Rho激酶抑制剂三维定量构效关系的研究.doc

上海应用技术学院 毕业设计(论文) 题题 目：目：Rho 激酶抑制剂三维定量构效关系的研究激酶抑制剂三维定量构效关系的研究 专专 业：业： 应用化学应用化学 班班 级：级： XXXXXXX 学生姓名：学生姓名： XXX 学生学号：学生学号： XXXXXX 指导教师：指导教师： XXXX 化学与环境工程学院化学与环境工程学院 2013 年 6 月 3 日 上海应用技术学院毕业设计（论文）任务书上海应用技术学院毕业设计（论文）任务书 题目：Rho 激酶抑制剂三维定量构效关系的研究 学生姓名：XX 学号：XXXXXXX 专业：应用化学 任务起至日期： 2013 年 1 月 1 日至 2013 年 6 月 18 日 共 18 周 一、课题的任务内容： 本论文将采用 3D-QSAR 法，在 SYBYL-X 2.0 的水平下，以部分分子结构和生物活性 （pIC50 值）已知的 Rho 激酶抑制剂分子为训练集, 选用此系列分子的理化描述子, 包括 分子的形状, 静电作用能和范德华作用能以及疏水描述子, 用三维定量构效关系(3D- QSAR) 方法建立反映分子结构与生物活性之间的定量构效关系模型。并基于此模型来设计 新的 Rho 激酶抑制剂分子和进行结构修饰。 二、原始条件及数据： 原始资料来自于文献和指导教师提供的资料 三、设计的技术要求（论文的研究要求）： 建立具有显著统计学意义，预测能力良好的 3D-QSAR 模型 四、毕业设计（论文）应完成的具体工作： 1分子结构的搭建 2分子叠合 3.COMFA、COMSIA 回归分析（3D-QSAR 模型的建立） 4. COMFA、COMSIA 模型结果分析 5.新型活性分子设计及活性预测 软硬件名称、内容及主要的技术指标（可按以下类型选择）： 计算机软件 SYBYL-X 2.0 结 构 模 型 五、查阅文献要求及主要的参考文献： 要求：查阅中文文献 10 篇，外文文献 5 篇以上 主要参考文献： 1. Ramasamy Thilagavathi, Raj Kumar, Vema Aparna, M. Elizabeth Sobhia, Bulusu Gopalakrishnan and Asit K. Chakraborti. “Three-dimensional quantitative structure (3-D QSAR) activity relationship studies on imidazolyl and N-pyrrolyl heptenoates as 3-hydroxy-3- methylglutaryl-CoA reductase (HMGR) inhibitors by comparative molecular similarity indices analysis (CoMSIA)” Bioorganic & Medicinal Chemistry Letters, 2005, 15:10271032 2. Assia Kovatcheva, Gerhard Buchbauer et al. QSAR Modeling of r-Campholenic Derivatives with Sandalwood Odor J. Chem. Inf. Comput. Sci. 2003, 43, 259-266 六、进度安排：（设计或论文各阶段的要求，时间安排）： 求计算机应用能力和英语阅读能力较强 工作计划：要求完成下列内容： 1分子结构的 搭建； 2分子结构的优化； 3分子的叠合；43D-QSAR 模型的建立；5.模型的有效 性检验、新型活性分子设计及结构修饰。 工作计划： 第 1 周 第 3 周 查阅文献和收 集资料。 第 4 周 第 13 周 分子结构的搭建、优化、模型的建立与验证 第 14 周 第 15 周 新型活性分子设计及结构修饰 第 16 周 第 18 周 撰写论文，准备答辩。 指导教师： XXX 审核意见： 教研室主任： RhoRho 激酶抑制剂三维定量构效关系的研究激酶抑制剂三维定量构效关系的研究 摘要：运用比较分子力场分析方法（CoMFA）和比较分子相似性指数分析法（CoMSIA）对 一系列 Rho 激酶抑制剂化合物的结构参数和 pIC50 值进行分析，以 58 个分子结构和 pIC50 值已知的 Rho 激酶抑制剂化合物为训练集, 用三维定量构效关系（3D-QSAR）方法 建立了预测模型，采用抽一法(leave one out，LOO) 检验了预测模型的可信性，接着用 一个由 5 个 Rho 激酶抑制剂化合物组成的测试集进一步验证预测模型的预测能力，用交 叉验证系数 q2和相关系数 R2的值来证实 3D-QSAR 预测模型是否有良好的预测能力。研 究结果表明我们所建立的 3D-QSAR 模型在统计学上具有明确、良好的预测能力。 关键词：三维定量构效关系（3D-QSAR） ；Rho 激酶抑制剂；pIC50 值；CoMFA；CoMSIA Study of the 3D quantitative structure-activity relationship (QSAR) in Rho kinase inhibitor Abstract：Using comparative molecular field analysis (CoMFA) and comparative molecular similarity indices analysis (CoMSIA) to analyze the structural parameters and the pIC50 value of the Rho kinase inhibitor,I select 58 of them for the training set,using three-dimensional quantitative structure-activity relationship (3D-QSAR) method to build a prediction model,using the pumping method (leave one out, LOO) to test the credibility of the forecasting model, and then use a test set by 5 compounds further validate the predictive capability of the prediction model,and using cross-validation coefficient of q2 and the value of the correlation coefficient R2 QSAR prediction model has good predictive ability or not.The results show that the 3D-QSAR model which we built has statistically clear, and good predictive ability. Key words：Three-dimensional quantitative structure-activity relationship (3D-QSAR)；Rho kinase inhibitor；pIC50 value；CoMFA；CoMSIA 目录 1 1 绪论绪论 .1 1.1 研究的背景与目的.1 1.2 研究现状和进展.2 1.2.1 基于结合口袋关键位点残基差异的选择性抑制剂设计 2 1.2.2 以激酶的活性和非活性构象差异为基础的选择性抑制剂设计 3 1.2.3 多靶点的 ATP-竞争性蛋白激酶抑制剂的研究 3 1.3 主要研究内容.3 1.3.1 分子结构的搭建与优化 4 1.3.2 分子的叠合 4 1.3.3 建立模型、回归分析以及模型分析 4 2 2 理论原理及计算方法理论原理及计算方法 .5 2.1 SYBYL 软件简介5 2.2 三维定量构效关系（3D-QSAR）的介绍及其基本原理 5 2.3 研究方法概述.6 2.3.1 化合物活性构象的确定 6 2.3.2 分子叠合 6 2.3.3 CoMFA 和 CoMSIA 简介 7 2.4 研究方案.8 2.4.1 数据集的收集 8 2.4.2 建立训练集（training set） ，测试集（test set）及结构的优化 .9 2.4.3 建立数据库 9 2.4.4 模型构建的准备工作及分子叠合 9 2.4.5 CoMFA 模型的建立.10 2.4.6 CoMSIA 模型的建立10 2.4.7 预测活性计算 11 3 3 3D-QSAR3D-QSAR 模型结果分析模型结果分析 .13 3.1 研究对象.13 3.2 分子叠合.17 3.3 PLS 分析结果18 3.4 COMFA 模型的预测 .19 3.5 COMSIA 模型的预测20 3.6 测试集化合物的预测.22 3.7 COMFA 等势图 .23 3.8 COMSIA 等势图24 3.9 新药物分子的设计.26 4 4 结论结论 29 致谢致谢 30 Rho 激酶抑制剂三维定量构效关系的研究 1 1 绪论 1.1 研究的背景与目的 蛋白激酶(protein kinase，PK)是细胞内最大的蛋白家族之一，在真核细胞信号转导 中扮演重要的角色，是酶家族中重要的成员。人类基因组内共含有 518 个蛋白激酶基因， 约占真核生物基因的 1.7%。蛋白激酶是一类磷酸转移酶，其作用是将 ATP（三磷酸腺苷） 分子的 磷酸基转移到底物蛋白特定的氨基酸残基上，使底物蛋白磷酸化。蛋白质磷酸 化的逆过程是由蛋白磷酸酶（protein Phosphatase，PP）催化脱去磷酸基，称为蛋白质的 去磷酸化。 蛋白激酶在信号转导中的作用主要有两个方面：（1）通过磷酸化调节蛋白质的活性， 磷酸化和去磷酸化是绝大多数信号通路组分可逆激活的共同机制，大多数蛋白质在磷酸 化后具有活性，少数则在去磷酸化后具有活性；（2）通过蛋白质的逐级磷酸化，使信号 逐级放大，引起细胞反应。 由细胞外信号引起的蛋白磷酸化和去磷酸化过程调节着真核细胞的大部分信号转导， 在调节代谢、基因表达、细胞生长、细胞分裂和细胞分化等方面起关键性作用。因此蛋 白激酶活性异常通常会引发包括癌症、糖尿病、炎症在内的许多重大疾病。超过 400 种 人类疾病与蛋白激酶有直接或间接的关系，鉴于此，激酶己成为继 G 蛋白偶联受体之后 的第二大药物治疗靶标。据统计，目前全世界药物在研或开发项目中约三分之一均与蛋 白激酶相关。 Rho 蛋白是由 200300 个氨基酸组成的信号肽，相对分子质量为 2030ku。该蛋 白有 2 种异构酶：ROCK I/Rho 激酶 /pl60ROCK 和 ROCK/Rho 激酶 。Rho 蛋白可呈 胞质游离型或与膜结合型，能够结合并水解鸟苷酸，使其在有活性的 GTP 结合状态与无 活性的 GDP 结合状态之间循环1。在细胞的信号转导通路中，Rho 蛋白起到分子开关作 用，通过作用于细胞骨架、靶蛋白而产生多种生物效应，主要在肌动蛋白细胞骨架重组、 细胞移动与黏附、细胞形态改变、平滑肌细胞收缩、血管平滑肌细胞增殖、血小板集聚、 细胞生长和凋亡、抑制神经元轴突再生、基因转录、细胞周期调控、细胞分裂、膜泡运 输等细胞活动中起重要作用2,3-5。 Rho 激酶为 Rho 蛋白下游作用底物，它与血管痉挛、动脉硬化、局部缺血/再灌注损 伤、心力衰竭、心肌梗死、高血压及心绞痛等心血管疾病的发生及发展关系密切，被看 作是心血管疾病治疗的新靶标6,7。研究表明，Rho 激酶还与支气管哮喘、青光眼、勃起 功能障碍8、神经系统疾病（如中风、脊髓损伤、阿尔茨海默病等）9，以及肿瘤的浸 润和转移10等有关。 Rho激酶对许多细胞活动，如血管平滑肌细胞收缩、肌动蛋白细胞骨架重组、细胞 黏附和移动、胞质分裂、肿瘤细胞浸润和基因表达等具有重要的调节作用。Rho激酶抑 制剂已成为目前新药研究的热点，为心血管等多种疾病的治疗开辟了新途径。 Rho 激酶抑制剂三维定量构效关系的研究 2 三维定量构效关系技术已经成为药物设计中的常规手段之一。对于各类药物的设计 及先导物的优化起着重要指导作用。三维定量构效关系（3D-QSAR）技术在药物设计中 的成功应用，可以有效指导药物的设计合成，缩短药物的研发周期，降低企业的成本， 从而减少投资风险，是一种省时、省力、省钱的应用技术，因此越来越受到研发机构和 企业的重视。由此可见，这种研究方法对于设计新药物具有十分重要的意义。 近年来，分子对接和 3D-QSAR 方法被应用于 ROCK 抑制剂即 Rho 激酶抑制剂的研 究。在本论文中，3D-QSAR 方法被应用于 Rho 激酶抑制剂的研究。CoMFA 和 CoMSIA 分析，用来研究影响化合物活性的结构因素。考虑到基于受体的 3D-QSAR 研究通常能 得到比较好的结果，因此选用这些化合物在结合口袋中叠合的构象来建立 3D-QSAR 模 型。得到的模型不仅能够用于预测新设计的抑制剂，也可对抑制剂的结构修饰给出指导。 1.2 研究现状和进展 Rho激酶是近十年来发现参与细胞运动的主要激酶之一，对细胞的分裂、收缩、粘 附、迁移、分泌等活动具有重要调节作用。Rho激酶的高表达或过度激活与许多心脑血 管疾病的发生发展密切相关，Rho激酶现在已经成为新药研发的重要靶点，而Rho激酶抑 制剂的不断发现为心血管、神经系统等疾病的治疗提供了新的希望。 蛋白激酶抑制剂可用于多种疾病的治疗。至今已发现了大量天然和合成的蛋白激酶 抑制剂（PKI），其中多数是通过与 ATP、肽底物或酶辅助因子等竞争结合激酶的 ATP 结合位点、肽结合位点或变构调节位点而起作用的。其中 ATP-竞争性抑制研究得最多， 这类抑制剂已经开发和正在开发成为治疗多种复杂性疾病的新药，其抑制活性依赖于它 对 ATP-结合口袋和它周围残基的内在亲合力，以及 ATP 分子对于激酶的特异性亲合力。 目前 ATP-竞争性蛋白激酶抑制剂的研究主要是新骨架先导化合物的发现以及选择性和多 靶点抑制剂的研究。 1.2.1 基于结合口袋关键位点残基差异的选择性抑制剂设计 Vulpettia 等人分解出 38 个组成激酶活性口袋的残基，这 38 个残基对于不同的激酶 略有差异，这种差异正是目前许多选择性激酶抑制剂设计的依据。在这些残基中，目前 利用最多的是 gatekeeper 残基，不同激酶的 gatekeeper 残基不一样，可据此设计出特异 性的抑制剂。 另外，研究发现细胞周期蛋白依赖性激酶-2（CDK-2）的抑制剂通常对糖原育成酶 激酶-3（GSK-3）的抑制活性也相当高，因此选择性的 CDK-2 抑制剂的设计首先要解 决针对 GSK-3 的选择性问题。Vulpettia 等人用 GRID/CPCA 和 GRIND/CPCA 方法比较 了 10 个不同配体与 CDK-2 和 GSK-3 结合的晶体结构并主要分析了激酶的活性口袋的 两个重要的残基差异：CDK-2 的 gatekeeper 残基为 phe80，而 GSK-3 的为 LeuI32；CDK- 2 的 Alal44 残基对应的是 GSK-3 的 Cysl99 残基。同时发现 CDK-2 的结 Rho 激酶抑制剂三维定量构效关系的研究 3 合口袋相对不如 GSK-3 的结合口袋细长和平坦。研究结果为 CDK- 2 和 GSK-3 选择性 抑制剂的合理设计提供了指导。 最近，Blundell 等人用多元线性回归方法研究了十字饱碱的结合亲合力与结合位点 的形状之间的关系，统计分析结果指出 gatekeeper 残基较大的激酶和十字饱碱结合力更 强。除可利用一个关键残基差异外，也可同时利用多个关键残基差异，即使用多重“过滤” 条件。此外，还可以从非选择性的激酶抑制剂或选择性作用于关系紧密的其他激酶的抑 制剂出发，利用结合位点的关键残基差异来设计特异性的蛋白激酶抑制剂。 1.2.2 以激酶的活性和非活性构象差异为基础的选择性抑制剂设计 激酶有活性和非活性两种构象。目前己发现一些激酶抑制剂，除占据 ATP 结合位点 外，还同时占据变构位点，一般将这种类型的激酶抑制剂称为型抑制剂（或间接的 ATP 竞争性抑制剂），而仅作用于 ATP 结合位点的抑制剂则称为 I 型抑制剂。由于变构 位点的序列和结构保守性较低，因此，与 I 型抑制剂相比，型抑制剂具有更高的选择 性。 Liu 等人发展了一套设计新一代型蛋白激酶抑制剂的方法。其基本思路是以某个 I 型抑制剂为基础，在其尾部添加一个片段，该片段需要具有一个氢键给体和受体基团， 以及一个疏水取代基，以占据变构位点。该工作组己用此方法在四种不同的 I 型抑制剂 骨架上添加 3-三氟甲基苯酞胺基团，设计出了一系列高亲合性的型抑制剂。 1.2.3 多靶点的 ATP-竞争性蛋白激酶抑制剂的研究 由于细胞的信号通路相互交错，单靶点 PKI 疗效可能不够理想，也有可能产生耐药 性，于是多靶点 PKI 成为另一种研究趋势。多靶点 PKI 能作用于多个靶点、效率高、安 全性好、抑制肿瘤效果显著。目前有关多靶点受体酪氨酸激酶抑制剂的研究非常活跃， 出现了一些新药，有的己经取得了重大突破性进展。 Rho 激酶（ROCK）是目前研究最为清楚的小 GTP 结合蛋白 Rho 效应器，它属于丝 氨酸/苏氨酸蛋白激酶家族成员。ROCK 通过控制肌动蛋白细胞骨架组装和细胞收缩来调 控细胞生长、迁移、代谢和凋亡。它有两个亚型：ROCK-1 和 ROCK-2。这两个亚型具 有高度同源性，序列的同源性大于 65%，激酶域的同源性高达 92%。他们在多种组织中 都有特异性表达，比如大脑、心脏、肺、肝、胃、脾、肾以及骨骼肌。ROCK 抑制剂可 用于多种疾病的治疗，比如高血压、老年性痴呆症、支气管哮喘、心肌缺血、心力衰竭、 中风、癌症转移和肾病等。 近年来，对 Rho 激酶的研究已取得很大进展，其抑制剂法舒地尔在临床上已被用作 蛛网膜下腔出血的治疗药物。另外，Iijima 等人识别出了几种 ATP 竞争性 ROCK 抑制剂， 并在此基础上合成了一系列 1H-吲唑和异喹啉类的新化学骨架。 Rho 激酶抑制剂三维定量构效关系的研究 4 1.3 主要研究内容 本课题主要研究的是 Rho 激酶抑制剂化合物中具有相同骨架的分子的三维定量构效 关系。利用 SYBYL-X 软件，对已知训练集中的分子进行研究分析，以便预测出未知的 测试集中的分子的生物活性11。具体包括以下内容： 1.3.1 分子结构的搭建与优化 将所要进行试验的63个化合物用ChemDraw，Chem3D软件画好结构，并保存为pdb 格式文件，再用SYBYL-X软件打开，利用Tripos力场进行能量最小化计算来优化化合物 结构，保存为SYBYL-X专用的mol2格式文件。分别建立由58个化合物组成的training set（训练集）数据库和其他5个化合物组成的test set（测试集）数据库。 1.3.2 分子的叠合 利用SYBYL-X软件提供的Align Database对训练集和测试集中化合物进行分子叠合， 这是基于公共骨架的叠合，叠合完毕后将数据库表格刷新。 1.3.3 建立模型、回归分析以及模型分析 分别对训练集中的化合物进行CoMFA和CoMSIA计算，进行回归分析，根据交叉验 证系数及相关系数的数值开始对化合物的构象进行调整、优化，直至交叉验证系数大于 0.500，相关系数大于0.900小于等于1.000。利用训练集所得模型对测试集进行预测活性 计算，得到模型结果进行分析。 Rho 激酶抑制剂三维定量构效关系的研究 5 2 理论原理及计算方法 2.1 SYBYL 软件简介 SYBYL 是 Tripos 公司专门为药物小分子与生物大分子科学领域研究者所设计分子 模拟软件。它提供了一套完整的分子结构搭建、编辑和可视化的工具。其功能包括：分 子模建与编辑、计算（分子三维结构优化）、数据分析与组织、分子在三维空间的图形 表达和注释、高质量图形输出及用户定制等等。SYBYL 内嵌多种力场，包括 Tripos , AMBER，MM2 和 MMFF94，适用于药物设计相关的各种体系。模拟的内容包括了药物 小分子的建模、构象分析、三维定量构效关系研究、药效团建模、虚拟筛选、生物大分 子的同源模建、活性位点分析、数据库搜索等。包括以下内容相关的模块： 1基本操作平台(包括开发平台) Linux 操作系统下运行 2基于配体的药物设计(药效团概念、QSAR 和 ADME) 3药物设计(虚拟筛选 和 denovo 设计) 4组合化学(化学库设计和分子多样性) 5结构生物学(大分子模拟和同源模建) 6信息学(生物信息学和化学信息学) 7 NMR 相关模块 总的来说，它是最全面的药物与分子设计专业工具，提供了综合的分子模拟工具 结构搭建、优化、比较；结构与相关数据可视化；注解、硬拷贝、以及屏幕截图；此 外，全部的用户界面重新设计以节约时间并简化了工作流。在 SYBYL 内用户可以通过 分子表单（Molecular Spreadsheet）来计算，管理，显示和分析分子的特性。灵活的输入 输出方式可以让用户方便使用通用的数据库资源。用户使用内置的脚本语言 SPL （SYBYL Programing Language）能够将复杂的分子模拟和药物设计过程自动完成，实现 自己的药物设计理念。在 SYBYL-X 中，完成常规任务更加快捷与便利，从获得数据到 科学发现的发表等全部工作流程的性能得到提升。所有的这一切都是以最高质量的分子 发现科研为目的的。 2.2 三维定量构效关系（3D-QSAR）的介绍及其基本原理 所谓定量构效关系（Quantitative Structure-Activity Relationship，QSAR），是指将化 合物的结构参数和其生物活性数据以一定的等式相联系起来的定量关系，是一种基于小 分子结构的设计方法，利用它可以为药物设计和先导物的优化提供理论依据。上世纪 Hansch、Fujita和Free、Wilson分别发现了两种不同表达方式的二维定量构效关系，从中 我们深刻了解了药物-受体结合作用方式。但是传统的2D-QSAR方法的局限性很大，在 Rho 激酶抑制剂三维定量构效关系的研究 6 研究新化合物或者新取代基的定量构效关系时，很难找到相对应的量化参数，不仅如此， 在设计合成由2D-QSAR预测高活性化合物时，我们还必须要有相当的物理有机化学、量 子化学、计算化学等方面的只是，结果很难以图像的方式直观的显示出来。 3D-QSAR是以配基和受体的三维结构特征为基础，根据分子的内能变化和分子间相 互作用的能量变化来定量分析三维结构与生物活性间的关系。这就使得预测高活性化合 物的结果可以用图像直观的显示出来12。3D-QSAR使用的技术主要有分子形状分析法 （MSA）、比较分子力场分析法（CoMFA）、比较分子相似因子分析法（CoMSIA）、 分子力场分析（MFA）、虚拟受体等。 一般来说，3D-QSAR 方法通过计算被研究化合物的优势构象和分子中的原子电荷， 确定被研究化合物构象在网格中的定位规则，并设计能容纳所有被研究化合物构象式的 三维网格，根据定位规则将分子在空间进行叠加，计算每个化合物构象的一系列空间性 参数（如立体排斥能、静电势等），最后用偏最小二乘法得出最佳组分数和 3D-QSAR 模型。通过 3D-QSAR 模型可预测未知化合物的活性，同时得到的等高图可反映出决定 化合物生物活性的各药效基团13-14。 3D-QSAR 的基本原理主要是利用数学模式对药物的化学结构信息（如各种取代基参 数，拓扑指数以及量子化学与分子力学计算参数）与其生物活性之间的关系进行定量分 析，找出结构与活性间的量变规律，然后根据这种规律及未知化合物的结构预测未知化 合物的性能。 3D-QSAR 模型的研究建立在以下基础上：（1）分子的形状在一定程度上影响其生 物活性，分子的活性构象是研究 3D-QSAR 的关键；（2）药物分子与受体之间的相互作 用是借助可逆的、非共价结合的弱作用力实现的，如静电引力、疏水作用、氢键、范德 华引力等。由于 3D-QSAR 直接反映药物分子与受体三维空间上的互补性，更准确表达 了药物与受体之间的相互作用，因此，近十多年来 3D-QSAR 方法得到了迅速的发展。 2.3 研究方法概述 2.3.1 化合物活性构象的确定 在预测分子的几何构象以得到能量函数局部极小（即化合物的活性最大） ，力场是一 种重要的方式。力场需要根据研究对象的特点来进行选择，在SYBYL-X软件中，提供了 多种优秀的力场，而针对本文对Rho激酶抑制剂化合物，我们选用Tripos力场来进行优化， 以确定化合物的活性构象。 2.3.2 分子叠合 要进行3D-QSAR研究，首先要选取化合物的3D活性构象进行叠合。构象选取及叠合 的好坏直接关系到3D-QSAR研究的结果。如果化合物具有公共的骨架，就以公共骨架进 行构象叠合；如果已知受体与配体的复合物三维结构，可以采用分子对接的方法得到其 Rho 激酶抑制剂三维定量构效关系的研究 7 叠合的三维活性构象；也可以采用3D药效团模型得到的叠合构象进行3D-QSAR研究。 鉴于本文化合物具有公共骨架，采用的是Align Database方法将训练集化合物分子进 行叠合。 2.3.3 CoMFA 和 CoMSIA 简介 CoMFA和CoMSIA是应用最广泛的合理药物设计方法之一15，这种方法认为，药物 分子与受体间的相互作用取决于化合物周围分子场的差别，以定量化的分子场参数作为 变量，对药物活性进行回归分析便可以反应药物与生物大分子之间的相互作用模式进而 有选择地设计新药。 比较分子力场分析方法（CoMFA） ，是目前最为成熟且应用最为广泛的方法。 CoMFA 是在分子水平采用分子场研究分子性质，其最初是为小分子集而设计的，在不 了解受体三维结构的情况下，研究这些药物分子周围三种作用力场分布，把它们与生物 活性定量地联系起来，既可以推测受体的某些性质，又可依此建立一个模型来设计新化 合物，并定量地预测其药效强度。CoMFA 的基本步骤可概括为：（1）确定各化合物的 药效构象，依据合理重叠规则,把它们重叠在一个包容全部化合物分子的空间网格上； （2） 使用一个探针比如带一个单位正电荷的甲基计算相互作用能，这一步将产生一个 基于 Lennard-Jones 6-12 势的立体相互作用能和一个基于 Coulombic 势的静电相互作用 能，这些作用能即构成 CoMFA 描述子矢量；（3） 用偏最小二乘法16,17（partial least square，PLS）确定可区分被研究化合物活性的最少网格点（以立体阻障、静电势、疏水 性相互作用表示），进而建立各分子生物活性与相互作用能的 3D-QSAR 模型；（4） 作 CoMFA 系数图，从系数图上可以清楚地看出哪些地方场强对生物活性影响最大，据 此可以设计具有更强生物活性的新化合物。这只是一个总体简化的计算过程，大量的研 究工作包括在上述各个步骤中，对其展开的激烈争论仍在继续。从 CoMFA 的计算步骤 及其应用情况可以看出：分析过程中要严格选择各种参数，慎重选取电荷以及有关的计 算方法；严格定义排列标准和所选择的条件以及场的缩放比例和权重，对每一个分析都 应该作交互检验并且应该考虑交互检验中的典型问题如离群项的讨论；最后要提供或至 少要讨论最终模型的等高线，给出有关生物数据的出处以及生物数据的标准误差，提供 观测值和预测值以及依赖于训练集的生物活性值的预测效果。应该说，CoMFA 方法中 关键问题是合适的校准策略分子对接问题的选择。 相对于 2D-QSAR，CoMFA 具有两大优势即可应用于非同系物体系和可以 3D 图形 显示，因此自其公布以来，正在得到广泛的应用18-22。但 CoMFA 方法受很多因素比如 活性构象确定、分子叠合规则、分子场势函数定义以及分子场变量选取等影响，结果不 是很稳定；同时还有一定的应用限度21，比如 CoMFA 中没有真正体现疏水性相互作用， 而疏水性相互作用是配体-受体间一种很重要的相互作用力，尽管这种作用力的含义至今 尚不完全清楚。其次，CoMFA 对于体内生物活性数据的分析经常得不到有意义的结果， 并且 CoMFA 中应用 PLS 统计技术得出的潜参数（组分）难以用传统的化学思维来解 Rho 激酶抑制剂三维定量构效关系的研究 8 释。另外，由于选取的参数不尽一样，因此结果之间难于比较。正因为如此，其正在不 断被完善和发展，如 Gaillard 等22,23把“疏水场”概念引入到 CoMFA 计算中；Kellogg 等24发展了计算氢键相互作用的 HINT（hydropathic interaction）程序并把它成功地引入 CoMFA 中。起初，CoMFA 的方法应用于靶标蛋白结构未知的 3D-QSAR 建模中，最近 也被应用于靶标结构已知的研究中25-28。 CoMFA 的基本原理是：如果一组相似化合物以同样的方式与受体部位发生相互作 用，那么它们的生物活性的强弱就取决于每个化合物周围分子场的差别，这种分子场可 以反映药物分子和受体之间非键相互作用特性。马翼等人采用 CoFMA 方法对 N-（4-取 代嘧啶-2-基）苄基磺酰脲和苯氧基磺酰脲类化合物进行三维定量构效关系研究，建立了 一个较为可靠的预测模型。近年来，研究人员对传统的 CoMSIA 进行了大量的改进，其 中涉及到活性构象的确定，分子叠加规则、分子场势函数的定义以及分子场变量的选取 等等，在很大程度上提高了 CoMFA 计算的成功率。 在这里值得一提的是与 CoMFA 类似的一种 3D 模型化方法：比较分子相似性指数 分析法（CoMSIA） 。1994 年 Klebe 等29定义了包含配体成键的主要作用场30的 5 种分 子特征：立体场、静电场、疏水场、氢键场（包括氢键受体和氢键给体）。其中，立体 场同原子半径的三次方相关，静电场来自于原子净电荷，疏水场来源于 Viswanadhan 等 31的研究工作，氢键场则是通过自经验得到的基本准则来获得的32。比较分子相似性指 数分析法（CoMSIA）是对 CoMFA 方法的改进，他改变了探针粒子与药物分子相互作用 能量的计算公式，从而获得更好的分子场参数。CoMSIA 中采用与距离相关高斯函数形 式代替经典 Coulomb 和 Lennard-Jones 6-12 势函数形式，致使在分子表面附近格点上的 能量自动收敛为确定值，从而不要人为定义阈值（cutoff）。CoMSIA 方法能有效地避 免在 CoMFA 方法中由静电场和立体场函数形式所引起的缺陷。其计算在不同格点大小 以及分子空间取向下得到的结果比 CoMFA 稳健得多33。CoMSIA 方法中，可避免在原 子附近数值的奇异性以及分子表面附近格点处势能的急剧变化，等势图克服了 CoMFA 的不足，其可视性、揭示构效关系和对新化合物活性的预测均得到了改善。在一般情况 下，CoMSIA 会得到更满意的 3D-QSAR 模型30,34,35。 2.4 研究方案 本论文以分子结构参数及相应的实验数据为基础，应用 CoMFA、CoMSIA 等方法对 Rho 激酶抑制剂的三维定量构效关系的进行了研究。采用比较分子力场分析（CoMFA） 和比较分子相似性指数分析（CoMSIA）的方法建立了 Rho 激酶抑制剂的三维定量构效 关系模型。 2.4.1 数据集的收集 可靠的预测模型是建立在可靠的数据集基础之上的，因此数据集的获得及数据的质 量是 QSAR 研究成败的重要影响因素。数据可以来自实验，也可以来自文献资料或者数 Rho 激酶抑制剂三维定量构效关系的研究 9 据库。理想的实验数据应该是在同样的实验条件下测得的，甚至应该是由同一个实验室 的同一个研究者测得的。并且活性数据最好是使用当前学术界公认的一些标准样本进行 实验测量的，这种的数据实验误差较小、质量较高36。Dearden37等人建议数据集的活 性值范围至少要大于 1 个数量级，而 SYBYL8.0 说明书38：则指出，活性值应大于 2-3 个数量级。另外，数据集的样本量一般不能少于 10 个。同时，样本的取代基最好多样化， 吸电子、给电子基，体积大、体积小的取代基尽量要包含在内。 本文所选择的 63 种 Rho 激酶抑制剂的结构和活性值是从文献39-41的 QSAR 研究中 选择出来的。 2.4.2 建立训练集（training set） ，测试集（test set）及结构的优化 数据集被分别随机分成训练集和测试集，测试集包括化合物 27，40，49，60 和 61，所有其他化合物被列入到训练集。 利用 ChemDraw 分别将 63 个分子结构图表示出来，再导入 Chem3D 软件中，与表 中所给结构图进行对比看是否有误，确认无误后另存为 pdb 格式文件。 分子力场的选择与优化方法的选择：本文选择的是利用 Tripos 力场进行能量最小化 计算。 打开 SYBYL-X 软件，从分子数据库中读入初始结构。 选择所要进行优化的分子，对分子进行命名。 命名完成后确定力场并确定电荷类型，进行最小化计算，参数设定如下：在 Minimize 对话框中，点击 Minimize Details,将最大重复次数（Max.Iterations）增加到 1000，把 Gradient 减低到 0.005，再将 Color Option 设定为 Force，利用 Tripos 力场进行 能量最小化计算的参数设定就完成了。 点击 OK，就完成了一个分子的优化，然后把优化好的分子存成 Mol2 格式文件以便 后面的分析。 接下来对剩下所有分子进行同样的操作，共得到 63 个优化好的分子文件。 2.4.3 建立数据库 文件分为两类，化合物 27，40，49，60 和 61 为测试集，剩下的为训练集。训练集 化合物的 Mol2 文件保存在 training.mdb，测试集化合物的 Mol2 文件在 test.mdb。 2.4.4 模型构建的准备工作及分子叠合 在 SYBYL-X 软件中读取训练集数据库文件 training.mdb，并在数据库的第一列导入 活性值即 pIC50 值。 接下来进行分子的叠合。分子叠合的方法有多种42-45： 1）化合物具有公共的骨架，就以其公共骨架进行构象叠合； 2）采用3D 药效团模型 GALAHAD 进行叠合构象： 它可以快速生成高质量的药效团和分子叠合结果。对结合于同一位点的一系列分子， Rho 激酶抑制剂三维定量构效关系的研究 10 GALAHAD 可自动生成药效团模型和分子叠合结果。这一方法无需预先知道药效团元素， 限制条件和分子叠合，这使它成为探索新靶标和新作用模式的理想工具。GALAHAD 采 用成熟的新遗传算法（GA） ，它把分子定义为核心结构和一系列二面角。为了克服现有 药效团工具的局限性，GALAHAD 的遗传算法在真实的数据集上开发出来的。 分子叠合是 CoMFA 和 CoMSIA 计算的关键步骤，叠加的好坏