計(jì)算機(jī)輔助新藥設(shè)計(jì)相關(guān)篩選數(shù)據(jù)庫的研究進(jìn)展

許彤，郭庚妮，蔣南

(南京醫(yī)科大學(xué) 藥學(xué)院，江蘇 南京 211166)

近年來，伴隨蛋白組學(xué)的迅猛發(fā)展和人類基因組學(xué)研究的突破性進(jìn)展，蛋白質(zhì)- 基因組- 疾病網(wǎng)絡(luò)關(guān)系圖日漸清晰，許多導(dǎo)致疾病的基因被一一揭示，新的治療靶點(diǎn)及其三維結(jié)構(gòu)也不斷被發(fā)現(xiàn)或確認(rèn)，這為計(jì)算機(jī)輔助藥物設(shè)計(jì)[1](computer- aided drug design，CADD)提供了堅(jiān)實(shí)的基礎(chǔ)。在計(jì)算機(jī)技術(shù)的推動(dòng)下，計(jì)算和模擬方法持續(xù)進(jìn)步，CADD已成為創(chuàng)新藥物研究的一項(xiàng)基本工作。傳統(tǒng)藥物設(shè)計(jì)需要大量的嘗試、試錯(cuò)，成本昂貴、耗時(shí)費(fèi)力。與此比較，CADD具有多種優(yōu)勢(shì)，如有效地模擬出各類環(huán)境下的反應(yīng)、虛擬計(jì)算配體- 受體結(jié)合能、反應(yīng)中的能壘變化等，從而快速有效地指導(dǎo)化合物合成方向、篩選先導(dǎo)化合物，大大減少了時(shí)間、金錢的消耗。

CADD是采用計(jì)算化學(xué)方法分析蛋白靶標(biāo)結(jié)合位點(diǎn)的結(jié)構(gòu)性質(zhì)，如靜電場、疏水場、氫鍵供/受體位點(diǎn)分布等信息，然后再運(yùn)用數(shù)據(jù)庫搜尋，得到分子形狀和理化性質(zhì)與受體結(jié)合位點(diǎn)相匹配的分子，進(jìn)而合成并測試分子的生物活性，經(jīng)過幾輪測試與改性以發(fā)現(xiàn)先導(dǎo)化合物。由此，CADD的本質(zhì)是模擬和計(jì)算藥物與靶標(biāo)的相互作用[2]關(guān)系。因此，蛋白質(zhì)結(jié)構(gòu)對(duì)藥物和靶標(biāo)之間的相互作用研究以及基于生物大分子結(jié)構(gòu)的藥物設(shè)計(jì)是非常重要的。

此外，虛擬篩選作為高通量篩選[3]識(shí)別潛在生物活性化合物的重要工具，也已在藥物發(fā)現(xiàn)中得到了廣泛應(yīng)用。它是在已知大分子結(jié)構(gòu)的基礎(chǔ)上，應(yīng)用分子對(duì)接方法，從大型化合物庫中迅速篩選出具有潛在活性的藥物分子。例如，華中科技大學(xué)同濟(jì)學(xué)院的李華教授課題組[4]從蛋白質(zhì)數(shù)據(jù)庫中獲得SARS- CoV- 2同源性蛋白，并與ZINC藥物小分子數(shù)據(jù)庫聯(lián)用進(jìn)行高通量虛擬篩選，挑選出了有潛在活性的小分子，為新冠肺炎的藥物治療提供了理論依據(jù)。除此之外，構(gòu)建藥效團(tuán)模型[5]也是進(jìn)行虛擬篩選的一種常用方法，它是基于一系列具有不同活性的配體以及蛋白質(zhì)- 配體復(fù)合物結(jié)構(gòu)，總結(jié)出對(duì)活性至關(guān)重要的原子或基團(tuán)及它們之間的空間關(guān)系，在此基礎(chǔ)上進(jìn)行新藥設(shè)計(jì)、靶點(diǎn)垂釣[6]、藥物不良反應(yīng)的檢測[7]以及老藥新用的開發(fā)等。

由此可見，蛋白靶標(biāo)的三維結(jié)構(gòu)是開展CADD的物質(zhì)基礎(chǔ)或必要條件。在過去幾十年里，各種蛋白質(zhì)、核酸等大分子數(shù)據(jù)庫被構(gòu)建并迅速擴(kuò)充，藥效團(tuán)模型的構(gòu)建算法快速發(fā)展，為藥物研發(fā)提供了重要資源。為了充分利用好這些寶貴資源，作者對(duì)常用蛋白質(zhì)、核酸及藥效團(tuán)數(shù)據(jù)庫進(jìn)行總結(jié)，簡要介紹其發(fā)展歷史，詳細(xì)綜述其構(gòu)建思想與使用方法，如數(shù)據(jù)來源、信息內(nèi)容、數(shù)據(jù)檢索的關(guān)鍵字段及其說明等。在此基礎(chǔ)上，我們對(duì)數(shù)據(jù)庫開發(fā)面臨的問題進(jìn)行分析，并對(duì)未來的發(fā)展方向提出展望。我們希望該工作能為從事計(jì)算機(jī)輔助新藥開發(fā)的研究工作者提供有益幫助。

1 蛋白質(zhì)數(shù)據(jù)庫

確認(rèn)蛋白質(zhì)或蛋白質(zhì)- 配體復(fù)合物結(jié)構(gòu)，是研究蛋白- 藥物相互作用進(jìn)而開展CADD與篩選等的必要條件。將已知結(jié)構(gòu)的蛋白質(zhì)及其相關(guān)信息(如與配體形成的復(fù)合物結(jié)構(gòu)、活性數(shù)據(jù)、序列信息、參考文獻(xiàn)等)集合成一個(gè)數(shù)據(jù)庫，方便用戶的查閱及下載使用。世界范圍內(nèi)現(xiàn)已有多個(gè)數(shù)據(jù)庫被建立并使用，覆蓋大約1億個(gè)分子。目前，發(fā)展迅速并廣為使用的蛋白質(zhì)數(shù)據(jù)庫有UniProt(The Universal Protein Resource)、PDB(Protein Data Bank)、AlphaFold(Alpha Fold Protein Structure Database)、BindingDB(Binding Database)、InterPro、STITCH和STRING等。作者對(duì)UniProt、PDB及AlphaFold數(shù)據(jù)庫詳細(xì)介紹如下，其他數(shù)據(jù)庫的網(wǎng)址和簡要介紹見表1。

表1 其他常見的蛋白質(zhì)數(shù)據(jù)庫及其簡介

1.1 UniProt數(shù)據(jù)庫

UniProt(https:∥www.uniprot.org)[8- 9]是收錄最廣泛和注釋信息最全面的蛋白質(zhì)數(shù)據(jù)庫，提供詳細(xì)的蛋白質(zhì)序列、功能信息(如蛋白質(zhì)功能描述、結(jié)構(gòu)域結(jié)構(gòu)、轉(zhuǎn)錄后修飾、修飾位點(diǎn)、變異度、二級(jí)結(jié)構(gòu)、三級(jí)結(jié)構(gòu)等)，同時(shí)提供與其它數(shù)據(jù)庫(包括序列數(shù)據(jù)庫、三維結(jié)構(gòu)數(shù)據(jù)庫、二維凝聚電泳數(shù)據(jù)庫、蛋白質(zhì)家族數(shù)據(jù)庫)的鏈接。

1.1.1 發(fā)展歷史 UniProt數(shù)據(jù)庫的創(chuàng)建可以追溯到20世紀(jì)中期。20世紀(jì)60年代，美國國家生物醫(yī)學(xué)研究基金會(huì)開始著手蛋白質(zhì)序列收集和分類。1984年，美國蛋白質(zhì)信息資源部成立，并開發(fā)了蛋白質(zhì)資源鑒定系統(tǒng)，內(nèi)容涵蓋蛋白質(zhì)、核酸序列和分析軟件。在此基礎(chǔ)上，美國國家生物醫(yī)學(xué)研究基金會(huì)、德國慕尼黑蛋白質(zhì)序列信息中心和日本國際蛋白質(zhì)信息數(shù)據(jù)庫聯(lián)手，于1988年建立了國際上最早的蛋白質(zhì)序列數(shù)據(jù)庫,即：PIR- PSD(Protein Identification Resource- International Protein Sequence Database)[10]。該數(shù)據(jù)庫不僅收集和注釋蛋白質(zhì)序列，還根據(jù)序列注釋信息的詳盡程度將蛋白質(zhì)序列進(jìn)行了級(jí)別劃分。

同時(shí)期成立的大分子數(shù)據(jù)庫還有Swiss- Prot[11]和TrEMBL[12]。其中Swiss- Prot是由瑞士日內(nèi)瓦大學(xué)醫(yī)學(xué)院于1986年創(chuàng)建的蛋白質(zhì)序列數(shù)據(jù)庫，數(shù)據(jù)資源包括PIR- PSD數(shù)據(jù)庫、歐洲分子生物學(xué)實(shí)驗(yàn)室核苷序列數(shù)據(jù)庫EMBL，和從文獻(xiàn)中收集得到的其它蛋白質(zhì)序列。該數(shù)據(jù)庫的特色是對(duì)序列條目如物種分類學(xué)來源、功能、定位、表達(dá)等，進(jìn)行人工審閱和注釋，并建立與其它數(shù)據(jù)的鏈接。1994年，該數(shù)據(jù)庫被移交至歐洲生物信息學(xué)研究所管理。與此同時(shí)，伴隨著核酸序列的激增，通過其翻譯得到的蛋白質(zhì)序列也急劇增加。為了存放核酸序列數(shù)據(jù)庫EMBL中蛋白質(zhì)編碼序列翻譯所得的氨基酸序列，歐洲生物信息學(xué)研究所和瑞士日內(nèi)瓦大學(xué)共同創(chuàng)建了TrEMBL數(shù)據(jù)庫，作為Swiss- Prot數(shù)據(jù)庫的補(bǔ)充。

2002年，上述3個(gè)蛋白質(zhì)序列數(shù)據(jù)庫合并為UniProt數(shù)據(jù)庫，實(shí)現(xiàn)了收集、管理、注釋和發(fā)布蛋白質(zhì)序列數(shù)據(jù)及注釋信息的統(tǒng)一化。該數(shù)據(jù)庫由美國蛋白質(zhì)信息資源部、歐洲生物信息學(xué)研究所和瑞士生物信息研究所共同管理和維護(hù)，為世界各國公眾提供無償服務(wù)，實(shí)現(xiàn)了基因組、蛋白組等生物信息數(shù)據(jù)的全球共享，目前已成為生命科學(xué)領(lǐng)域不可或缺的蛋白質(zhì)序列信息資源。

1.1.2 重要子庫 UniProt含有4個(gè)重要子庫：UniProtKB(UniProt Knowledgebase，蛋白質(zhì)知識(shí)庫，蛋白質(zhì)知識(shí)庫)[13]、UniParc(UniProt Sequence Archive，蛋白質(zhì)序列歸檔庫)、UniRef(UniProt Reference Clusters，蛋白質(zhì)序列參考集)[14]以及Proteome(蛋白組)。

UniProtKB子庫和核心內(nèi)容是蛋白質(zhì)序列和注釋信息[15]，如功能、物種及分類、蛋白加工修飾及表達(dá)等，并提供與基因組、核酸序列、蛋白質(zhì)結(jié)構(gòu)與功能位點(diǎn)等數(shù)據(jù)的交叉引用與鏈接。UniProtKB包含兩個(gè)部分：一部分是Swiss- Prot[16]，其序列條目經(jīng)過了人工審閱和手工注釋；另一部分是TrEMBL，其序列條目是利用計(jì)算機(jī)程序進(jìn)行的自動(dòng)注釋。Swiss- Prot為用戶提供了高質(zhì)量的蛋白質(zhì)序列和豐富的注釋信息；相比之下，由于TrEMBL中的記錄未經(jīng)人工審閱，因而可靠性較低。值得一提的是，上述兩個(gè)部分采用相同的登錄號(hào)和數(shù)據(jù)格式，TrEMBL中的記錄一經(jīng)人工審閱和手工注釋，便移到Swiss- Prot而不再保留在TrEMBL。因此，這兩個(gè)部分的序列條目數(shù)量差別很大，根據(jù)2022年5月25日發(fā)布的數(shù)據(jù)，Swiss- Prot中含約56.7萬條序列記錄，而TrEMBL的數(shù)據(jù)量高達(dá)約2.3億。

UniParc子庫存儲(chǔ)了公開發(fā)表的蛋白質(zhì)序列。其數(shù)據(jù)來源于UniProtKB子庫、國際核酸序列數(shù)據(jù)庫、美國國家生物信息中心的參考序列數(shù)據(jù)庫、蛋白質(zhì)三維結(jié)構(gòu)數(shù)據(jù)庫，以及歐洲、美國、日本專利局等。為避免冗余問題，它使用特定標(biāo)識(shí)符(Unique Identifier，UI)將相同序列歸并在同一記錄中，即無論序列來源、測定方法、遞交時(shí)間、審閱方式等是否相同，具有統(tǒng)一標(biāo)識(shí)符的所有條目具有完全相同的序列。每條記錄包含UI、序列、循環(huán)冗余校驗(yàn)碼(Cyclic Redundancy Check Number，CRCN)、源數(shù)據(jù)庫及其登記的接收號(hào)、版本信息等。UniParc的最大用途是記錄蛋白質(zhì)序列的歷史信息和當(dāng)前狀態(tài)，“Active”表示該記錄仍存在于原來的數(shù)據(jù)庫中，“Obsolete”表示該記錄已經(jīng)不存在。值得注意的是，UniParc記錄中不含注釋信息，此類注釋信息可在UniProtKB中查詢。

為避免數(shù)據(jù)冗余，UniRef將UniProtKB和UniParc子庫中的序列信息進(jìn)行聚類。具有相同序列或片段的記錄信息被合并在一起，構(gòu)成UniRef100子集；而同源性>90%和50%～90%的序列記錄分別合并至UniRef 90 和UniRef 50子集，以便于快速進(jìn)行同源搜索。

Proteome是于2011年9月新增加的蛋白組子庫，記錄了已經(jīng)完成全基因組測序物種的核酸序列翻譯所得的蛋白質(zhì)序列。截至2022年7月，該子庫已經(jīng)收錄了近46萬條記錄。

1.1.3 主要功能的使用方法 通過蛋白質(zhì)名稱或UniProt ID進(jìn)行檢索，可快速查找蛋白質(zhì)相關(guān)信息，包括功能、毒性、結(jié)構(gòu)、序列等。高級(jí)檢索功能是UniProt數(shù)據(jù)庫的特色之一?；跀?shù)據(jù)庫條目中的不同字段，該數(shù)據(jù)庫對(duì)大量注釋信息作了索引，實(shí)現(xiàn)了快速、準(zhǔn)確地對(duì)特定信息進(jìn)行查找。不同數(shù)據(jù)集使用統(tǒng)一的檢索界面，檢索框的下拉菜單提供所有可檢索的數(shù)據(jù)集，包括UniProtKB、UniRef、UniParc、Proteomes、Taxonomy、Keywords、Literature citations、Human diseases、Cross- referenced databases、Subcellular locations、UniRule等。為了便于用戶依據(jù)注釋信息精確查找，UniProt數(shù)據(jù)庫還支持基于邏輯運(yùn)算的高級(jí)檢索。對(duì)于蛋白質(zhì)的三維結(jié)構(gòu)，UniProt實(shí)現(xiàn)了與PDB、PDBe、PDBj、AlphaFold等數(shù)據(jù)庫的鏈接。

另外，UniProt還提供了同源建模(BLAST)、序列比對(duì)(Align)等功能。在BLAST模塊，只需要提供未知結(jié)構(gòu)的蛋白質(zhì)序列就可以在如UniProtKB、Human源等數(shù)據(jù)庫中查找結(jié)構(gòu)模板，通過Align模塊可將多個(gè)蛋白質(zhì)序列進(jìn)行比對(duì)，進(jìn)而實(shí)現(xiàn)同源建模。

1.2 PDB數(shù)據(jù)庫

PDB數(shù)據(jù)庫(https:∥www.rcsb.org/)[17]于1971年由美國布魯克海文國家實(shí)驗(yàn)室創(chuàng)建，并于1988年由結(jié)構(gòu)生物信息學(xué)研究聯(lián)合實(shí)驗(yàn)室(Research Collaboratory for Structural Bioinformatics，RCSB)接管。它是世界范圍內(nèi)唯一的生物大分子結(jié)構(gòu)數(shù)據(jù)檔案庫，主要收集蛋白質(zhì)、核酸和糖的三維結(jié)構(gòu)數(shù)據(jù)，包括原子坐標(biāo)、參考文獻(xiàn)、一級(jí)和二級(jí)結(jié)構(gòu)，以及晶體結(jié)構(gòu)因數(shù)和實(shí)驗(yàn)測定數(shù)據(jù)等。結(jié)構(gòu)數(shù)據(jù)來源于世界各國的生物學(xué)家和生物化學(xué)家，并通過X射線單晶衍射、核磁共振波譜法、三維電子衍射或微電子衍射等實(shí)驗(yàn)確定，向全球用戶免費(fèi)開放。

數(shù)據(jù)庫提供多種使用功能，如數(shù)據(jù)上傳(deposit)、搜索(search)、可視化(visualize)、結(jié)構(gòu)分析(analyze)、下載(download)、相關(guān)知識(shí)介紹(learn)、其他(more)、文件(documentation)、疾病相關(guān)資訊(careers)等。用戶可在瀏覽器上通過下拉菜單或側(cè)邊菜單免費(fèi)使用這些功能，而不需要額外其它軟件。下面對(duì)常用功能及其使用進(jìn)行簡要介紹。

1.2.1 Deposit工具 Deposit工具欄提供了上傳蛋白質(zhì)結(jié)構(gòu)數(shù)據(jù)、驗(yàn)證報(bào)告、存儲(chǔ)數(shù)據(jù)的功能。為了更好地應(yīng)對(duì)日益復(fù)雜和龐大的數(shù)據(jù)，該數(shù)據(jù)庫接受、處理和發(fā)布基于大分子晶體學(xué)信息文件(Protein Data Bank Macromolecular Crystallographic Information file，PDBx/mmCIF)[18]的數(shù)據(jù)文件。數(shù)據(jù)以文本文件的方式存放，每個(gè)分子各用一個(gè)獨(dú)立的文件，對(duì)應(yīng)唯一的識(shí)別號(hào)(Protein Data Bank Identification Document，PDB ID)。PDB ID由4個(gè)包含字母和數(shù)字的字符組成，早期的文件以“ID.pdb”命名，而1997年后每個(gè)ID對(duì)應(yīng)1組文件，分別是“ID.full”(相當(dāng)于原來的ID.pdb)、數(shù)目文件“ID.biblio”和圖形文件“ID.gif”。

PDB的每一條數(shù)據(jù)結(jié)構(gòu)記錄兩種序列信息，分別是顯式序列信息和隱式序列信息。在PDB文件中，關(guān)鍵字SEQRES是顯式序列標(biāo)記，以它為標(biāo)志的行是關(guān)于序列的信息。PDB的隱式序列為立體化學(xué)數(shù)據(jù)，包括每個(gè)原子的名稱及其三維坐標(biāo)。除了序列信息，其它字段及其說明列于表2。

表2 PDB文件的關(guān)鍵字段及其說明

續(xù)表

1.2.2 Search工具 Search工具欄提供了多種搜索方式，常見的有：(1) Basic Search(基礎(chǔ)檢索)。用戶可通過輸入PDB ID、名稱的全稱或者關(guān)鍵詞來進(jìn)行搜索。其中使用ID是最便捷、快速的搜索方式，但前提是已知目標(biāo)生物大分子的ID。當(dāng)使用ID檢索時(shí)，結(jié)果只有該ID對(duì)應(yīng)的唯一結(jié)構(gòu)；若使用蛋白質(zhì)名稱進(jìn)行檢索，含有該蛋白質(zhì)單體及復(fù)合物所有結(jié)構(gòu)均被列出。(2) Advanced Search(高級(jí)檢索)。用戶可以通過數(shù)據(jù)庫中各種條目的不同字段進(jìn)行檢索，如結(jié)構(gòu)屬性、化學(xué)屬性、序列信息等。由于高級(jí)檢索是基于邏輯運(yùn)算進(jìn)行的，因而更加精確并具有個(gè)性化特點(diǎn)。(3) Sequence Search(序列檢索)是使用蛋白質(zhì)和核酸序列來查詢或搜索。(4) Chemical Sketch Tool(化學(xué)骨架工具)則是基于分子二維結(jié)構(gòu)圖來搜索生物大分子中特定或類似的配體。(5) Search by Drug & Drug Targets是通過藥物及藥物靶點(diǎn)來進(jìn)行搜索，該搜索方式可與藥物庫(Drug Bank)聯(lián)用。

PDB數(shù)據(jù)庫允許用戶使用上述方式以及邏輯組合(AND、OR和NOT)進(jìn)行檢索，可檢索字段包括除了上述的功能類別、PDB代碼外，還包括名稱、作者、空間群、分辨率、來源、入庫時(shí)間、分子式、參考文獻(xiàn)、生物來源等關(guān)鍵詞。在檢索出的生物大分子頁面中，該結(jié)構(gòu)的三維結(jié)構(gòu)模型、生物信息、序列信息、確認(rèn)結(jié)構(gòu)的實(shí)驗(yàn)方法以及文獻(xiàn)記錄等均被列出。對(duì)于檢索出的蛋白- 配體復(fù)合物，還提供了配體信息以及蛋白- 配體之間的相互作用信息。

1.2.3 Visualize、Analyze、Download及其它工具欄 Visualize欄提供了快速的可視化服務(wù)，用戶可以查看生物大分子的三維結(jié)構(gòu)、蛋白特征以及基因組信息。Analyze欄則提供分析相關(guān)特征的服務(wù)，如將多個(gè)生物大分子的序列進(jìn)行比對(duì)。在Download欄，用戶可下載目標(biāo)生物大分子的結(jié)構(gòu)，可供下載的文件格式有“.pdb”和“.cif”的。Learn欄目提供了PDB- 101的服務(wù)，它是面向教師、學(xué)生和公眾的在線門戶，旨在促進(jìn)蛋白質(zhì)和核酸領(lǐng)域的探索。More、Documentation欄則提供了該網(wǎng)站建立、如何引用、資金來源等信息。

1.2.4 UniProt數(shù)據(jù)庫與PDB數(shù)據(jù)庫的功能對(duì)比 上述PDB和UniProt均為生物學(xué)領(lǐng)域使用廣泛、非常重要的數(shù)據(jù)庫，但是二者的側(cè)重點(diǎn)不同。UniProt是世界上最權(quán)威的蛋白質(zhì)信息數(shù)據(jù)庫，側(cè)重于蛋白質(zhì)的序列及其注釋信息。而PDB是生物學(xué)和醫(yī)學(xué)領(lǐng)域第一個(gè)開放訪問的數(shù)字?jǐn)?shù)據(jù)資源庫，它存儲(chǔ)的是蛋白質(zhì)結(jié)構(gòu)信息，提供了生物大分子(如蛋白質(zhì)、DNA 和 RNA)的三維結(jié)構(gòu)數(shù)據(jù)，及相關(guān)領(lǐng)域的最新進(jìn)展，為結(jié)構(gòu)生物學(xué)、細(xì)胞和分子生物學(xué)、計(jì)算生物學(xué)、信息技術(shù)等領(lǐng)域的研究提供信息。

1.3 AlphaFold數(shù)據(jù)庫

AlphaFold(https:∥alphafold.ebi.ac.uk/)[19- 20]是由人工智能技術(shù)公司DeepMind與歐洲分子生物學(xué)實(shí)驗(yàn)室于2020年合作建立的一個(gè)記載虛擬預(yù)測蛋白質(zhì)結(jié)構(gòu)的程序及數(shù)據(jù)庫，可以通過蛋白質(zhì)名稱、基因名稱、Uniprot標(biāo)識(shí)符或物種來檢索需要的信息。AlphaFold近期的最大進(jìn)展是，基于計(jì)算方法根據(jù)蛋白質(zhì)的序列信息預(yù)測其三維結(jié)構(gòu)，并使用pLDDT值進(jìn)行評(píng)價(jià)。pLDDT>90的殘基用深藍(lán)色標(biāo)注，表示很可靠；pLDDT處于70～90之間的殘基用天藍(lán)色標(biāo)注，表示可信任；pLDDT處于50～70間的殘基用黃色標(biāo)注，表示可靠性較低；而pLDDT<50的殘基使用紅色顯示，表示孤立無參考結(jié)構(gòu)。Downloads欄提供48個(gè)物種的預(yù)測結(jié)構(gòu)壓縮包和Swiss- Prot中的預(yù)測結(jié)構(gòu)數(shù)據(jù)。

目前AlphaFold已更新至2.0版本,包含2億個(gè)科學(xué)界已知的近乎所有蛋白質(zhì)的三維結(jié)構(gòu)，涵蓋100萬個(gè)物種和UniRef 90序列數(shù)據(jù)庫中的大部分代表性序列。這些預(yù)測結(jié)構(gòu)中，約有35%被認(rèn)為高度準(zhǔn)確，45%可被應(yīng)用于虛擬計(jì)算。

2 ePharmaLib藥效團(tuán)數(shù)據(jù)庫

藥效團(tuán)是指對(duì)配體- 蛋白靶標(biāo)相互作用中具有重要作用的“藥效特征元素”及其空間排列形式。復(fù)合物中的藥效團(tuán)特征一般分為氫鍵受體(acceptor，A)、氫鍵供體(donor，D)、疏水(hydrophobic，H)、負(fù)離子(negative，N)、正離子(positive，P)和芳香環(huán)(aromatic，A)6種。根據(jù)一組已知活性的配體與蛋白靶標(biāo)在結(jié)合位點(diǎn)處的結(jié)構(gòu)信息，提取重復(fù)的藥效團(tuán)特征建立藥效團(tuán)模型，進(jìn)而搜索化合物數(shù)據(jù)庫，對(duì)具有相同作用機(jī)制的化合物進(jìn)行篩選并找到蛋白靶標(biāo)潛在的新配體，就是基于藥效團(tuán)模型的虛擬篩選。目前，許多藥效團(tuán)網(wǎng)站服務(wù)如ZINCPharmer[21]、PharmMapper[22]、Pharmit等，提供了藥效團(tuán)搜索服務(wù)。此外，Pharmer[23]、Discovery Studio[24- 25]、LigandScout[26]、Phase、MOE[27]等主流計(jì)算軟件，也開發(fā)了建立藥效團(tuán)模型或進(jìn)行藥效團(tuán)搜索的計(jì)算模塊。常見藥效團(tuán)數(shù)據(jù)庫網(wǎng)址及簡介如表3。

表3 常見藥效團(tuán)數(shù)據(jù)庫

ePharmaLib[28]是目前僅有的開源免費(fèi)的藥效團(tuán)數(shù)據(jù)庫(http:∥www.pharmbioinf.uni- freiburg.de/epharmalib)，旨在使用廣泛多樣又可靠的藥效團(tuán)來破譯生物活性化合物的靶蛋白。它包含了15 148個(gè)藥效團(tuán)模型，涵蓋了4 616個(gè)靶點(diǎn)蛋白。藥效團(tuán)的初始結(jié)構(gòu)來源于sc- PDB(screening- PDB)[29]數(shù)據(jù)庫中與治療相關(guān)的蛋白- 配體復(fù)合物。ePharmaLib可以在主流軟件薛定諤Schr?dinger/Phase(反向?qū)?和Pharao/Align- it(開源的藥效團(tuán)建模軟件)中使用，并能夠用來進(jìn)行靶點(diǎn)垂釣、副作用預(yù)測、藥物再利用和表型預(yù)測。

2.1 ePharmaLib的構(gòu)建

該數(shù)據(jù)庫構(gòu)建藥效團(tuán)模擬所需復(fù)合物結(jié)構(gòu)來源于sc- PDB數(shù)據(jù)庫，它是由17 594個(gè)結(jié)構(gòu)分辨率≤2.5 ?且與臨床治療相關(guān)的蛋白質(zhì)- 配體復(fù)合物結(jié)構(gòu)組成的。用戶可使用Schr?dinger中“Small- Molecule Drug Discovery Suite”模塊準(zhǔn)備復(fù)合物結(jié)構(gòu)，并應(yīng)用“Glide XP”對(duì)蛋白- 配體結(jié)合能進(jìn)行計(jì)算，進(jìn)而對(duì)結(jié)合貢獻(xiàn)較大的特征基團(tuán)進(jìn)行排序。一般情況下，當(dāng)特征基團(tuán)數(shù)小于3時(shí)，藥效團(tuán)搜索會(huì)有很高的假陽性。因此，該數(shù)據(jù)庫去除了少于3個(gè)特征基團(tuán)的藥效團(tuán)模型。該數(shù)據(jù)庫包含了15 148個(gè)藥效團(tuán)模型，每個(gè)藥效團(tuán)模型包含3～8個(gè)特征，6種常見特征占比分別為12.6%、17.9%、20.9%、17.1%、10.6%、20.9%。構(gòu)建的藥效團(tuán)以“PDB ID- het ID- Uniprot Entry Name”來命名，其中PDB ID是該構(gòu)建藥效團(tuán)模型所用的復(fù)合物在RCSB PDB中的編號(hào)，het ID是復(fù)合物中配體在RCSB中的名稱，Uniprot Entry Name是復(fù)合物在Uniprot中的簡要蛋白質(zhì)名稱。

2.2 ePharmaLib的使用

ePharmaLib網(wǎng)站主頁提供了ePharmaLib幫助文件夾，其中包含3個(gè)文件：(1) README.md，詳細(xì)介紹了ePharmaLib數(shù)據(jù)庫在Pharao/Align- it[30]和Schr?dinger/Phase兩個(gè)軟件模塊中的使用方法。(2) ePharmaLib_PHARAO.zip文件，包含了適用于Pharao軟件中Align- it模塊的藥效團(tuán)結(jié)構(gòu)。(3) ePharmaLib_PHASE.zip文件，包含了Sch?dinger軟件中Phase模塊的藥效團(tuán)結(jié)構(gòu)。當(dāng)用戶使用整個(gè)數(shù)據(jù)庫進(jìn)行藥物篩選時(shí)，無需對(duì)該文件進(jìn)行解壓；倘若用戶只需使用一部分?jǐn)?shù)據(jù)或可視化藥效團(tuán)模型，則要解壓文件進(jìn)而對(duì)數(shù)據(jù)進(jìn)行選擇。

對(duì)于目標(biāo)小分子的二維結(jié)構(gòu)，應(yīng)用LigPrep功能模塊可實(shí)現(xiàn)pH 7.4環(huán)境下的三維結(jié)構(gòu)轉(zhuǎn)換，并生成“.maegz”格式的輸出文件。由于配體小分子往往具有構(gòu)象多樣性，且構(gòu)象對(duì)其發(fā)揮活性具有重要影響，因此，我們需要探索其構(gòu)象性質(zhì)并使用三維構(gòu)象來構(gòu)建藥效團(tuán)模型。在Schr?dinger圖形界面Maestro中，Create Phase Database功能模塊可以進(jìn)一步將三維結(jié)構(gòu)生成三維構(gòu)象數(shù)據(jù)庫，文件格式為“.phdb”，表示Phase Database。若小分子的可旋轉(zhuǎn)鍵少于10個(gè)，通常生成50個(gè)構(gòu)象；若可旋轉(zhuǎn)鍵超過10個(gè)，則生成100個(gè)構(gòu)象。

在進(jìn)行藥效團(tuán)搜索時(shí)，若使用由LigPrep輸出的小分子三維結(jié)構(gòu)文件，三維構(gòu)象則需要在Phase的命令框中輸入“$ SCHRODINGER/phase_screen- flex- max 50- WAIT”來即時(shí)生成。命令語句中的“source”為小分子的三維結(jié)構(gòu)文件，可直接使用LigPrep模塊輸出的“.maegz”文件；“hypo”為藥效團(tuán)數(shù)據(jù)庫的文件，可以直接使用ePharmaLib_PHASE.zip或進(jìn)行篩選過后的藥效團(tuán)集合；jobname為自定義任務(wù)的名稱；“- flex- max 50”為即時(shí)生成的構(gòu)象數(shù)目。當(dāng)使用由Maestro構(gòu)建的三維構(gòu)象數(shù)據(jù)庫文件時(shí)，無需使用命令語句中的 “- flex- max 50”字段，此時(shí)，“source”為Maestro構(gòu)建的三維構(gòu)象數(shù)據(jù)庫文件的完整路徑。輸入命令后會(huì)得到一個(gè)Job ID，便于查看任務(wù)的執(zhí)行進(jìn)度。

任務(wù)結(jié)束后，可將結(jié)果文件加載至Maestro中進(jìn)行查看。結(jié)果包含多個(gè)藥效團(tuán)模型- 目標(biāo)分子構(gòu)象結(jié)構(gòu)的組合。Window欄中的Project Table可以查看Phase的打分情況，即Phase Screen Score。其中“Matched Ligand Sites”顯示該構(gòu)象結(jié)構(gòu)包含的藥效團(tuán)特征。

3 對(duì)現(xiàn)有數(shù)據(jù)庫發(fā)展方向的思考

盡管目前數(shù)據(jù)庫開發(fā)已取得了很大進(jìn)展，但仍然存在一些缺陷，主要表現(xiàn)為：

(1) 數(shù)據(jù)冗余。當(dāng)某些蛋白序列之間具有很高的相似度時(shí)，它們可被認(rèn)定為互為冗余的序列。其原因可能是很多相似序列屬于同一個(gè)基因或蛋白質(zhì)家族，或者在不同生物體發(fā)現(xiàn)的同源基因或蛋白；也可能是某個(gè)研究團(tuán)隊(duì)向數(shù)據(jù)庫提交了相同的序列數(shù)據(jù)，從而導(dǎo)致數(shù)據(jù)庫存儲(chǔ)了多個(gè)相同序列。這些冗余問題不僅導(dǎo)致分析處理數(shù)據(jù)時(shí)占用大量計(jì)算機(jī)資源，進(jìn)而降低了數(shù)據(jù)庫搜索速度；而且由于冗余問題不能提供更多信息，從而導(dǎo)致不準(zhǔn)確的預(yù)測結(jié)果。

(2) 數(shù)據(jù)結(jié)構(gòu)不統(tǒng)一。就蛋白質(zhì)大分子而言，由于其結(jié)構(gòu)解析方式的不同，其數(shù)據(jù)結(jié)構(gòu)存在較大差異。例如，有的結(jié)構(gòu)文件中含有H原子信息，有的則沒有；有的結(jié)構(gòu)文件中對(duì)二硫鍵的鏈接方式進(jìn)行了標(biāo)注，而有的則沒有標(biāo)注。這些問題會(huì)在應(yīng)用結(jié)構(gòu)進(jìn)行新藥設(shè)計(jì)或者結(jié)構(gòu)模擬時(shí)，給用戶帶來不便。

為了改善上述問題，未來的數(shù)據(jù)庫開發(fā)可以從以下3個(gè)方面進(jìn)行改進(jìn)：

(1) 開發(fā)實(shí)用的去冗余軟件。就蛋白質(zhì)序列庫而言，一般可認(rèn)為相似的生物序列具有相似的結(jié)構(gòu)和生物功能，因此，可采用序列對(duì)比和片段過濾等方式來比較和分析序列之間的相似度。進(jìn)一步，從某個(gè)蛋白質(zhì)家族中找出一個(gè)序列來代表整個(gè)家族，或者從一個(gè)結(jié)構(gòu)和功能相近的蛋白質(zhì)集合中找到一個(gè)序列來代表該集合。根據(jù)擬解決的科學(xué)問題不同，確定代表序列的規(guī)則可能有所差別，但其基本目標(biāo)均是在最小化冗余度的基礎(chǔ)上，達(dá)到最大的覆蓋面。

(2) 成立國際學(xué)會(huì)等學(xué)術(shù)組織并制定相應(yīng)規(guī)則，對(duì)數(shù)據(jù)結(jié)構(gòu)、單位等進(jìn)行規(guī)范化統(tǒng)一。在結(jié)構(gòu)、單位等格式統(tǒng)一的前提下，更便于對(duì)開放性數(shù)據(jù)實(shí)現(xiàn)不同數(shù)據(jù)庫之間的鏈接。

(3) 在蛋白質(zhì)- 基因組- 疾病網(wǎng)絡(luò)關(guān)系圖日漸清晰的現(xiàn)狀下，以疾病(如抗腦卒中、抗抑郁等)為索引，構(gòu)建其信號(hào)通路上的蛋白質(zhì)數(shù)據(jù)庫以及藥效團(tuán)數(shù)據(jù)庫，可便于圍繞疾病開展的藥物設(shè)計(jì)與篩選。

4 結(jié) 語

基因組學(xué)和蛋白組學(xué)等學(xué)科的飛速進(jìn)步，使得許多疾病的治療靶標(biāo)及其三維結(jié)構(gòu)得以發(fā)現(xiàn)或確定，各種蛋白質(zhì)、核酸等生物大分子數(shù)據(jù)庫得到迅速擴(kuò)充，這為基于結(jié)構(gòu)的CADD和篩選提供了新的機(jī)遇。熟練應(yīng)用這些數(shù)據(jù)庫將會(huì)給基于結(jié)構(gòu)的CADD和高通量虛擬篩選帶來更大的進(jìn)步。