CN110289054B - 一种法尼基焦磷酸合酶fpps抑制剂的筛选方法及应用 - Google Patents

一种法尼基焦磷酸合酶fpps抑制剂的筛选方法及应用 Download PDF

Info

Publication number
CN110289054B
CN110289054B CN201910545132.5A CN201910545132A CN110289054B CN 110289054 B CN110289054 B CN 110289054B CN 201910545132 A CN201910545132 A CN 201910545132A CN 110289054 B CN110289054 B CN 110289054B
Authority
CN
China
Prior art keywords
fpps
inhibitor
screening
compound
database
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910545132.5A
Other languages
English (en)
Other versions
CN110289054A (zh
Inventor
刘清竹
邱玲
林建国
吕高超
彭莹
李珂
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu Institute of Nuclear Medicine
Original Assignee
Jiangsu Institute of Nuclear Medicine
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jiangsu Institute of Nuclear Medicine filed Critical Jiangsu Institute of Nuclear Medicine
Priority to CN201910545132.5A priority Critical patent/CN110289054B/zh
Publication of CN110289054A publication Critical patent/CN110289054A/zh
Application granted granted Critical
Publication of CN110289054B publication Critical patent/CN110289054B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/50—Molecular design, e.g. of drugs
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/60—In silico combinatorial chemistry
    • G16C20/64—Screening of libraries

Landscapes

  • Chemical & Material Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medicinal Chemistry (AREA)
  • Health & Medical Sciences (AREA)
  • Library & Information Science (AREA)
  • Physics & Mathematics (AREA)
  • Pharmacology & Pharmacy (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Pharmaceuticals Containing Other Organic And Inorganic Compounds (AREA)

Abstract

本发明提供了一种法尼基焦磷酸合酶FPPS抑制剂的筛选方法，包括：1)FPPS模板构建，2)数据集准备；3)基于分子对接的虚拟筛选；4)基于药效团模型的虚拟筛选；5)结合能计算；6)综合步骤3)、4)和5)的对接打分，药效团模型FitValue值和结合能，获得FPPS抑制剂；7)对虚拟筛选获得的FPPS抑制剂进行FPPS酶活性抑制实验，确定FPPS抑制剂，如式I所示结构。本发明充分发挥了理论筛选的优势，减少药物合成的盲目性，有效提高阳性药物命中率，节省人力、物力、财力，实现老药新用价值。本发明还提供了筛选获得的FPPS抑制剂在制备治疗结肠癌药物中的应用。

Description

一种法尼基焦磷酸合酶FPPS抑制剂的筛选方法及应用
技术领域
本发明涉及医药技术领域，具体涉及一种以法尼基焦磷酸合酶FPPS为靶点的虚拟筛选方法，以及该方法获得的FPPS抑制剂和作为制备治疗结肠癌药物的应用。
背景技术
甲羟戊酸通路是生物体内多种基本产物所必须的生物化学途径，主要包括胆固醇，类异戊二烯、多萜醇和泛醌等。近来已证实多种致癌途径最终归因于甲羟戊酸通路，以维持在解除管制代谢区域内的癌细胞存活。致癌和肿瘤抑制途径关联于甲羟戊酸通路，特别是具有代谢异常的癌细胞通过上调该通路以维持细胞增殖。甲羟戊酸通路为非转化细胞的高调控途径，调控机制中的任何变化均将导致该途径失调，最终导致肿瘤疾病的发生。因此，甲羟戊酸通路已成为治疗癌症相关药物研究的重要通路，该途径调节剂的设计和应用也随之成为癌症治疗研究的重要方面。法尼基焦磷酸合酶(Farnesyl pyrophosphatesynthase，FPPS)作为甲羟戊酸通路中的关键酶之一，已成为治疗多种疾病的重要分子靶点，如抗肿瘤药物、抑菌剂，神经代谢性疾病药物以及抗寄生虫药。
阿仑膦酸、利塞膦酸、唑来膦酸等因其强效、低剂量、使用方便等特点，被认为是具有更优临床疗效且适应症更加广泛的含氮双膦酸(N-BPs)类FPPS抑制剂。然而，当前双膦酸类FPPS抑制剂在临床上表现出较差的细胞摄取和对非骨组织的靶向性。由于该类药物具有较高的极性，导致其较差的细胞膜通透性和药代动力学性质，且缺乏肿瘤特异性识别摄取和分子靶向性，对正常细胞产生较大的细胞毒作用。同时，N-BPs具有较短的血浆半衰期。因此，这类药物以非骨组织疾病(如癌症)为治疗靶标的临床应用受到极大限制，亟需寻找选择性高的新型结构的FPPS药物先导物。
药物发现是一个昂贵、低效和冗长的过程，而计算机辅助药物设计方法的出现，为新药研发注入了新的活力。近年来，利用虚拟筛选(Virtual Screening,VS)方法已成功筛选设计出多种活性药物分子。因此，在计算机辅助药物设计的思路和方法下，基于FPPS酶的成药性靶点—烯丙基结合位点的结构特征，筛选获得靶向FPPS的非双膦酸类抑制剂，以通过降低FPPS抑制剂的极性，以提高其在非骨组织中的血药浓度和生物利用度，从而提高对非骨组织疾病的治疗。
发明内容
因此，本发明要解决的技术问题在于克服现有双膦酸类FPPS抑制剂的存在的高极性和骨亲和性，低非骨组织靶向性，以及FPPS相关先导物发现的低效、高成本等问题，从而提供一种结构新颖，良好药代动力学性质、靶向特异性的非双膦酸类FPPS抑制剂虚拟筛选方法及其在抗肿瘤方面的应用。
为解决上述技术问题，本发明采用的技术方案如下：
本发明提供一种法尼基焦磷酸合酶FPPS抑制剂的筛选方法，包括以下步骤：
1)FPPS模板构建：获取FPPS复合物晶体，对FPPS复合物晶体进行结构处理及FPPS活性位点定义；
2)数据集准备：已知活性FPPS抑制剂从FPPS复合物晶体结构中提取，用于模型验证；虚拟筛选化合物从商业数据库获取；
3)基于分子对接的虚拟筛选：通过对已知FPPS复合物晶体结构的分子对接计算，确定分子对接方法；对数据库化合物与FPPS进行对接打分；利用Lipinski类药性“5原则”计算数据库化合物的类药性；
4)基于药效团模型的虚拟筛选：构建基于3-8个受体结构的药效团模型，对化合物数据库进行筛选；计算数据库化合物ADMET成药性；
5)结合能计算：对筛选化合物与FPPS进行结合能计算；
6)综合步骤3)、4)和5)的对接打分，药效团模型FitValue值和结合能，获得FPPS抑制剂；
7)对虚拟筛选获得的FPPS抑制剂进行FPPS酶活性抑制实验，确定FPPS抑制剂，具有如式I所示结构：
Figure BDA0002103709660000021
进一步的，上述法尼基焦磷酸合酶FPPS抑制剂的筛选方法，步骤1)FPPS复合物晶体从PDB数据库获取，FPPS复合物晶体解析分辨率小于
Figure BDA0002103709660000022
FPPS复合物晶体结构处理包括去水，加氢，去重复构象、补全缺失残基；FPPS活性位点定义通过已知活性FPPS抑制剂在FPPS复合物晶体的作用位点进行确定，选定活性中心球半径
Figure BDA0002103709660000033
范围内的氨基酸残基为活性位点。
进一步的，上述法尼基焦磷酸合酶FPPS抑制剂的筛选方法，步骤3)中的分子对接方法包括AutoDock、CDOCKER和LibDock中的一种或几种。
进一步的，上述法尼基焦磷酸合酶FPPS抑制剂的筛选方法，步骤3)和4)还包括虚拟筛选模型富集因子计算步骤，非FPPS抑制剂分子从数据中随机挑。
进一步的，上述法尼基焦磷酸合酶FPPS抑制剂的筛选方法，步骤4)药效团模型包括氢键供体，氢键受体、疏水中心、排斥体积特征元素。
进一步的，上述法尼基焦磷酸合酶FPPS抑制剂的筛选方法，步骤5)筛选化合物附加CHARMm力场。
进一步的，上述法尼基焦磷酸合酶FPPS抑制剂的筛选方法，包括以下步骤：
1)FPPS模板构建：从PDB数据库获取FPPS复合物晶体4QPF，FPPS复合物晶体4QPF解析分辨率为
Figure BDA0002103709660000031
使用Discovery studio 3.0软件包中的Prepare Protein模块对FPPS复合物晶体4QPF进行去水，加氢，去重复构象、补全缺失残基的结构处理，定义FPPS复合物晶体4QPF中的配体分子为活性中心，选定活性中心球半径
Figure BDA0002103709660000032
范围内的氨基酸残基为活性位点；
2)数据集准备：已知活性FPPS抑制剂从FPPS复合物晶体结构中提取，用于模型验证；虚拟筛选化合物从商业数据库ZINC获取；
3)基于分子对接的虚拟筛选：通过对FPPS复合物晶体结构的分子对接计算，确定分子对接方法为Discovery studio 3.0软件包中的LibDock方法；通过LibDock方法对已知活性FPPS抑制剂和从ChemBridge数据库中随机挑选的1000个非FPPS抑制剂进行富集因子计算，验证对接模型；使用LibDock方法对ZINC数据库中的化合物与FPPS进行对接打分，对接打分LibDock Score阈值为100；利用Discovery Studio 3.0软件包Filter by Lipinskiand Veber Rules模块进行Lipinski类药性“5原则”计算数据库化合物的类药性；
4)基于药效团模型的虚拟筛选：选择FPPS复合物晶体解析高分辨率的1YQ7，2F8C，2F92，2VF6和4QPF，构建基于5个受体结构的药效团模型；通过与上述步骤3)相同的方法进行药效团模型富集因子计算，确定基于4QPF构建的药效团模型用于基于药效团模型的虚拟筛选，该药效团模型包括3个氢键受体，4个氢键供体，4个排斥体积，对步骤3)筛选出的化合物数据库再次进行基于药效团模型的筛选，药效团模型筛选参数FitValue阈值为2.5；利用Discovery Studio 3.0软件包ADMET Descriptors模块计算数据库化合物ADMET成药性；
5)结合能计算：对步骤4)筛选出的化合物附加CHARMm力场，通过LibDock方法对筛选出的化合物和FPPS进行分子对接，应用Discovery Studio 3.0软件包CalculateBinding Energies模块对筛选化合物与FPPS进行结合能计算；
6)综合步骤3)、4)和5)中的对接打分，药效团模型FitValue值和结合能，获得FPPS抑制剂；
7)对虚拟筛选获得的FPPS抑制剂进行FPPS酶活性抑制实验，确定FPPS抑制剂，具有如式I所示结构：
Figure BDA0002103709660000041
一种上述方法获得的FPPS抑制剂在制备治疗结肠癌药物中的应用。
进一步的，上述应用包括FPPS抑制剂及其在药学上可接受的盐。
本发明技术方案，具有如下优点：
1.本发明提供的一种法尼基焦磷酸合酶FPPS抑制剂的筛选方法，通过理论与实验的结合，并结合类药性“5原则”和ADMET性质(吸收、分布、代谢、排泄和毒性)预测，对数据库进行逐级筛选，发现新型靶向FPPS的非双膦酸类FPPS抑制剂，充分发挥了理论筛选的优势，减少药物合成的盲目性，有效提高阳性药物命中率，节省人力、物力、财力，推动创新药物研究的发展。
3.本发明提供的一种法尼基焦磷酸合酶FPPS抑制剂的筛选方法，利用虚拟筛选策略获得新型骨架结构的非双膦酸类FPPS抑制剂，可改善药物极性，有效提高药物在生物体内的血药浓度，增强对非骨组织的疗效，提高对肿瘤的靶向治疗效果。
4.本发明提供的一种法尼基焦磷酸合酶FPPS抑制剂的筛选方法，提出了一种快速而经济的新药研发策略，该策略可以广泛应用于相关蛋白、酶等抑制剂的发现、筛选和评价，对新药研发企业和相关领域的科学研究有所帮助和启发。
5.本发明还提供了FPPS抑制剂在制备治疗FPPS过表达疾病药品中的应用，筛选出的新型FPPS抑制剂为小分子数据库中的化合物，其中包含天然产物，文献检索发现已有化合物应用于临床非肿瘤相关疾病的治疗，因此该类药物可体现其“老药新用”价值，更易进入肿瘤相关疾病的临床研究。
6.本发明提供的FPPS抑制剂在制备治疗FPPS过表达疾病药品中的应用，筛选出的新型FPPS抑制剂对不同FPPS表达水平的肿瘤细胞具有良好的生物靶向性，尤其是对FPPS高表达的结肠癌具有特异靶向性，该化合物通过抑制细胞内甲羟戊酸通路中的FPPS酶，阻断下游Ras蛋白的表达，引起细胞内活性氧的累积诱导细胞凋亡。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明FPPS抑制剂筛选流程示意图；
图2为本发明FPPS复合物晶体结构处理；
图3为基于分子对接的虚拟筛选和基于药效团模型的虚拟筛选富集因子计算；
图4为1YQ7，2F8C，2F92，2VF6和4QPF复合物结构叠合；
图5为1YQ7，2F8C，2F92，2VF6和4QPF复合物晶体特征元素的频率分析；
图6为基于4QPF构建的药效团模型；
图7为虚拟筛选获得的10个FPPS抑制剂；
图8为AutoDock Vina、CDOCKER和LibDock对接方法的RMSD值分析；
图9为虚拟筛选获得的10个抑制剂在10μM浓度下对FPPS酶的抑制率；
图10为Western Blot检测不同肿瘤细胞内FPPS表达量；
图11为Western Blot检测不同肿瘤细胞内FPPS表达量的定量分析；
图12为100μM浓度的VS-4与唑来膦酸对不同肿瘤细胞的抑制率；
图13为VS-4对HCT 116、LoVo和MDA-MB-231细胞的细胞毒性；
图14为FOH和GGOH与VS-4共孵育的细胞存活率；
图15为Ras蛋白在HCT 116和LoVo细胞中表达水平的Western Blot检测；
图16为VS-4诱导的细胞凋亡的细胞流式检测；
图17为VS-4调控的细胞内活性氧水平的细胞流式检测。
具体实施方式
提供下述实施例是为了更好地进一步理解本发明，并不局限于所述最佳实施方式，不对本发明的内容和保护范围构成限制，任何人在本发明的启示下或是将本发明与其他现有技术的特征进行组合而得出的任何与本发明相同或相近似的产品，均落在本发明的保护范围之内。
试剂来源
表达大鼠FPPS的质粒由中山大学李丁教授课题组提供，筛选获得的FPPS抑制剂购自TargetMol(波士顿MA)公司，唑来膦酸由本单位合成，IPP和GPP购自Sigma，肿瘤细胞株均购自上海细胞库。
实施例中未注明具体实验步骤或条件者，按照本领域内的文献所描述的常规实验步骤的操作或条件即可进行。所用试剂或仪器未注明生产厂商者，均为可以通过市购获得的常规试剂产品。
实施例1
本实施例提供一种法尼基焦磷酸合酶FPPS抑制剂的筛选方法，筛选流程如图1所示，包括以下步骤：
1)FPPS模板构建：从PDB数据库(http://www.rcsb.org/)获取FPPS复合物晶体4QPF，其晶体解析分辨率为
Figure BDA0002103709660000061
使用Discovery studio 3.0软件包中的PrepareProtein模块对4QPF进行去水，加氢，去重复构象、补全缺失残基的结构处理，并与氨基酸序列完整的1YQ7晶体结构进行对比确认，如图2所示。定义所述FPPS复合物晶体4QPF中的配体分子为活性中心，选定活性中心球半径
Figure BDA0002103709660000062
范围内的氨基酸残基为活性位点。
2)数据集准备：已知活性FPPS抑制剂从FPPS复合物晶体结构中提取，去除相同结构，剩余20个FPPS抑制剂用于模型验证。虚拟筛选化合物从商业数据库ZINC获取。
3)基于分子对接的虚拟筛选：通过对FPPS复合物晶体结构的分子对接计算，确定分子对接方法为Discovery studio 3.0软件包中的LibDock方法。通过LibDock方法对已知活性FPPS抑制剂和从ChemBridge数据库中随机挑选的1000个非FPPS抑制剂进行富集因子计算，如图3所示，验证对接模型，结果显示，该模型对FPPS抑制剂和非抑制剂具有良好的区分能力。使用LibDock方法对ZINC数据库中的化合物(约1,960,000个)与FPPS进行对接打分，对接打分LibDock Score阈值为100。利用Discovery Studio 3.0软件包Filter byLipinski and Veber Rules模块进行Lipinski类药性“5原则”计算数据库化合物的类药性，筛选出化合物497,072个。
4)基于药效团模型的虚拟筛选：选择FPPS复合物晶体解析高分辨率的1YQ7，2F8C，2F92，2VF6和4QPF，构建基于5个受体结构的药效团模型。首先，将5个FPPS复合物晶体进行叠合，以在同一参考框架内产生药效团特征元素，如图4所示。通过特征元素在5个FPPS复合物晶体结构中的频率分析，如图5所示，最终确定药效团筛选必要特征元素有7个，为氢键受体2、3、4，氢键供体11、12、13、14。通过与上述步骤3)相同的方法进行药效团模型富集因子计算，确定基于4QPF构建的药效团模型用于基于药效团模型的虚拟筛选，该药效团模型包括3个氢键受体，4个氢键供体，4个排斥体积，如图6所示。对步骤3)筛选出的化合物数据库再次进行基于药效团模型的筛选，药效团模型筛选参数FitValue阈值为2.5。利用Discovery Studio 3.0软件包ADMET Descriptors模块计算数据库化合物ADMET成药性。
5)结合能计算：对步骤4)筛选出的前200名化合物附加CHARMm力场，通过LibDock方法对筛选出的化合物和FPPS进行分子对接。应用Discovery Studio 3.0软件包Calculate Binding Energies模块对筛选化合物与FPPS进行结合能计算。
6)综合步骤3)、4)和5)中的对接打分，药效团模型FitValue值和结合能，获得FPPS抑制剂10个，如图7所示。
7)对虚拟筛选获得的FPPS抑制剂在10μM浓度下进行FPPS酶活性抑制实验，确定FPPS抑制剂，具有如式I(即VS-4)所示结构：
Figure BDA0002103709660000071
对比例1
在实施例1中，步骤3)首先使用AutoDock Vina、CDOCKER和LibDock三种方法对搜集的FPPS复合物晶体结构进行分子对接，通过最佳对接构象与其晶体结构的均方根误差计算(RMSD)，确定最佳对接方法，RMSD统计结果如图8所示。从中可以看出，LibDock方法所得RMSD整体小于AutoDock Vina、CDOCKER，表明LibDock方法对FPPS研究体系最适合。
对比例2
采用非放射性检测方法，对实施例1中步骤6)筛选购买的10个化合物进行FPPS酶抑制实验，并以唑来膦酸作为阳性对照。药物浓度为10μM时对FPPS酶的抑制率如图9所示。结果表明，所有化合物对FPPS均具有一定的抑制活性，其中，化合物VS-7～VS-10表现出较唑来膦酸更优的抑制活性，FPPS抑制活性提高10％～14％，化合物VS-4～VS-6表现出与唑来膦酸相当的FPPS抑制活性。综合考虑化合物对FPPS的抑制活性和化合物理化参数，以脂溶性最好的VS-4为研究对象，即本发明的式I所示化合物进行后续细胞和分子生物学实验研究。
实验例VS-4的FPPS靶向性及生物活性
(一)VS-4的FPPS靶向性
择乳腺癌细胞MDA-MB-231、MCF-7、MDA-MB-468，前列腺癌PC-3，卵巢癌SKOV3，肝癌Hep G2，结肠癌HCT 116、LoVo，进行Western Blot FPPS蛋白表达量测定，如图10所示，定量分析如图11所示。
采用MTT实验方法，检测VS-4在100μM浓度下对不同FPPS表达量的肿瘤细胞的生物靶向性，并以唑来膦酸作为阳性对照，如图12所示。在不同肿瘤细胞中FPPS表达量存在一定差异，其中，结肠癌HCT 116和LoVo FPPS表达量最高，三阴性乳腺癌MDA-MB-231 FPPS表达量最低。结果显示，VS-4对FPPS高表达的肿瘤细胞具有良好地靶向性，且与FPPS表达量存在一定的相关性。相比较阳性对照唑来膦酸，唑来膦酸的靶向性要弱于VS-4，说明本发明筛选获得的FPPS抑制剂具有明显的优于唑来膦酸的靶向特异性。
(二)VS-4的细胞毒性
采用MTT法，检测不同浓度(3.125，6.25，12.5，25，50和100μM)的VS-4对结肠癌HCT116和LoVo，三阴性乳腺癌MDA-MB-231细胞作用48h的细胞毒性，并以唑来膦酸作为阳性对照，实验结果如图13所示。从中可以看出，VS-4对肿瘤细胞的细胞毒性与其浓度呈剂量依赖性，且对HCT 116和LoVo的细胞毒性大于MDA-MB-231，其半数最大致死浓度(IC50)值分别为51.772±0.473μM和43.553±1.027μM。唑来膦酸对对HCT 116和LoVo的IC50值分别为61.852±0.836μM和34.914±0.582μM。该实验结果表明VS-4具有与唑来膦酸相当甚至更优的肿瘤细胞毒性。
此外，为进一步在细胞水平验证VS-4对甲羟戊酸通路的抑制，通过添加外源性的甲羟戊酸通路活性化合物FOH和GGOH(浓度均为10μM)，通过与50和100μM的VS-4共孵育，采用MTT法检测细胞增殖情况，实验结果如图14所示。结果显示，100μM的VS-4与FOH和GGOH共孵育48h后，LoVo细胞活性从1.99±0.14％分别提高到18.97±2.35％和14.85±0.62％，对HCT 116细胞从12.81±0.94％分别提高到27.94±1.16％和28.48±0.85％。结果表明，VS-4的作用靶点为甲羟戊酸通路。
(三)VS-4的Ras蛋白阻断
为明确VS-4对FPPS的靶向抑制作用，通过Western Blot实验方法，检测0、25、50和75μM浓度的VS-4对结肠癌细胞HCT 116和LoVo内FPPS直接调控的Ras蛋白的表达水平，如图15所示。结果显示，Ras蛋白的表达水平随VS-4浓度的增大，其表达量成梯度降低，表明VS-4的作为靶标为FPPS酶。
(四)VS-4诱导细胞凋亡
通过流式检测方法，检测VS-4在0、25、50和75μM浓度引起结肠癌细胞HCT 116和LoVo的细胞凋亡程度，结果如图16所示。对LoVo细胞，75μM的VS-4引起的早期和晚期凋亡细胞比例可达63.9±2.94％，细胞凋亡比例较未处理组增加7倍。同样，对HCT 116细胞，75μM的VS-4引起的早期和晚期凋亡细胞比例由6.89±3.14％增加到46.2±1.93％。可以看出，细胞凋亡比例与VS-4浓度呈计量依赖关系，表明VS-4可有效诱导肿瘤细胞的凋亡发生。
(三)VS-4调控细胞内活性氧产生
通过流式检测方法，检测VS-4在0、25、50和75μM浓度引起结肠癌细胞HCT 116和LoVo的细胞内活性氧水平变化，结果如图17所示。对HCT 116和LoVo细胞，VS-4都提高了其平均荧光强度(MFI)。其中，75μM的式I FPPS抑制剂引起HCT 116和LoVo细胞内活性氧水平分别较未处理组增加了6.82和8.13倍。整体来看，细胞内活性氧水平与VS-4呈浓度依赖关系，且与细胞凋亡比例相一致，表明VS-4可通过调控细胞内活性氧水平引起细胞凋亡。
综上所述，本发明提供了一种法尼基焦磷酸合酶FPPS抑制剂的筛选方法，并筛选获得新型结构的FPPS抑制剂，如式I所示，即化合物VS-4。VS-4表现出优异的FPPS抑制活性，且在细胞水平验证了其FPPS靶向特异性，尤其是对FPPS高表达的结肠癌肿瘤细胞HCT 116和LoVo细胞。细胞实验结果表明VS-4可通过诱导细胞内活性氧的产生引起细胞凋亡，发挥其抗肿瘤作用，尤其是对结肠癌肿瘤。故本申请筛选的FPPS抑制剂VS-4是一种潜在的制备治疗FPPS过表达疾病药品的活性成分，尤其是制备治疗结肠癌的药品。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (3)

1.一种法尼基焦磷酸合酶FPPS抑制剂的筛选方法，其特征在于，包括以下步骤：
1)FPPS酶模板构建：从PDB数据库获取FPPS复合物晶体4QPF，所述FPPS复合物晶体4QPF解析分辨率为
Figure FDA0002834966390000011
使用Discovery studio3.0软件包中的Prepare Protein模块对所述FPPS复合物晶体4QPF进行去水，加氢，去重复构象、补全缺失残基的结构处理，定义所述FPPS复合物晶体4QPF中的配体分子为活性中心，选定活性中心球半径
Figure FDA0002834966390000012
范围内的氨基酸残基为活性位点；
2)数据集准备：已知活性FPPS抑制剂从FPPS复合物晶体中提取，用于模型验证；虚拟筛选化合物从商业数据库ZINC获取；
3)基于分子对接的虚拟筛选：通过对FPPS复合物晶体的分子对接计算，确定分子对接方法为Discovery studio 3.0软件包中的LibDock方法；通过所述LibDock方法对已知活性FPPS抑制剂和从ChemBridge数据库中随机挑选的1000个非FPPS抑制剂进行富集因子计算，验证对接模型；使用LibDock方法对商业数据库ZINC中的化合物与FPPS酶进行对接打分，对接打分LibDock Score阈值为100；利用Discovery Studio 3.0软件包Filter by Lipinskiand Veber Rules模块进行Lipinski类药性“5原则”计算商业数据库化合物的类药性，获得D1数据库；
4)基于药效团模型的虚拟筛选：选择FPPS复合物晶体解析高分辨率的1YQ7，2F8C，2F92，2VF6和4QPF，构建基于5个受体结构的药效团模型；通过与所述步骤3)相同的方法进行药效团模型富集因子计算，确定基于4QPF构建的药效团模型用于基于药效团模型的虚拟筛选，该药效团模型包括3个氢键受体，4个氢键供体，4个排斥体积；对步骤3)获得的D1数据库再次进行基于药效团模型的筛选，药效团模型筛选参数FitValue阈值为2.5；利用Discovery Studio 3.0软件包ADMET Descriptors模块计算D1数据库化合物ADMET成药性，获得D2数据库；
5)结合能计算：对D2数据库的化合物附加CHARMm力场，通过LibDock方法对筛选出的化合物和FPPS酶进行分子对接，应用Discovery Studio 3.0软件包Calculate BindingEnergies模块对筛选化合物与FPPS进行结合能计算；
6)综合步骤3)、4)和5)中的对接打分，药效团模型FitValue值和结合能，获得虚拟筛选FPPS抑制剂；
7)对虚拟筛选获得的FPPS抑制剂进行FPPS酶活性抑制实验，确定FPPS抑制剂，具有如式I所示结构：
Figure FDA0002834966390000021
2.一种如权利要求1所述方法获得的FPPS抑制剂在制备治疗结肠癌药物中的应用。
3.根据权利要求2所述的应用，其特征在于，包括所述FPPS抑制剂及其在药学上可接受的盐。
CN201910545132.5A 2019-06-21 2019-06-21 一种法尼基焦磷酸合酶fpps抑制剂的筛选方法及应用 Active CN110289054B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910545132.5A CN110289054B (zh) 2019-06-21 2019-06-21 一种法尼基焦磷酸合酶fpps抑制剂的筛选方法及应用

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910545132.5A CN110289054B (zh) 2019-06-21 2019-06-21 一种法尼基焦磷酸合酶fpps抑制剂的筛选方法及应用

Publications (2)

Publication Number Publication Date
CN110289054A CN110289054A (zh) 2019-09-27
CN110289054B true CN110289054B (zh) 2021-03-05

Family

ID=68004324

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910545132.5A Active CN110289054B (zh) 2019-06-21 2019-06-21 一种法尼基焦磷酸合酶fpps抑制剂的筛选方法及应用

Country Status (1)

Country Link
CN (1) CN110289054B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111312342B (zh) * 2020-03-04 2023-07-11 杭州憶盛医疗科技有限公司 一种电子结构计算机辅助药物设计系统
CN112251820B (zh) * 2020-10-23 2023-02-17 绍兴文理学院 Vegfr-2抑制剂的筛选方法、vegfr-2抑制剂和抗肿瘤药物
CN112750496B (zh) * 2020-12-29 2024-08-06 大连理工大学 一种covid-19棘突状蛋白的小分子抑制剂的筛选方法、其筛选的活性分子及用途
CN112675155A (zh) * 2021-03-15 2021-04-20 南京鼓楼医院 甲羟戊酸代谢中间产物在制备改善衰老卵巢卵母细胞质量和减数分裂进程药物中的应用
CN113380344B (zh) * 2021-06-11 2023-09-19 中国食品药品检定研究院 基于fxr的何首乌中肝毒性化合物的快速筛选方法
CN114373519A (zh) * 2021-12-31 2022-04-19 苏州佩德生物医药有限公司 一种trpv3抑制剂的虚拟筛选方法、药物先导化合物及应用

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9492418B2 (en) * 2011-05-10 2016-11-15 Board Of Supervisors Of Louisiana State University And Agricultural And Mechanical College Inhibitors of PFKFB3 for cancer therapy
CN102270281A (zh) * 2011-06-01 2011-12-07 山东大学 一种以cdk1为靶点的抗癌药物的筛选方法
CN106565678B (zh) * 2016-11-10 2018-06-08 杭州市第一人民医院 一种jak2激酶抑制剂的虚拟筛选方法及药物先导化合物

Also Published As

Publication number Publication date
CN110289054A (zh) 2019-09-27

Similar Documents

Publication Publication Date Title
CN110289054B (zh) 一种法尼基焦磷酸合酶fpps抑制剂的筛选方法及应用
Ibezim et al. Binding of anti-Trypanosoma natural products from African flora against selected drug targets: a docking study
CN102270281A (zh) 一种以cdk1为靶点的抗癌药物的筛选方法
Munshi et al. Novel compounds from endophytic fungi of Ceriops decandra inhibit breast cancer cell growth through estrogen receptor alpha in in-silico study
Chen et al. Identification of a novel GLUT1 inhibitor with in vitro and in vivo anti-tumor activity
Shi et al. Molecular and metabolic mechanisms of bufalin against lung adenocarcinoma: New and comprehensive evidences from network pharmacology, metabolomics and molecular biology experiment
Wu et al. The inhibition of Mpro, the primary protease of COVID-19, by Poria cocos and its active compounds: a network pharmacology and molecular docking study
Putra et al. Structure, activity, and drug-likeness of pure compounds of Sumatran lichen (Stereocaulon halei) for the targeted ACE2 protein in COVID-19 disease
Freitas et al. Computational approach to the discovery of phytochemical molecules with therapeutic potential targets to the PKCZ protein
Padhi et al. In silico pharmacokinetics, molecular docking and dynamic simulation studies of endolichenic fungi secondary metabolites: An implication in identifying novel kinase inhibitors as potential anticancer agents
Shahzadi et al. Network pharmacology and molecular docking: combined computational approaches to explore the antihypertensive potential of Fabaceae species
Saurav et al. In silico molecular docking, preclinical evaluation of spiroindimicins AD, lynamicin A and D isolated from deep marine sea derived Streptomyces sp. SCSIO 03032
Kumar et al. In silico evaluation of isatin-based derivatives with RNA-dependent RNA polymerase of the novel coronavirus SARS-CoV-2
Adeniran et al. Virtual high-throughput screening (VHTS), three-dimensional quantitative structure-activity and relationship (3D-QSAR) and molecular docking studies of novel phyto-inhibtors of topoisomerase II alpha
Reang et al. Discovery of VEGFR inhibitors through virtual screening and energy assessment
Balajee et al. Molecular docking and simulation studies of farnesyl trasnferase with the potential inhibitor theflavin
Zhang et al. Predicting the potential mechanism of radix chimonanthi pracecocis in treating osteoarthritis by network pharmacology analysis combined with experimental validation
Li et al. Computational study on new natural compound agonists of dopamine receptor
Kelutur Anti-breast cancer activities from the sea fan (Gorgonia mariae): Pharmacophore screening and in-silico molecular docking study
Alkhathami et al. Exploring the untapped potential of marine sponge compounds as anticancer agents against ERα of breast cancer
PANDIYAN et al. A comparative study of Bazedoxifene, Exemestane, Fulvestrant, Raloxifene, Tryprostatin A, and Vorinostat compounds as potential inhibitors against breast cancer through molecular docking, and molecular dynamics simulation
Almogaddam et al. Computational screening identifies depsidones as promising Aurora A kinase inhibitors: extra precision docking and molecular dynamics studies
Chellasamy et al. Docking and molecular dynamics studies of human ezrin protein with a modelled SARS-CoV-2 endodomain and their interaction with potential invasion inhibitors
Amaliyah et al. Anti-Breast Cancer and Pharmacokinetic Prediction of Isorhamnetin, Glucocapparine Capparisine A And B From Capparis Spinosa
Rakhmawati et al. GC-MS and in silico analyses revealed the potential inhibitory activity of compounds isolated from Ciplukan herb (Physalis angulata L.) targeting GLUT-4 receptors

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant