案例研究 | 共识对接和 MM-PBSA 识别新冠治疗潜在天然产物抑制剂

导读

研究者通过共识对接和 MM-PBSA 计算，发现某些呋喃蛋白酶天然产物抑制剂具有抗击新冠病毒的潜力。

• 🎯 呋喃蛋白酶被认为是 SARS-CoV-2 的潜在治疗靶标。
• 🧪 研究者利用 HYBRID 和 AutoDock Vina 软件，对 3942 种非洲天然产品化合物进行了虚拟筛选。
• 📊 从中筛选出 20 种化合物，作为潜在的候选先导化合物。
• 🔬 这些化合物展现出了良好的抑制活性和药代动力学/毒理学特性。

该研究采用共识对接方法，结合 HYBRID 和 AutoDock Vina 软件，针对人类呋喃蛋白酶（PDB: 4RYD）对 3942 种源自非洲的天然产物化合物进行了虚拟筛选。

在分子对接、构象对齐检查和呋喃-配体相互作用方面符合标准的 20 种化合物被选作候选先导化合物。ROC 计算得到的 AUC 值为 0.72，以及 Boltzmann 增强的 ROC 曲线（BEDROC）值为 0.65，显示 AutoDock Vina 是筛选此靶标活性化合物的有效工具。

其中 7 种化合物被提议作为潜在先导化合物，它们与催化三重组 Ser368、His194 和 Asp153 以及活性位点的其他关键残基具有结合作用，其 MM-PBSA 计算的结合自由能在-189 至-95 kJ/mol 之间，表现出良好的 ADME/毒理学属性。

这些分子还被预测具有抗病毒、抗炎、膜通透性抑制、RNA 合成抑制、细胞保护和肝脏保护作用，其潜在活性值（Pa）高于 0.5，潜在无效值低于 0.1。

其中一些分子还具有抗流感活性。流感病毒与 SARS-CoV-2 在进入人体细胞的方式上有诸多相似之处，均通过呋喃蛋白酶促进。其中一种潜在先导化合物，蜂胶化合物的 Pinobanksin 3-(E)-caffeate，在先前的研究中已显示出对 SARS-CoV-2 的 ACE2、TMPRSS2 和 PAK1 信号通路具有抑制作用。同样，槲皮素与目前正在进行 COVID-19 临床试验的异槲皮素在结构上具有相似性。

共识对接方法

在此研究中，研究者使用 OEDocking HYBRID 和 AutoDock Vina 来评估来自非洲天然来源的化合物。关键是识别那些结合能量为-7 kcal/mol 或更低的化合物，表明它们可能抑制 furin 蛋白酶。

天然产物库

来自非洲数据库的来源

利用了来自北非天然产物数据库（NANPDB）、东非天然产物数据库（EANPDB）和 AfroDb 数据库的 7391 种天然化合物库。

过滤过程

过滤软件 FILTER 在精炼这个库中发挥了关键作用。它排除了具有非药物样性质、毒性或非先导样特性的化合物，留下了 3942 个可用于进一步分析的候选物。

Furin 蛋白酶的结构

晶体结构分析

人类 furin 蛋白酶的晶体结构（PDB ID: 4RYD），揭示了有关蛋白质活性部位的关键信息，并在随后的对接研究中发挥了重要作用。

验证对接工具

确保准确性

在进行虚拟筛选之前，对接工具 HYBRID 和 AutoDock Vina 经过了验证。这个过程涉及评估它们在富集一组已知 furin 抑制剂和诱饵活性化合物方面的性能。

虚拟筛选过程

第一阶段：使用 HYBRID

研究者使用 HYBRID 工具将预过滤的化合物库对接到蛋白质的活性部位，并使用 Chemgauss4 评分函数进行评估。

第二阶段：使用 AutoDock Vina

同时，使用 AutoDock Vina 将同一化合物库对 furin 蛋白酶进行筛选，使用特定的网格箱尺寸定义蛋白质的活性部位。

选择潜在的先导化合物

选择标准

根据它们的对接分数、构象比较分析中的对齐以及它们与蛋白质活性部位关键残基的相互作用来选择化合物。

评估稳定性和结合自由能

分子动力学模拟

对选定的先导化合物进行了 100 ns 的分子动力学模拟，使用 GROMACS 评估它们与 furin 蛋白酶的相互作用稳定性。

MM-PBSA 计算

然后采用分子力学泊松-玻尔兹曼表面面积（MM-PBSA）计算，以确定这些蛋白质-配体复合物的结合自由能。

进一步分析和预测

结构相似性和活性预测

研究者对识别的命中化合物进行了结构相似性搜索，并使用物质活性谱预测（PASS）工具估计它们的生物活性。

ADME/Tox 特性分析

使用各种计算工具对先导化合物的吸收、分布、代谢、排泄和毒性（ADME/Tox）特性进行了概况，以预测它们的药代动力学特性和潜在毒性。

主要结果与图表

图 1：研究方法的逐步展示

本研究采用分子对接技术，从非洲天然产品数据库（ANPDB）筛选天然产物，针对 Furin 蛋白酶进行研究。接着，通过分子动力学（Molecular Dynamics）模拟分析这些分子间的相互作用，并预测其生物活性。所用技术还包括分子力学-泊松-玻尔兹曼表面积法（MM-PBSA）、物质活性谱预测（PASS），以及吸收、分布、代谢、排泄和毒性（ADMET）分析。

图 2：AutoDock Vina 对 Furin 蛋白酶的 ROC AUC 评估

使用 AutoDock Vina 对 52 种活性化合物和 224 个对照物进行筛选，并对 Furin 蛋白酶进行评估，得出的 AUC 值为 0.72。

图 3：结合配体的化学结构

展示了与 Furin 蛋白酶结合的配体 para-guanidinomethyl-Phac-R-Tle-R-Amba（MI-1148）的化学结构。

图 4：Furin 蛋白酶结合口袋

（A）展示了 Furin 蛋白酶的活性位点区域，其中 S1、S2、S3、S4 和 S5 标签指示活性配体可能占据的位置。S1 和 S2 区域包含催化三元组 Ser368（绿色）、His194（黄色）和 Asp153（紫色），这些是潜在抑制剂最常结合的区域。（B）活性位点的催化三元组以棍棒模型展示。

图 5：潜在先导化合物的化学结构

展示了针对 Furin 蛋白酶预测的几种潜在先导化合物的化学结构。

• （A）槲皮素（Quercitrin）。
• （B）Teucrol。
• （C）Malvinidin-3-arabinoside。
• （D）N-E-caffeoyl tyramine。
• （E）Pinobanksin 3-(E)-caffeate。
• （F）Abyssinone IV。
• （G）ZINC000085967772。

图 6：选定潜在先导化合物的构象

研究发现，大多数化合物能够结合在含有催化残基的 S1 和 S2 区域。例如，Abyssinone IV 和 Quercitrin 与 His194 和 Ser368 的催化残基形成了氢键或疏水相互作用。与配体形成氢键的残基用黑色标记，疏水相互作用的残基用红色标记。这些图像由 PyMOL（v 2.0.6）生成。

图 7：Furin-配体复合物在 100 纳秒模拟中的根均方偏差图

在对骨架进行最小二乘法（lsq）拟合后，所有潜在先导化合物在 MM-PBSA 计算中表现出强烈的结合力，结合自由能得分为-172.892 ± 24.913 kJ/mol（表 3 和图 9）。所有其他潜在先导化合物的结合自由能也表现合理（表 3），与它们在分子对接后获得的结合亲和力良好相关。

之前的研究探讨了 Furin 蛋白与叶酸和叶酸钙两种配体之间的分子相互作用，使用 MM-PBSA 方法进行研究。叶酸和叶酸钙的结合自由能分别为-27.90 和-12.84 kcal/mol，虽与本研究观察到的 Furin 蛋白酶的相互作用残基不同，但本研究中预测的化合物对 Furin 蛋白酶的亲和力高于这两种叶酸类似物。

图 8：Furin-配体复合物在 100 纳秒模拟中的回转半径图

图 9：MM-PBSA 计算中潜在先导化合物的蛋白-配体复合物的结合自由能

图 10：通过 SwissADME 预测的潜在先导化合物的 ADME 特性

图中展示了使用 SwissADME 预测的几种潜在先导化合物的 ADME 特性。

• （A）槲皮素（Quercitrin）。
• （B）Teucrol。
• （C）Malvinidin-3-arabinoside。
• （D）N-E-caffeoyl tyramine。
• （E）ZINC000085967772。
• （F）Pinobanksin 3-(E)-caffeate。
• （G）Abyssinone IV。

表格 1：人类 Furin 蛋白酶潜在活性化合物分析

展示了通过共识分子对接筛选出的前 20 种潜在活性化合物，并列出了它们在 HYBRID 和 AutoDock Vina 分子对接中得到的结合能分数。同时提供了基于构象比较得到的 RMSD 值。

表格 2：潜在先导化合物与其氢键相互作用残基

列出了潜在先导化合物及其通过氢键（H-bond）相互作用的残基，并显示了它们通过 AutoDock Vina 获得的结合能量，与作为对照的 MI-1148 相当。

表格 3：潜在先导化合物的能量贡献估算

展示了通过分子力学/泊松-玻尔兹曼表面积（MM-PBSA）计算估算的潜在先导化合物的能量贡献。能量值以平均值及其标准偏差表示。

表格 4：潜在先导化合物的 ADMET 性质预测

利用 pkCSM 服务器预测潜在先导化合物的 ADMET 属性。

表格 5：潜在先导化合物的毒性预测

利用 Protox-II 对潜在先导化合物的毒性进行预测。

缺点:

• 缺乏实验验证：
• 研究过度依赖计算预测，未对提出的抑制剂进行体外或体内验证。
• 存在计算模型无法准确预测化合物在现实中的效果或毒性的风险。
• 数据解读和结论：
• 在没有实验支持的计算方法限制下，得出的结论可能过于乐观。
• 研究可能忽视了潜在的非靶标效应或毒性问题，因为重点放在了计算机预测上。

改进建议

• 加入实验验证：

• 对识别出的化合物进行体外和/或体内测试，以验证计算预测并评估其现实世界的效果。
• 研究顶级化合物的药代动力学和药效学，以更全面地评估。

• 扩展数据解读：

• 讨论计算方法的局限性，避免在没有实验验证的情况下过度解读结果。
• 探讨潜在的非靶标效应和毒性问题，提供对发现的更平衡的观点。

---

参考资料:

• Dankwa, B., Broni, E., Enninful, K. S., Kwofie, S. K., & Wilson, M. D. (2022). Consensus docking and MM-PBSA computations identify putative furin protease inhibitors for developing potential therapeutics against COVID-19. Structural Chemistry, 33(6), 2221–2241. https://doi.org/10.1007/s11224-022-02056-1

— 完 —

关注我，记得标星哦～