?

导读

研究者通过药效团模型和 3D QSAR 研究，筛选并优化 HDAC3 抑制剂。

• ?? HDAC3 是一种表观遗传调节因子，与多种癌症和神经退行性疾病的过表达有关
• ??? 对 50 种苯甲酰胺基 HDAC3 选择性抑制剂进行药效团建模，筛选出具有相似药效团特征的分子
• ?? 使用 3D QSAR 模型进行预测，显示出良好的预测能力
• ?? 对筛选出的分子进行分子对接研究，识别出潜在抑制剂
• ?? 进行 Prime MM/GBSA、结合自由能和 ADMET 研究，选出先导化合物
• ?? 对先导化合物进行 MD 模拟，评估其稳定性

数据集的准备

收集与选择

研究团队从众多文献中精选出 50 种结构类似且针对 HDAC3 表现出高选择性的已知苯甲酰胺基抑制剂。

结构转换与活性数据

运用 Schrodinger 套件中的 2D 草图工具绘制了这些化合物的结构，并将其转化为 3D 结构。同时，他们还将抑制活性的 IC50 值转换为 pIC50 值，以得到清晰的线性输出值。

配体的准备

通过 Maestro 面板的 2D 草图工具绘制的 50 种分子，经过进一步优化，包括应用 OPLS-2005 力场，并在配体准备?？橹醒∪∧芰孔畹偷墓瓜?。

药效团模型的构建与评分

药效团假设

药效团模型基于活性分子所共有的关键特征，如氢键供体、氢键受体、疏水性和芳香性等。

3D QSAR 模型

研究者利用药效团模型构建了 3D QSAR 模型，用于预测化合物的活性，并指导改进活性的先导化合物的设计。

蛋白质的准备与网格生成

处理过的 HDAC3 晶体结构，在蛋白质准备工作流程?？榈陌镏?，被用于网格生成和分子对接研究。此步骤涵盖了填补缺失的侧链、指定键序和添加氢原子的过程。

基于药效团的 PHASE 配体筛选

研究者选取了具有高生存分数的共有药效团假设，用于 PHASE 配体数据库的筛选，目的是寻找具有相似药效团特征的小分子。

分子对接

分子对接是计算药物发现中不可或缺的一环。研究者通过 GLIDE ?？榈男槟馍秆」ぷ髁鞒堂姘澹辛朔肿佣越友芯?，以预测分子与靶标活动区域的结合取向和构象。

结合自由能的计算

研究者使用了 Schrodinger 套件的 Prime ?？?，计算了配体-受体复合物的结合自由能，以优化从对接研究中得到的先导化合物。

ADMET 预测

成功的药物发现离不开对先导化合物药代动力学属性的评估。研究者通过 QikProp ?？槠拦懒嗣蟹肿拥?ADME 参数，并使用 pkCSM 工具对它们的体内毒性进行了预测。

分子动力学（MD）模拟

MD 模拟是评估受体-配体复合物稳定性的关键手段，对于确定配体分子的结合亲和力至关重要。这些模拟在 Desmond ?？橹薪校⑻峁┝斯赜谂涮?蛋白接触和氢键相互作用的详细信息。

主要结果

• ?? 药效团模型是基于 50 种苯甲酰胺类 HDAC3 选择性抑制剂构建的。
• ??? 采用 ADRR_1 假设的药效团数据库进行虚拟筛选，结合 HDAC3 分子对接，发现了潜在的先导抑制剂。
• ?? 3D QSAR 模型揭示了结构-活性关系，预测了新抑制剂的活性。
• ?? 排名前十的分子 M1 至 M10，经过分子对接和优化后，确定 M1 和 M2 为潜在的先导化合物。
• ?? M1 和 M2 的分子动力学模拟评估显示，它们与 HDAC3 形成的复合物不稳定。
• ?? 新设计的先导化合物 M11 和 M12，在对接得分和动力学行为方面表现出色。

首先基于 50 种苯甲酰胺类 HDAC3 选择性抑制剂构建了药效团模型，用于识别具有类似特征的新 HDAC3 潜在抑制剂。通过 ADRR_1 假设进行药效团数据库的虚拟筛选，并将筛选结果应用于 HDAC3 分子对接中，识别出潜在的先导抑制剂。接着，运用基于原子的 3D QSAR 模型，描述了结构与活性之间的关系，并预测了新识别先导抑制剂的活性。

通过 HDAC3 分子对接，作者筛选出了排名前十的分子 M1 至 M10，并对这些分子进行了优化。四种潜在的先导化合物 M1、M2、M3 和 M4 被识别出来，它们展示了可接受的 ADME 和毒性参数。特别是 M1 和 M2，在与 HDAC3 的对接复合物的分子动力学模拟中，表现出了不稳定的特征。

基于 MD 模拟的构象分析和 3D QSAR 模型的洞察，作者对先导结构进行了修改，并重新进行了 MD 模拟分析。新设计的先导化合物 M11 和 M12，在 HDAC3 对接研究中展示了良好的对接得分、MM/GBSA 结合自由能以及 3D QSAR 预测活性。在 MD 模拟中，这些化合物与 HDAC3 的复合物展示了稳定且一致的相互作用，并在 50 纳秒的模拟期间保持了良好的 RMSD、RMSF、蛋白质-配体（PL）、配体-蛋白质（L-P）接触。此外，M11 和 M12 的配体扭转剖面表明它们在整个模拟过程中维持了稳定的相互作用，有效地结合在 HDAC3 的活性位点。

与已报告的抑制剂相比较，MD 模拟分析也支持了 M11 和 M12 对 HDAC3 的稳定和潜在行为。同时，通过预测 ADMET 参数，评估了这些新设计的先导化合物的药物样性，显示出可接受的结果。M11 和 M12 作为先导抑制剂的药效团骨架，在与 HDAC3 残基 His134、Gly143 和 Phe144 的对接和 MD 模拟中显示出一致的相互作用，表明它们能够稳定地结合到 HDAC3 的活性位点，这对其抑制活性至关重要。

图表一：HDAC 抑制剂的药理学研究

• A： 获得 FDA 批准的小分子泛 HDAC 抑制剂。
• B： 含有强效苯酰胺基团的 ZBG HDAC3 抑制剂。
• C： 典型 HDAC 抑制剂的共同药效团特征。

图表二：药效团假说与结构对齐分析

• a： 最佳药效团假说 ADDRR_1 展示了由两个氢键供体（D3, D5）、一个受体（A1）以及两个芳香环（R8, R9）组成的共同药效团特征，分别以青色、粉色和黄色立方体表示。
• b： 与参考配体（化合物 2）一起的 ADDRR_1 假说。
• c： 最佳药效团假说 ADDRR_1 的立方体之间的距离。
• d： 用于 3D QSAR 建模的 40 个数据集抑制剂的结构对齐。

图表三：活性化合物与药效团假说的对齐

• 最活跃的化合物 16（3a）和最不活跃的化合物 38（3b）与 ADDRR_1 假说的对齐情况。

图表四：数据集抑制剂适应性得分分析

图表五：3D QSAR 模型的实际活性与预测活性的相关性

• a： 整个 50 个数据集抑制剂的实际活性与预测活性的散点图。
• b： 训练集的实际活性与预测活性具有良好的平方相关系数（R2）为 0.89。
• c： 测试集的散点图显示了交叉验证相关系数（Q2）为 0.88（圆圈内的点表示异常值）。

图 6: 3D QSAR 轮廓图分析

• 氢键供体效应：呈现了化合物 16（图 a）和化合物 38（图 b）的氢键供体效应。
• 疏水基团效应：对化合物 16（图 c）和化合物 38（图 d）的疏水基团效应进行分析。
• 吸电子基团效应：探讨了化合物 16（图 e）和化合物 38（图 f）的吸电子基团效应。图中，活性的增加和减少分别用青色和红色轮廓线标示。

图 7: 潜在先导化合物的 2D 配体相互作用

图 8: HDAC3 与先导化合物的模拟复合体的 RMSD 和 RMSF 图

图 9: 设计的先导化合物 M11 和 M12 与 HDAC3 的 3D 和 2D 分子对接构象及其残基相互作用

图 10: 先导化合物 M11 与 HDAC3 分子对接复合体的 RMSD 图

潜在问题:

• 缺乏实验验证：
• 该研究完全基于计算模型，未进行实验验证，可能会引起对发现实际应用性的关注。
• 缺乏体外或体内实验等实验数据，限制了确认所鉴定化合物生物活性的能力。
• 方法问题：
• 研究中使用的 50 种基于苯甲酰胺的抑制剂的选择标准描述不够详细，可能会引起关于潜在偏见的问题。
• 未能充分讨论三维 QSAR 模型过拟合的可能性，这可能影响预测准确性。

改进建议

• 加入实验验证：
• 为加强研究发现，作者应考虑包括实验验证，例如体外实验，以测试通过计算机模型生成的假设中鉴定的顶级候选物的生物活性。
• 与实验研究人员合作测试计算机模型生成的假设，将大大增强论文的影响力。
• 增强方法论透明度：
• 对研究中所使用的 50 种基于苯甲酰胺的抑制剂的选择提供更详细的理由。
• 讨论采取了哪些措施以防止三维 QSAR 模型过拟合并确保其预测可靠性。

• Lanka, G., Begum, D., Banerjee, S., Adhikari, N., P, Y., & Ghosh, B. (2023). Pharmacophore-based virtual screening, 3D QSAR, Docking, ADMET, and MD simulation studies: An in silico perspective for the identification of new potential HDAC3 inhibitors. Computers in Biology and Medicine, 166, 107481. https://doi.org/10.1016/j.compbiomed.2023.107481 IF: 7.7 Q1 B2

点击这里??关注我，记得标星哦～