论文部分内容阅读
目的:Neddylation作为一种蛋白质翻译后修饰,是由NEDD8所介导的多步级联酶促反应将其与底物蛋白共价结合。这个催化过程由NEDD8激活酶、NEDD8结合酶和NEDD8连接酶共同作用完成。Neddylation在人类多种肿瘤和神经退行性疾病中出现异常上调,因此针对Neddylation作为治疗相关疾病的有吸引力的方法。研究表明,中断DCN1-UBE2M相互作用,能够选择性抑制Neddylation[1]。目前,由Guy等人发现了一系列哌啶基脲类和吡唑并吡啶酮类DCN1-UBE2M抑制剂,具有较好的抑制活性。然而这两类抑制剂的构效关系未有报道,且抑制剂与靶蛋白的具体作用机制也不明确。本研究通过计算机辅助药物设计方法对这两类抑制剂进行分子模拟研究,有助于阐明它们与DCN1-UBE2M相互作用之间的作用机制,并为这两类抑制剂进一步结构优化提供理论基础。方法:本论文使用了计算机辅助药物设计中的分子对接、分子动力学以及3D-QSAR这三种研究方法。分子对接方法和分子动力学方法可对抑制剂与靶蛋白的作用机制进行分析。根据3D-QSAR方法建立CoMFA模型和CoMSIA模型并进行分析,得到抑制剂的结构特征与活性之间的关系。结果:哌啶基脲类抑制剂的对接结果表明所有化合物均能结合到由Ile1083、Ile1086、Phe1089、Pro1097、Phe1109、Ala1111、Thr1113、Gln1114、Phe1117、Phe1164、Met1177、Tyr1181和Leu1184等氨基酸组成的活性口袋,并且所有化合物均与氨基酸Gln1114形成氢键。通过比较化合物12和74的结合方式,两者在活性口袋中的构象存在较大差异,化合物74与靶蛋白结合更稳定。12-6BG3和74-6BG3两个体系都经过50ns的分子动力学模拟。从RMSD轨迹图看出,74-6BG3体系在25ns趋于稳定,而12-6BG3体系一直波动。对比两个体系氨基酸的RMSF值,发现74-6BG3体系在活性位点上关键氨基酸Gln1114、Tyr1181、Phe1109、Ala1111、Thr1113、Phe1164 的 RMSF 值比 12-6BG3体系低。通过氢键分析,化合物74与靶蛋白在模拟过程中所形成的氢键明显多于化合物 12。结合自由能分析推测 Ile1086、Phe1089、Va11102、Ile1 105、Ala1106、Gln1114、Phe1164、Met1177和Tyr1181是结合时的关键氨基酸。这类抑制剂所构建的CoMFA模型(q2=0.686,r2=0.966,r2pred=0.879)和CoMSIA模型(q2=0.682,r2=0.931,r2pred=0.875)都具有良好的预测能力。通过等势图分析,了解到结构与活性的关系。吡唑并吡啶酮类抑制剂均可以进入到靶蛋白结合位点上,它们可能与Cys1090、Pro1097、Ala1106、Cys1115和Tyr1181这些氨基酸残基产生氢键相互作用。基于公共骨架叠合将此类抑制剂建立了可靠且预测能力较好的CoMFA模型(q2=0.533,r2=0.944,r2pred=0.561)和 CoMSIA 模型(q2=0.596,r2=0.976,r2pred=0.687)。分析其等势图可获得结构和活性之间的关系。根据模型所得信息进行优化,设计出30个化合物。结论:Neddylation是一个有吸引力的抗癌靶标,许多研究人员为此开展研究工作。本研究对一系列哌啶基脲类抑制剂和吡唑并吡啶酮类抑制剂进行计算机辅助药物设计研究,研究中所使用的工具是分子对接、分子动力学和3D-QSAR。分子对接能够有利于理解抑制剂与靶蛋白结合的作用机制,可以得到结合过程中的重要氨基酸和氢键相互作用对化合物的影响。而分子动力学则是进一步对对接结果的验证。通过3D-QSAR建立两个模型,从模型的统计参数判断其可靠性和预测能力。模型的等势图能够更加清楚地了解抑制剂结构和活性的关系,从而知道哪些结构特征影响化合物活性。在此基础上,对吡唑并吡啶酮类抑制剂进行优化,尝试设计出30个化合物。我们希望为设计出活性更好的抑制剂提供有理论依据。本论文分为以下5章:第一章:主要概述了 NEDD8、Neddylation过程及相关酶和底物以及DCN1-UBE2M相互作用机制,最后概述靶向DCN1-UBE2M抑制剂的研究进展。第二章:介绍了本研究中所使用的计算方法,主要是分子对接、分子动力学以及三维定量构效关系。主要阐述了这三种计算方法的发展和基本原理。第三章:从文献里选择了 90个哌啶基脲类抑制剂先进行分子对接研究,阐明这类抑制剂与靶蛋白在结合时的模式和作用机制,随后利用分子动力学模拟进一步研究它们与靶蛋白结合时的较为详细细节,如稳定性和关键氨基酸,从而验证对接结果是否可靠。第四章:对90个哌啶基脲类抑制剂开展三维定量构效关系研究,构建了两个可靠且预测能力较好的模型,即CoMFA模型和CoMSIA模型。根据这两个模型的等势图进行分析,可得到影响抑制剂活性的结构特征。以此为进一步对哌啶基脲类抑制剂进行结构修饰提供一些帮助。第五章:将58个吡唑并吡啶酮类抑制剂进行了分子对接和3D-QSAR研究。通过分子对接解释了此类抑制剂与靶蛋白的结合模式。以公共骨架叠合作为叠合方式建立了 CoMFA模型和CoMSIA模型。对其等势图分析能够清楚了解对活性有影响的结构特征。以此为基础将化合物优化,设计了 30个新化合物,并预测了其活性和ADMET。