勢的顯示區(qū)間為-5.0KT/e至5.0KT/e,其中,T為溫度K,K為Boltzmann常數(shù),e是電荷單位.計算結(jié)果顯示,篩選出的分子與模板分子具有較一致的靜電勢分布,MVIIA和MVIIC序列中不同的7個殘基多數(shù)具有正的靜電勢.ω-芋螺毒素中具有正靜電勢的堿性殘基,在與鈣離子通道結(jié)合時起到重要作用,14,42其中第7和第23位殘基較強(qiáng)的正靜電勢,是N-型拮抗劑選擇性的關(guān)鍵.此外,篩選出的多肽分子保持了ω-芋螺毒素保守的剛性骨架結(jié)構(gòu),與模板分子具有一致的空間立體結(jié)構(gòu),例如,N-型拮抗劑的第7位殘基為較大的空間體積,第23位為較小的空間體積,而P/Q-型拮抗劑與其正好相反.

表2 虛擬篩選出的前6個N-型VGCC拮抗劑預(yù)測活性及序列Table 2 Calculated activities and sequences of the top 6 N-type VGCC antagonists from virtual screening

表3 虛擬篩選出的前6個P/Q-型VGCC拮抗劑預(yù)測活性及序列Table 3 Calculated activities and sequences of the top 6 P/Q-type VGCC antagonists from virtual screening

圖7 MVIIA和MVIIC與篩選排名第一的N-型(A)和P/Q-型(B)拮抗劑殘基描述符c-scales比較圖Fig.7 Residue descriptor c-scales of MVIIAand MVIIC versus the top 1 of N-type(A)and P/Q-type(B)VGCC antagonists from virtual screening

多肽QSAR模型預(yù)測方法是基于氨基酸殘基結(jié)構(gòu)進(jìn)行定量描述,此方法詳細(xì)全面地收集氨基酸殘基的二維和三維結(jié)構(gòu)信息,更多地表達(dá)多肽分子的氨基酸殘基結(jié)構(gòu)信息.而相似性比較方法是基于整個多肽分子定量結(jié)構(gòu)描述,體現(xiàn)多肽分子整體二維和三維結(jié)構(gòu)信息,兩種篩選方法各有優(yōu)缺點(diǎn).我們把兩種篩選方法有機(jī)結(jié)合起來,相互補(bǔ)充,可以有效地提高篩選質(zhì)量和效率.

圖8 MVIIA和MVIIC與篩選排名第一的N-型和P/Q-型拮抗劑的表面靜電勢分布Fig.8 Electrostatic potential distributions of MVIIAand MVIIC versus the top 1 of N-type and P/Q-type VGCC antagonists from virtual screening

4 結(jié)論

對生物活性多肽ω-芋螺毒素進(jìn)行QSAR研究,建立具有較好預(yù)測能力的N-型和P/Q-型VGCC拮抗劑多肽QSAR模型.設(shè)計和構(gòu)建兩種亞型VGCC拮抗劑的虛擬組合多肽庫,并進(jìn)行多重虛擬篩選,為進(jìn)一步ω-芋螺毒素生物活性多肽分子設(shè)計和結(jié)構(gòu)優(yōu)化提供理論依據(jù),同時為其它類型多肽分子設(shè)計提供思路和參考.目前,多肽QSAR、虛擬組合多肽庫以及多肽虛擬篩選方法都在不斷地發(fā)展,相信隨著分子生物學(xué)、計算機(jī)科學(xué)以及多尺度模型的發(fā)展,計算機(jī)輔助分子設(shè)計技術(shù)會更加有效地指導(dǎo)創(chuàng)新多肽藥物的發(fā)現(xiàn)和優(yōu)化.

(1)Vink,S.;Alewood,P.Br.J.Pharmacol.2012,167,970.doi:10.1111/j.1476-5381.2012.02082.x

(2) Schroeder,C.I.;Lewis,R.J.Mar.Drugs2006,4,193.doi:10.3390/md403193

(3) Tetsuyuki,W.;Junichi,A.;Takeshi,M.;Takashi,M.;Seiji,I.Neurochem.Res.2003,28,705.doi:10.1023/A:1022805615926

(4) Lewis,R.J.;Dutertre,S.;Vetter,I.;Christie,M.J.Pharmacol.Rev.2012,64,259.

(5)Tetsuyuki,W.;Takashi,I.;Akinori,K.;Masayuki,X.M.;Yasuo,M.;Keiji,I.;Seiji,I.Neurochem.Res.2005,30,1045.doi:10.1007/s11064-005-7046-6

(6) Obafemi,A.;Roth,B.Pain Med.2013,14,447.doi:10.1111/pme.2013.14.issue-3

(7)Bourinet,E.;Zamponi,G.W.Curr.Top.Med.Chem.2005,5,539.doi:10.2174/1568026054367610

(8) Lynch,S.S.;Cheng,C.M.;Yee,J.L.Ann.Pharmacother.2006,40,1293.doi:10.1345/aph.1G584

(9)Alicino,I.;Giglio,M.;Manca,F.;Bruno,F.;Puntillo,F.Pain2012,153,245.doi:10.1016/j.pain.2011.10.002

(10) Sanford,M.CNS Drugs2013,27,989.doi:10.1007/s40263-013-0107-5

(11) Sasaki,T.;Kobayashi,K.;Kohno,T.;Sato,K.FEBS Lett.2000,466,125.doi:10.1016/S0014-5793(99)01772-X

(12) Wang,C.Z.;Jiang,H.;Qi,Z.W.Prog.Biochem.Biophys.2003,30,537.[王承忠,蔣 輝,戚正武.生物化學(xué)與生物物理進(jìn)展,2003,30,537.]

(13) Kolosov,A.;Aurini,L.;Williams,E.D.;Cooke,I.;Goodchild,C.S.Pain Med.2011,12,923.doi:10.1111/pme.2011.12.issue-6

(14) Fedosova,A.E.;Moshkovskiic,S.A.;Kuznetsovac,K.G.;Oliverab,B.M.Biochemistry-Moscow+Series B:Biomed.Chem.2012,6,107.

(15) Kolosov,A.;Goodchild,C.S.;Cooke,I.Pain Med.2010,11,262.doi:10.1111/pme.2010.11.issue-2

(16)Zhan,D.L;Wang,S.;Han,W.W.;Liu,J.S.Acta Chim.Sin.2012,70,217.[詹冬玲,王 嵩,韓葳葳,劉景圣,化學(xué)學(xué)報,2012,70,217.]doi:10.6023/A1108313

(17) Zhang,Q.Q.;Yao,Q.Z.;Zhang,S.P.;Bi,L.M.;Zhou,Z.G.;Zhang,J.Acta Phys.-Chim.Sin.2014,30,371.[張青青,姚其正,張生平,畢樂明,周之光,張 驥.物理化學(xué)學(xué)報,2014,30,371.]doi:10.3866/PKU.WHXB201312192

(18) Hou,T.J.;Xu,X.J.Curr.Pharm.Des.2004,10,1011.doi:10.2174/1381612043452721

(19) Ding,J.J.;Ding,X.Q.;Zhao,L.F.;Chen,J.S.Prog.Chem.2005,17,130.[丁俊杰,丁曉琴,趙立峰,陳冀勝.化學(xué)進(jìn)展,2005,17,130.]

(20)Audie,J.;Swanson,J.Chem.Biol.Drug.Des.2013,81,50.doi:10.1111/cbdd.2012.81.issue-1

(21) Hou,T.J.;Li,N.;Li,Y.Y.;Wang,W.J.Proteome Res.2012,11,2982.doi:10.1021/pr3000688

(22)Hou,T.J.;Li,Y.Y.;Wang,W.Bioinformatics2011,27,1814.doi:10.1093/bioinformatics/btr294

(23)Hou,T.J.;Xu,Z.;Zhang,W.;McLaughlin,W.A.;Case,D.A.;Xu,Y.;Wang,W.Mol.Cell.Proteomics2009,8,639.doi:10.1074/mcp.M800450-MCP200

(24) Ding,J.J.;Ding,X.Q.;Zhao,L.F.;Chen,J.S.Acta Pharm.Sin.2005,40,340.[丁俊杰,丁曉琴,趙立峰,陳冀勝.藥學(xué)學(xué)報,2005,40,340.]

(25) Atkinson,R.A.;Kieffer,B.;Dejaegere,A.;Sirockin,F.;Lefevre,J.F.Biochemistry2000,39,3908.doi:10.1021/bi992651h

(26) Nielsen,K.J.;Adams,D.;Thomas,L.;Bond,T.;Alewood,P.F.;Craik,D.J.;Lewis,R.J.J.Mol.Biol.1999,289,1405.doi:10.1006/jmbi.1999.2817

(27) Richard,J.L.;Katherine,J.N.;David,J.C.;Marion,L.L.;Denise,A.A.;Iain,A.S.;Tudor,L.;David,J.A.;Trudy,B.;Linda,T.;Aluu,J.;Jodi-Lea,M.;Roger,D.;Peter,R.A.;Paul,F.A.J.Biol.Chem.2000,275,35335.doi:10.1074/jbc.M002252200

(28) Mason,J.S.Computer-Assisted Drug Design;Science Press:Beijing,2007;p 307.

(29)Cerius2User Guide;Molecular Simulations Inc:San Diego,2000.

(30)Drwal,M.N.;Griffith,R.Drug Discovery Today:Technologies2013,10,e395.

(31)Wilson,G.L.;Lill,M.A.Future Med.Chem.2011,3,735.doi:10.4155/fmc.11.18

(32) Ggorge,P.M.;Ramachandran,J.Annu.Rev.Pharmacol.Toxicol.1995,35,307.doi:10.1146/annurev.pa.35.040195.001515

(33) Pallaghy,P.K.;Nielsen,K.J.;Craik,D.J.;Norton,R.S.Protein Sci.1994,3,1833.doi:10.1002/pro.v3:10

(34)Adams,D.J.;Berecki,G.Biochim.Biophys.Acta2013,1828,1619.doi:10.1016/j.bbamem.2013.01.019

(35) Kazuki,S.;Cecile,R.;Nicole,M.M.;Toru,S.;Akira,O.;Atsuko,O.;Jae,I.K.;Toshiyuki,K.;Masami,T.;Michael,S.FEBS Lett.1997,414,480.doi:10.1016/S0014-5793(97)01056-9

(36)Nielsen,K.J.;Adams,D.A.;Alewood,P.F.;Lewis,R.J.;Thomas,L.;Schroeder,T.;Craik,D.J.Biochemistry1999,38,6741.doi:10.1021/bi982980u

(37) Mould,J.;Yasuda,T.;Schroeder,C.I.;Beedle,A.M.;Doering,C.J.;Zamponi,G.W.;Adams,D.J.;Lewis,R.J.J.Biol.Chem.2004,279,34705.

(38)Van Petegem,F.;Minor,D.L.Biochem.Soc.Trans.2006,34,887.doi:10.1042/BST0340887

(39) Kajuti,S.;Cecile,R.;Nicole,M.M.;Toru.S.;Atsuko,O.FEBSLett.2000,469,147.doi:10.1016/S0014-5793(00)01263-1

(40) Kazuki,S.;Cecile,R.;Nicole,M.M.;Toru,S.;Atsuko,O.;Kazushi,M.;Catherine,V.R.;Masami,T.;Michael,J.S.Biochem.Biophys.Res.Commun.2000,269,254.doi:10.1006/bbrc.2000.2284

(41) Lew,M.J.;Flinn,J.P.;Pallaghy,P.K.;Murphy,R.;Whorlow,S.L.;Wright,C.E.;Norton,R.S.;Angus,J.A.J.Biol.Chem.1997,272,12014.doi:10.1074/jbc.272.18.12014

(42) Nadasdi,L.;Yamashiro,D.;Chung,D.;Tarczy-Hornoch,K.;Adriaenssens,P.;Ramachandran,J.Biochemistry1995,34,8076.doi:10.1021/bi00025a013