有了蛋白质三维结构,下一步怎么寻找候选药物?

0 阅读9分钟

现在蛋白质结构预测已经方便了很多。AlphaFold可以帮助我们获得蛋白质结构模型,RCSB PDB中也有大量实验解析的蛋白质结构。

但对于刚接触计算药物设计的同学来说,可能还存在一个问题:已经知道某个蛋白质的三维结构,下一步应该做什么?是不是把一个小分子放进蛋白质的结合口袋,跑一次分子对接,就算完成了药物设计?

实际上,结构基础药物设计(Structure-Based Drug Design,SBDD)远比这复杂。

蛋白质结构确实能够提供非常重要的信息,但真正的药物设计还需要考虑分子与靶点的相互作用、结合能力、选择性,以及药物在生物体系中的实际表现。

这里结合几个常用的方法和实际案例,聊聊从靶点结构到候选分子,大致需要经历哪些步骤。

首先,拿到蛋白质结构之后应该看什么?

如果已经确定了研究靶点,我通常建议先去RCSB PDB(www.rcsb.org/)检索一下,看看有没有…

尤其值得关注的是,数据库中是否存在这个蛋白质与小分子配体形成的复合物结构。

相比只有蛋白质本身的结构,蛋白质-配体复合物可以提供更直接的信息,例如配体结合在哪个区域、周围有哪些氨基酸残基,以及这些残基可能通过哪些相互作用参与配体识别。

一般来说,可以先用PyMOL或者UCSF ChimeraX打开结构文件,观察蛋白质整体构象,再将关注的结合区域单独显示出来。

如果已经存在共结晶配体,可以先检查其结合位点和周围残基;如果只有蛋白质结构,则可能需要进一步进行结合口袋识别。

这里有一个需要注意的问题:蛋白质并不是完全刚性的。

同一个蛋白质在不同的配体结合状态、构象状态下,结合口袋的形状可能存在变化。因此,结构质量、构象选择,以及是否保留重要的辅因子和水分子,都可能影响后续分析。

分子对接:预测小分子可能怎样与靶点结合

明确结合区域以后,就可以考虑分子对接(Molecular Docking)。

常见的工具有AutoDock Vina、Smina、DOCK等。

分子对接主要尝试解决两个问题:一个小分子可能以什么构象进入蛋白质结合口袋,以及不同候选构象在所采用的评分函数下表现如何。

以AutoDock Vina为例,基本流程包括准备受体蛋白结构、准备配体分子、定义搜索空间,再运行对接算法,获得候选结合构象和相应评分。

这里的受体准备和配体准备都很重要。

例如,配体的质子化状态、互变异构体、可旋转键,以及受体蛋白关键残基的质子化状态,都可能影响最终的对接结果。

对于初学者而言,还有一个比较容易出现的误区:把对接评分当成真实的结合自由能,甚至直接用它判断分子是否具有药物活性。

实际上,对接评分主要用于特定计算条件下的构象评价和候选排序。即使某个化合物获得了较好的评分,也不代表它一定具有较强的实验结合能力,更不能直接证明它具有细胞水平的抑制效果。

因此,分子对接更适合用于初步筛选和提出结构假设。

药物设计不只是筛选已有化合物,也可以优化和设计新分子

如果已经有一个具有一定活性的先导化合物,通常可以围绕它开展结构优化。

例如,观察先导化合物与结合口袋中哪些残基存在相互作用,是否有部分基团没有充分利用周围空间,以及哪些结构修饰可能改善分子的结合表现。

这是结构指导的先导化合物优化中比较常见的思路。

另一种方式是片段基础药物设计(Fragment-Based Drug Design)。

研究人员先找到能够与蛋白质局部结合的小分子片段,再根据结构信息,通过片段生长、连接或者合并等方法逐步优化。

如果不希望完全依赖现有的化合物骨架,也可以尝试从头分子设计(De Novo Molecular Design)。

这类方法会结合目标结合口袋的几何形状、化学环境和其他约束条件,提出新的候选分子结构。

近年来,生成式AI也被用于分子生成和优化,但实际得到的候选结构还需要进一步检查化学合理性、合成可行性以及相关药物性质。

这几种思路并不互斥。

实际研究中,经常需要结合已有活性数据、结构生物学证据和计算结果,反复调整候选化合物。

一个值得了解的案例:KRAS G12C抑制剂

KRAS曾长期被认为是比较难以直接进行小分子药物干预的靶点之一。

其中一个重要原因是KRAS蛋白缺少容易直接利用的传统深结合口袋,同时其天然核苷酸结合具有较高亲和力。

但针对KRAS G12C突变体的研究发现,蛋白质Switch-II区域附近存在可以利用的变构结合口袋。这为开发突变选择性的小分子抑制剂提供了新的方向。

后来,研究人员在结构信息和药物化学优化的基础上,开发了KRAS G12C共价抑制剂sotorasib(AMG 510)。

它能够利用G12C突变引入的半胱氨酸残基,与靶点形成共价结合,并影响KRAS的信号调控。

这个案例比较有代表性,因为它说明蛋白质结构信息能够帮助研究人员发现原本不容易注意到的结合区域,并指导后续的分子优化。

RCSB PDB中可以直接查询到KRAS G12C与AMG 510形成的实验复合物结构,编号为6OIM。

如果对结构药物设计感兴趣,可以下载这份结构,用PyMOL观察配体所在的位置,以及周围残基的空间分布。

不过,sotorasib的开发并不是简单运行一次常规分子对接的结果,而是经过了结合位点发现、化合物优化、生化实验和药理学研究等多个阶段。

尤其对于共价抑制剂,还需要考虑反应位点及共价结合机制,不能完全套用普通非共价分子对接的分析方法。

如果没有计算化学背景,应该怎么开始?

对于生物信息学或者分子生物学背景的同学,我更建议从一个已有实验结构的案例入手。

例如先下载PDB 6OIM,使用PyMOL观察目标蛋白与配体的结合方式,识别关键残基,再逐步学习分子对接、分子相互作用分析和虚拟筛选。

这比一开始就尝试设计全新的药物分子更容易理解,也方便利用已有的实验结构核对自己的分析结果。

现在还可以利用AI科研工具辅助完成部分数据获取和结构分析任务。

例如使用元空AI Science(www.e2sci.com/),可以尝试直接给出P…

对于分子对接任务,还可以要求平台记录受体准备、配体处理、搜索空间设置和运行参数,并将结构文件、分析代码和图表整理成可检查的结果。

这类方式比较适合需要开展结构分析、但又不熟悉全部计算软件操作流程的研究人员。当然,能否直接执行某种分子对接或药物设计模型,仍然取决于平台实际部署的软件和计算环境。

我觉得AI科研工具在这类任务中的价值,更多体现在协助执行重复性计算、整理不同软件的输出,以及帮助研究人员理解分析结果,而不是直接替研究人员判断哪个化合物能够成为药物。

最后

从蛋白质结构到候选药物,大致需要经历结合位点分析、候选分子获取或设计、分子对接与结构优化,再进入实验验证和进一步的药物性质评价。

蛋白质三维结构提供了非常重要的研究基础,但并不是有了结构就一定能设计出有效药物。

尤其是在实际科研中,计算筛选出的候选化合物还需要经过生化活性、选择性、细胞实验以及药代动力学等方面的评价。

结构基础药物设计真正重要的,是利用结构信息提出更合理的分子设计方案,再通过实验结果不断验证和修正这些方案。

对于刚开始学习计算药物设计的同学,不妨先从一个已有实验结构和已知配体的靶点开始,把结构查看、结合口袋分析及分子对接这些基础方法掌握清楚,再逐步了解更复杂的分子生成和结构优化方法。