4.3 Case study on targeting SARS-CoV-2 3CL protease在线视频

然后我们使用了五个模型

一个晶体结构模型

和其他四个用于进行

虚拟筛选的模型

在筛选化合物库之前

我们通常会进行一项

称为“回顾性研究”的基准研究

以确定那些获得

较高早期富集的策略

正如我之前在SARS-CoV-3CL

蛋白酶中所说的那样

考虑到高度的序列相似性

关于SARS-CoV-2 3CL

蛋白酶历史研究的

生化数据可以相对可靠地

用于SARS-CoV-2 3CL

蛋白酶的回顾性研究

特别是对于（找到）结合口袋

因为他们的亲缘关系几乎一样

因此，我们为对接

研究构建了一个小的基准集

包括了非共价活性物质

其中12种来自 SARS-CoV-2

来自蒋教授研究小组的一项研究

另外11种来自SARS-CoV 3CL

蛋白酶研究

聚类后IC50低于100nM

由于数据有限

我们从历史数据中

仅发现约170个实验测得的

非活性小分子

IC50大于50uM

抑制率小于20％

之所以使用实验测得的非活性分子

是因为尽管数量相对较少

我们想模仿实际情况

因此，我们在不同的蛋白质

构象上筛选了该基准集

然后，我们评估了整体排名

其中包括蛋白质的相对灵活性

并查看了其工作原理

这是此表的左列

左列仅显示了我们分析时

使用的晶体结构和同源性模型

我们发现

对于排名前2％

即排名前4的

对接评分可以识别出

两个活性位点

占排名最高的靶点一半

当我们查看前15％时

即前30时

对接评分可以根据使用的模型

来识别不同的活性位点

通过对接研究的整体

得分及其排名的结果

我们会发现靶标越多

被识别出的活性位点就越多

同的评分模型方法

对对接评分进行后期处理

例如MMGBSA

这是一种基于力场的评分方法

另一个是DL_score

它是一种深度学习的评分方式

基于实验有效/无效数据

总的来说

我们看到基于对接评分的

多靶标构型排序

可以提供最佳的早期富集

我们将其用于前瞻性筛选

考虑到（通常的）基准研究

是将活性分子与假定的

非活性分子分开来

我们的另外一个发现

是很难区活性分子和实验性非活性分子

因为假定的非活性分子

通常具有跟活性分子

相似的物理化学性质

例如分子量或者cLogP近似

但拓扑结构不同

但是对于实验测得的非活性分子

它们通常具有和活性分子相似的

拓扑结构

甚至相似的物理化学性质

所以将他们区分开来比较困难

但是，我们希望使用此基准研究

（包含实验测得的活性分子和非活性）

来真正模拟实际情况

而且我们还观察到

在晶体结构模型中

MMGBSA对于对接的评分

给出了相对可比的早期富集

由于基准集太小

因此在进行虚拟筛查时

也将使用此策略

这张幻灯片演示了

我们如何使用虚拟筛选

来筛选ReFRAME化合物库

从而达到药物再利用的目的

这种方法也可以应用于

其他化合物库的虚拟筛选

ReFRAME库包含约12,000种

经证实对人体安全的化合物

包括已批准的药物

和处于临床阶段的药物

我们将其整合起来

这是虚拟筛选的工作流程

我们在ReFRAME化合物库中

对每种模型进行了筛选

然后

我们根据对接得分进行整体排名

并包括每个模型中显示的灵活性

（然后我们）使用基于

力场的评分功能

针对该晶体结构模型

对筛选结果进行了重新评分

我们完成了第一轮筛选

最终确定了50个匹配项

并准备进行实验测试

而且，我们还使用了

基于分子动力学的方法

来对排名靠前的靶标进行评分

以使蛋白质灵活性加强

我们进行了第二次筛选

并进行实验测试

在第一轮针对50个靶标的筛选中

有些化合物未包括在基准中

但在后来在其他已发表

实验中显示出了效力

一种是Nelfinavir

其结构是HIV蛋白酶抑制剂

同样显示出细胞效能

另一个化合物也来自ReFRAME库

这种化合物虽然具有共价性

但也具有惊人的细胞活性

主要原因是虚拟筛选

只是用于对模型进行初步分类

新冠病毒可能会长期存在

因此从长远来看

我们正在努力寻找新的化学物质

GHDDI也积极投身这一目标

正如我之前提到的

有关于SARS / MERS

3CL蛋白酶的历史数据

也有关于其他半胱氨酸蛋白酶的研究

从这些数据中我们了解到

存在拟肽化合物

也有小分子化合物

它们是共价抑制剂

现在，也有非共价抑制剂

通常，获得有效的

非共价抑制剂相对更具有挑战性

因此，这些数据可以帮助我们

设计药物研发中的抑制剂类型

左图展示了一个共价结合类

肽分子的结合口袋

该化合物发表在今年的

《科学》杂志上

《科学》杂志上

具有相对较好的PK值

如前所述

为了在“苗头化合物发现”

阶段识别出新的化学物质

我们可以使用虚拟

筛选来筛选具有化学多样性的

大型化合物库

我们还可以从历史数据中

重新评估这些苗头化合物

从而了解这些苗头化合物

如何作用于SARS-CoV-2 3CL蛋白酶

一旦我们有了一个苗头化合物

在“苗头化合物到

先导化合物”及“先导化合物优化”阶段

如果想设计出共价抑制剂

就可能需要找到

具有选择性的共价弹头

基于量子力学的模型

可以帮助预测反应性

通过微调共价弹头的反应性

可能可以帮助提高选择性的研究

而且我们还需要提高效能

通常，我们可以针对

每个子口袋枚举小的化合物库

对于蛋白酶

这里有不同的子口袋

例如，这里是S1结合口袋

S2结合口袋，S3指向溶剂

S4结合口袋，这里也有S1结合口袋

我们还可以基于靶标

结构进行合理的化合物设计

以及通过共价对接或

对接筛选枚举的或者设计的化合物

甚至可以进一步使用

基于分子动力学的方法

来估计结合性进行化合物挑选

当我们要研发药物时

我们需要改进类药物属性

我们可以使用ADME / T

预测来帮助药物化学家

评估类药物的特性

最后，感谢收听

希望各位对本堂课感兴趣

尽管时间有限

希望各位初步了解了

如何应用计算机技术

协助药物研发过程