<<< 滑动速览 >>>
榴莲忘返 2014
导读
作者采用多标准虚拟筛选流程，从约 240 万个分子中筛选出 6 个具有研究价值的分子（图 2）。其中，化合物 F2 在计算方法（对接得分 = -8.75 和 ΔGMM/GBSA = -48.96 ± 3.46 kcal/mol）和初步活性实验结果（抑制率：82.3 ± 3.5%）方面都具有很大的结构修饰潜力。
图 2. 筛选命中化合物的流程图。
考虑到化合物 F2 的高靶标亲和力和理想的生物活性，作者对其进行了两轮平行的 150 ns 的 HDAC6-F2 复合物分子动力学模拟（Supporting Information Figure S3），并进行了关键残基鉴定和代表性构象分析。通过深入了解化合物 F2 在 HDAC6 上的代表性构象，作者发现 F2 可以稳定地结合在活性口袋上，5-（2-氟苯基）吲哚片段可以作为 Cap 与活性口袋边缘的残基（如 H463、P464、S531、G582、L712 等）相互作用，而酯部分的羰基可以与 Zn2+ 单齿螯合（图 3A）。这种有效的结合构象使 F2 能够在一定程度上占据活性口袋，对底物的进入起到一定的阻断作用。
图 3. 靶标化合物的合理设计：(A) HDAC6 上的命中化合物 F2 的代表性构象；(B) HDAC6 上的 TubA 的代表性构象；(C) 命中化合物 F2 的分子结构；(D) TubA 的分子结构；(E) 设计的靶标化合物。
方法
作者在研究中采用了一种多标准的虚拟筛选流程，以期发现具有优化或研究价值的分子骨架。这一流程整合了基于配体和基于结构的虚拟筛选方法，并结合分子动力学模拟进行验证。
首先，从商业供应商和内部数据库中整合了一个包含约 240 万个分子的虚拟化合物库。为了提高筛选效率，利用 Lipinski 五规则 (Ro5) 对化合物库进行初步筛选，剔除了不符合类药性质的分子。随后，利用 PAINS-Remover 工具去除潜在的假阳性化合物，进一步缩小了筛选范围。
接下来，采用了一种基于深度学习的快速虚拟筛选方法——配体-靶点结合亲和力 (LTBA) 预测模型，来评估化合物与目标蛋白的结合能力。该模型基于简单结构图神经网络 (SS-GNN)，能够高效地预测化合物与靶点的亲和力。经过这一轮筛选，获得了约 12 万个具有理想靶点亲和力的分子。
为了进一步提高筛选精度，采用基于结构的虚拟筛选方法对剩余化合物进行评估。这一阶段包含三个步骤：(1) Glide-HTVS 高通量虚拟筛选，(2) Glide-SP/XP 精确对接和打分，(3) Prime MM-GBSA 计算结合自由能。经过这三个步骤的层层筛选，最终获得了约 1500 个满足筛选标准的分子。
在进行分子对接时，研究者仔细分析了化合物的结合构象，以确保其能够与活性口袋的关键残基发生相互作用，并维持有效的活性构象。他们还对筛选得到的分子进行了骨架聚类分析，并对每个类别中排名靠前的分子重新进行了对接和构象评估，最终保留了100个符合要求的分子。
为了进一步验证筛选结果的可靠性，作者对这 100 个分子进行了 50 纳秒的分子动力学模拟，并使用分子力学广义玻恩表面积 (MM-GBSA) 方法计算了其与目标蛋白的结合自由能。最终，6 个结合自由能 |ΔGMM/GBSA| ≥ 40 kcal/mol 的分子 (F1-F6) 被保留下来进行后续分析 (见 Supporting Information Table S1)。
值得注意的是，得分较高的分子通常表现出较高的靶点亲和力，但在本研究中没有发现明显的相关性。因此，在构建虚拟筛选流程时，需要综合考虑多个因素，以降低筛选的假阳性率。
经过多步骤的虚拟筛选，最终从大约 240 万个分子中获得了 6 个具有研究价值的分子。根据计算分析 (对接得分 = -8.75 和 ΔGMM/GBSA = -48.96 ± 3.46 kcal/mol) 和初步活性实验结果 (抑制率：82.3 ± 3.5%)，化合物 F2 表现出良好的结构修饰潜力。此外，F2 中包含的吲哚片段具有良好的理化性质，是药物分子中最常见的含氮杂环，易于合成和修饰，因此被选为先导化合物进行进一步的优化。
图 2. 筛选活性化合物的流程图
结果
通过虚拟筛选和结构优化，找到了一系列具有潜在 HDAC6 抑制活性的化合物。随后，他们成功合成了 20 多个目标化合物，并利用核磁共振和质谱等技术进行了结构表征。在这些化合物中，化合物 5i 对 HDAC6 表现出最强的抑制活性，IC50 值为 5.16 nM，并且对其他 HDAC 亚型具有良好的选择性 (见下表)。
化合物HDAC1 (IC50, nM)HDAC3 (IC50, nM)HDAC6 (IC50, nM)5a107.86 ± 8.34136.41 ± 10.6815.27 ± 1.355b133.62 ± 11.12198.34 ± 15.2310.17 ± 2.245e154.36 ± 7.98201.66 ± 35.7912.84 ± 1.955i638.08 ± 28.45396.72 ± 37.205.16 ± 0.255l448.72 ± 33.68375.82 ± 28.879.19 ± 0.485p221.78 ± 15.21189.75 ± 9.3414.86 ± 1.27TubA1960.32 ± 67.39281.36 ± 28.2113.57 ± 1.98化合物 5i 不仅对 HDAC6 有着优异的选择性，在抗肿瘤活性方面也展现出强大的实力。实验数据显示，化合物 5i 对 HL-60 和 HCT116 细胞系表现出显著的增殖抑制活性，IC50 值均小于 1 μM。进一步的研究表明，化合物 5i 能够显著诱导 HL-60 细胞凋亡，并阻滞细胞周期在 G0/G1 期。
为了深入了解化合物 5i 与 HDAC6 的作用机制，研究者进行了分子模拟研究。分子对接和分子动力学模拟结果揭示了化合物 5i 与 HDAC6 蛋白的关键结合位点和作用模式。这些发现为进一步优化 HDAC6 抑制剂的设计提供了重要的理论依据。
图示：化合物 5i 对代表性 HDAC 亚型的抑制活性
总结
作者通过高通量虚拟筛选、分子动力学模拟和结构优化设计了一系列以 5-苯基-1H-吲哚为骨架的 HDAC6 选择性抑制剂。化合物 5i 表现出优异的 HDAC6 抑制活性，IC50 值为 5.16 nM，同时展现出良好的亚型选择性。体外实验表明，化合物 5i 对 HL-60 和 HCT116 细胞系具有显著的抗增殖活性。深入的机制研究表明，化合物 5i 能够显著诱导 HL-60 细胞凋亡并阻滞细胞周期。研究者进一步通过分子对接和分子动力学模拟揭示了化合物 5i 与 HDAC6 蛋白的结合模式，为后续的药物设计提供了重要的理论依据。
化合物HDAC1HDAC3HDAC65a107.86 ± 8.34136.41 ± 10.6815.27 ± 1.355b133.62 ± 11.12198.34 ± 15.2310.17 ± 2.245e154.36 ± 7.98201.66 ± 35.7912.84 ± 1.955i638.08 ± 28.45396.72 ± 37.205.16 ± 0.255l448.72 ± 33.68375.82 ± 28.879.19 ± 0.485p221.78 ± 15.21189.75 ± 9.3414.86 ± 1.27TubA1960.32 ± 67.39281.36 ± 28.2113.57 ± 1.98表 2. 表现出有效细胞毒性的化合物的酶抑制活性
图 6. 5i 对 HL-60 细胞凋亡的影响。(A-D) 5i 对 HL-60 细胞凋亡的浓度依赖性影响。(E) 描述用 5i 处理后 HL-60 细胞凋亡率的量化直方图。
化合物 5i 的显著活性使其成为进一步研究的最佳候选者。通过 Western Blot 实验发现，5i 能够剂量依赖性地选择性上调乙酰化 α-微管蛋白的表达水平，而对低浓度乙酰化组蛋白 H3 的积累几乎没有影响。这表明 5i 抑制 HL-60 细胞生长主要是通过抑制 HDAC6 实现的。
参考资料:标题: Discovery of Potent Selective HDAC6 Inhibitors with 5-Phenyl-1 H -indole Fragment: Virtual Screening, Rational Design, and Biological Evaluation
作者: Li, Xuedong; Wang, Chengzhao; Chai, Xu; Liu, Xingang; Qiao, Kening; Fu, Yan; Jin, Yanzhao; Jia, Qingzhong; Zhu, Feng; Zhang, Yang
期刊: J Chem Inf Model
DOI: 10.1021/acs.jcim.4c01052
发表年份: 2024
对相关内容感兴趣的读者，可以添加小编微信加入读者实名交流互助群。添加时请主动注明姓名-企业-职位/岗位 或 姓名-学校-职务/研究方向。
点击这里 👉 关注我，记得标星哦～