两种药效团模型搭建

合集下载

请简述药效团模型的建立流程

请简述药效团模型的建立流程

请简述药效团模型的建立流程药效团模型是一种用于药物设计与筛选的计算机辅助方法,它基于分子模型和药物结构对生物活性进行预测和优化,可以节省时间和成本,提高新药发现的成功率。

本文将从药效团模型的建立流程出发,对其原理和应用进行详尽的阐述。

一、药效团模型的建立流程1.数据收集与筛选首先,需要收集与目标相关的化合物的活性数据和分子结构数据。

这些数据可以来自文献、专利数据库以及实验室内部的实验结果。

在数据收集过程中,还需要对数据进行筛选,去除低质量的数据和重复的数据,以确保建立模型的有效性和可靠性。

2.特征选择与描述符计算在收集到足够的数据后,需要对分子进行特征选择和描述符计算。

特征选择是指从分子结构中挑选出与生物活性相关的化学特征,如原子、键、环等。

描述符计算则是将这些化学特征转化为数学参数,以便进一步的建模和预测。

3.模型构建与验证在完成描述符计算后,需要选择合适的建模方法来构建药效团模型。

常用的建模方法包括QSAR(定量构效关系)、机器学习和深度学习等。

在模型构建过程中,需要对模型进行验证,包括内部验证和外部验证,以确保模型的预测能力和泛化能力。

4.模型解释与优化建立好模型后,需要对模型进行解释,找出对生物活性影响最大的药效团,并对模型进行优化。

这一步通常需要结合实验数据和领域知识,以提高模型的解释能力和预测能力。

5.应用与验证最后,建立好的药效团模型可以应用于药物设计、虚拟筛选和毒性评估等领域。

在应用过程中,还需要对模型进行验证,验证模型的预测能力和可靠性,以确保模型的有效性和实用性。

二、药效团模型的原理和应用药效团模型的原理是基于化学结构与生物活性的定量关系,通过构建分子结构和生物活性之间的关联模型,来预测未知分子的生物活性。

它可以帮助药物研发人员快速筛选候选药物,节省时间和成本,提高新药发现的成功率。

在药效团模型的应用过程中,可以根据模型的需求和目标来选择合适的描述符和建模方法。

例如,对于定量构效关系模型,通常需要选择合适的描述符和建模方法来建立分子结构与生物活性之间的定量关系;对于虚拟筛选模型,通常需要选择合适的描述符和建模方法来预测分子的生物活性,并对候选化合物进行排序和筛选。

请简述药效团模型的建立流程

请简述药效团模型的建立流程

请简述药效团模型的建立流程The establishment of a pharmacophore model involves several key steps. 首先,需要收集关于药物分子的结构和活性数据。

这可以通过文献调研、数据库查询等方式获取。

Once the data is collected, the next step is to analyze the structures of the active molecules to identify common structural features. 根据这些共同的结构特征,可以确定药效团的关键基团,即对药物活性起关键作用的结构单元。

通过分析这些结构单元的位置、空间关系等信息,可以建立药效团模型。

Additionally, it is important to validate the pharmacophore model using a set of test compounds with known activities. 通过与已知活性化合物的比对,可以验证药效团模型的准确性和可靠性。

Furthermore, the pharmacophore model can be further refined and optimized through iterations of testing and adjusting. 通过不断的实验验证和参数调整,可以进一步优化药效团模型的性能。

In the process of building a pharmacophore model, computational techniques play a crucial role. 计算技术能够快速、高效地分析大量的化合物结构数据,帮助识别药效团的关键结构特征。

Computational tools such as molecular docking, molecular dynamics simulations, and quantitative structure-activity relationship (QSAR) analysis can beutilized to predict the binding modes of molecules to their target proteins and to understand the structure-activity relationship of the compounds. 通过这些计算方法,可以更好地理解药物的作用机制,为建立药效团模型提供有力支持。

药动力学与给药问题的建模(一室模型和二室模型) 数学专业毕业论文

药动力学与给药问题的建模(一室模型和二室模型)  数学专业毕业论文

摘要随着社会的发展和人民生活水平的提高,医药卫生水平逐渐成了反映民生的一个重要指标,对临床上用药的要求也越来越高.大量研究表明,药物在完整的机体中,随着时间变化不断地进行着吸收、分布、转化和排泄,而且始终都处在一种动态变化的过程中.在临床上为了提高疗效,避免毒副作用,必然要求对这种动态变化的过程进行准确的刻画,而给药模型的建立就是为了解决这一问题,所以给药问题模型的建立、求解与分析有重要的理论与应用价值.本文首先介绍了药物动力学的基本概念,并根据药物的动力学原理建立了一室模型、两室模型,并对模型进行了分析与求解,求出了反映药物动力变化的主要参数值,然后根据计算结果给出了给药方案.最后本文详细的阐述了多次血管外重复给药模型的建立与求解,并根据卡那霉素肌注实验结果,继而把实验测得值与模型求得的理论值进行比较,从而来验证模型的正确性与可靠性.关键词:给药;建模;临床;模拟;验证AbstractWith the development of society and the improvement of people's living standard, medicine and health gradually became an important index which reflects people's livelihood, and the requirements for clinical medicine become much higher. A mass of research indicate that drugs in the whole body is carrying on the absorption, distribution, transformation and excretion as the time by, and always in a dynamic state. It is generally difficult for us to accurately describe the dynamic changes of the process. In clinic in order to improve the curative effect, avoid toxic effect. It is must to accurately describe the dynamic changes of the process and the establishment of dosing model is to solve this problem, so establishment and solution and analysis of give medicine model have important theory and application value.This paper firstly introduces the basic concept of pharmacokinetics, and according to the principle of dynamics drugs established one compartment model, two compartment model , then we do some analyzes and solving on the model, and get the main parameter value which reflect the dynamic changes of drugs ,then according to the calculation result gives dosing. Finally the paper expatiates outside blood-vessel many times repeat administration model establishment and solving, and according to kanamycin muscle note experimental results, and the experimental measurement value and the theoretical model for comparison, thus to validate the accuracy and reliability of the model.Keywords: Give medicine modeling; Clinical; Simulation; Application; Development摘要 (I)Abstract (II)引言 (1)1 药动力学的基本知识 (2)1.1药物浓度变化 (2)1.2药物的消除类型在体内的代谢方式 (2)1.3房室模型的基本概念 (3)1.4药物代谢动力学的主要参数 (3)1.5表观分布容积 (5)1.6半衰期 (5)1.7清除率 (6)1.8多次给药的时间-药物浓度曲线和稳态浓度 (6)2 给药模型 (7)2.1一室模型的单剂量给药方案 (7)2.1.1单次快速静脉注射给药 (7)2.1.2恒速静脉注射给药 (9)2.2两室模型 (13)2.2.1 两室模型药物静脉注射给药 (13)2.2.2 各种动力学参数的计算 (15)3 多次血管外给药方案 (17)3.1一室开放模型的药代动力学 (17)3.2二室开放模型药代动力学 (19)3.3卡那霉素肌注给药方案的制定 (21)结束语 (24)参考文献 (25)致谢 (26)建模是研究很多实际问题重要手段和前提.凡是用模型描述事物的因果关系或相互关系的过程都属于建模.由于临床上人体内的血药浓度随人体的代谢呈动态变化,所以我们一般通过模型来模拟人体血药浓度的变化.通过对药物代谢规律的分析,根据药物代谢的机理来建模;也可以通过实验或统计数据的处理,并根据我们已有的知识和经验来建模.在当代随着医药水平的提高,药物品种日益增加,但临床上滥用和不合理用药亦日益增多,临床药物治疗水平在某些方面并没有随着药品品种的增加而有较大提高,由于滥用或不合理用药,临床不断出现严重的医疗事故或引起药源性疾病.在建模和医药的共同发展下,一门新的学科药动力学产生了, 我国药动学较系统的研究始于陈琼华教授1963年对单味中药大黄的体内过程的研究其发展经历3个阶段:一阶段( 1949-1970年) ,主要进行活性成分的体内过程研究,但未应用现代药动学理论,对实验数据作动力学分析;二阶段(1970-990年) ,药动学迅速发展,相关论文大幅增加,更多高灵敏的现代分析仪器和测定方法的应用,在有效成分的药动学研究中动力学模型理论广泛开展,如丹参、人参、银杏叶等的药动学研究资料已在文献中有阐述.新药审评办法对新药药动学研究要求的提高促进药动学发展;三阶段(1990年至今) ,药动学作为一门新兴学科正在形成.新理论、新学说如证治药动学嘲、辨证药动学、复方散弹理论等涌现,极大丰富了中药药动学研究.药物动力学是定量研究药物在生物体内吸收、分布、排泄和代谢随时间变化的过程的一门学科,它的发展对药物评价,新药设计,药物剂型改进,临床指导合理用药,以及优化给药方案等具有重大的实用价值.药物动力学模型是为了定量研究药物体内过程的速度规律而建立的模拟数学模型,常用的有房室模型和生理药动学模型.通过房室模型可以分析药物在人身体的运行情况,得到药物在血液中的浓度变化(即血药浓度),从而给出最佳给药方式及血药浓度的峰值时间.这样就可以选择最佳治疗方案.而生理药动学模型则主要用于预测药物在器官组织中药物浓度及代经时过程和药物处置在动物间的外推.本文主要是根据药动力学原理进行数学建模,进而对模型进行求解,再根据求解结果,设计出合理的给药方案.1 药动力学的基本知识大量研究表明,药物在完整的机体中,随着时间变化不断地进行着吸收、分布、转化和排泄,而且始终都处在一种动态变化的过程中.我们一般很难准确地描述这种动态变化的过程,因此常借用时间-药物浓度曲线图的测定,并选定数学模型,用特定的数学公式或计算机程序软件测算出一系列药代动力学参数,通过这些参数既可从各个侧面反映药物在体内变化的动态过程,还可借以指导临床设计或调整给药方案(如确定给药的剂量、给药的途径以及给药的间隔时间等),真正做到合理用药.现将药代动力学的一些基本概念和主要药代动力学参数介绍如下:1.1 药物浓度变化用药后,药物在体内是不断地吸收、分布、转化和排泄的,血药浓度随着时间的推移也不断发生着变化,刚开始主要以吸收为主,与此同时,分布及少量的代谢和排泄也已开始进行;当代谢和排泄过程逐渐占主要地位后,药物浓度就开始下降.由此可见药物的吸收、分布、转化和排泄其实并没有严格的分界线,只是在某段时间内以哪一过程为主而已.一般我们通过药物浓度的测定,画出近似的时间-浓度曲线,我们可采用计算机程序测算出一系列药代动力学参数,以反映药物在体内吸收、分布、转化与排泄的规律和特点.1.2 药物的消除类型在体内的代谢方式药物消除类型药物在体内的消除方式,按其速率可归纳为以下三种类型:(1)一级消除动力学(first-order elimination kinetics )又称恒比消除,即单位时间内,药物总是按血药浓度的恒定比例进行消除,其消除速率总是与血药浓度成正比.大多数药物的消除都属于一级动力学消除.而且药物吸收、分布中的被药物运动,也是按照一级动力学方式进行的.一级动力学的方程式:01/C K C K dt dc e e -=-=.式中,dt dc /表示药物消除速率,e K 为一级消除速率常数(即恒定比例),负号表示药物浓度下降,0C 为消除初始时药物浓度.(2)零级消除动力学(zero-order elimination kinetics ) 又称恒量消除,即单位时间内,药物始终以一个恒定的数量进行消除,其消除与血药浓度无关.完全属于零级动力学消除的药物甚少,但药物吸收、分布中的主动转运及易化扩散则多是按零级动力学方式进行的.零级动力学的方程式:000K C K dc/dt -=-=.式中,dtK为零级消除速率常数,因为C的指数为零,所以消dc/表示药物消除速率,除与血药浓度无关.(3)米氏消除动力学(Michaelis-Menten elimination kinetics)是指包括零级和一级动力学消除在内的混合型消除方式.如当药物剂量急剧增加或患者有某些疾病(如肝、肾功能不全),或与其他药物配伍使用等情况时,药物在体内达到一定浓度后,会出现饱和现象(肝药酶代谢药物的能力达到饱和),消除方式则可从一级动力学消除转变为零级动力学消除,苯妥英钠、普萘洛尔、苯海拉明、保泰松、乙醇等少数药物的消除就可出现这种情况.如当乙醇在血液中浓度ml.0<时,按一级动力学消除;但当05mg/.005>时,则可转成按零级动力学消除.零级消除动力学和米氏消除动力学又合mg/ml称非线性消除动力学(nonlinear elimination kinetics).1.3房室模型的基本概念为预测药物在体内的动力学过程,我们可以从数学的角度把机体概念化为一个系统,并按动力学的特点将系统分为若干房室(compartments)来进行研究,称为房室模型.这个房室只是从数学的角度提出的一个抽象概念,与生理学上实际的体液房室概念不同.根据房室数目组成的不同,又可将其分为一室开放模型和多室开放模型.我们可根据不同的模型类型,采用不同的计算式或计算机程序包来估算出特定的药代动力学参数,供临床用药参考.对于一个具体药物的研究来说,准确地判定和选择模型类型是进行药代动力学分析的关键,因为不同类型的模型,将采用不同的计算式来估算其特定的药代动力学参数.下面仅介绍一室开放模型和二室开放模型的基本概念:(1)一室开放模型(one open-compartment model)是假定机体是由一个房室组成,且药物在其中的消除速率也始终一致的模型.如一个药物单次快速静脉注射给药后,可见该药迅速均匀分布到机体各部位,并迅即达到动态平衡,同时药物的消除速率也始终一致,我们就认为该药物的体内动力学过程属一室开放模型.(2)二室开放模型(two open-compartment model)是假定机体是由两个房室组成(即中央室与周边室),并有二种速率消除的模型.如一个药物单次快速静脉注射给药后,可见该药首先分布到中央室(指血液和血流供应丰富的组织,如肾、脑、心、肝等),然后再转而分布到周边室(指血流供应较少的组织,如脂肪、肌肉、皮肤、骨、软骨等),并且二者的消除速率也不一致,我们就认为该药物的体内动力学过程属二室开放模型.1.4 药物代谢动力学的主要参数根据时间-药物浓度曲线,采用相应的药代动力学计算机程序包进行数学处理,可估算出药物在体内吸收、分布、转化和排泄等相关的若干药代动力学参数(pharmacokinetic parameters ),以反映药物在体内的动力学规律和特点.常用的药代动力学参数有:(1)药峰时间(max C )和药峰浓度(max C )药峰时间(max T )是指用药以后,血药浓度达到峰值所需的时间.药峰时间短,表示药物吸收快、起效迅速,但消除也快;药峰时间长,则表明药物吸收和起效较慢,但作用持续时间也较长.药峰时间是研究药物制剂的一个重要指标. 药峰浓度(max C )又称峰值(peak value ),是指用药后所能达到的最高血药浓度.药峰浓度与药物的临床应用密切相关,药峰浓度要达到有效浓度才能显效,但若高出安全范围则可表现为毒性反应.(2)时量曲线下面积(area under the time concentration curve,AUC )又称曲线下面积,是指由坐标横轴与时间-药物浓度曲线围成的面积.它代表一段时间内,血液中的药物的相对累积量,也是研究药物制剂的一个重要指标其单位 为μg/ml.h,通常采用梯形法计算,计算公式:211)/t (t )C (C C A n n n n -⋅-=== .(3)生物利用度(bioavailability,a fraction of dose,F )生物利用度是指血管外给药时,药物吸收进入血液循环的相对数量.生物利用度也是评价药物制剂质量的一个十分重要的指标.通常用吸收百分率表示,即给药量与吸收进入体循环的药量的比值(见式①):%100F ⨯=给药量吸收进入体循环的药量(生物利用度) , ① 生物利用度也可用C A 参数表示,其计算公式如式②:(绝对生物利用度)(血管内给药)(血管外给药)(生物利用度)%100C A C A F ⨯= . ② 生物利用度还可提供试品的C A 与标准品的C A 的比值表示,叫做生物利用度(见式③):(相对生物利用度)(标准品)(供试药)(生物利用度)%100C A C A F ⨯= , ③相对F 是评价厂家产品质量的重要标准之一.如果制剂质量不合格,生物利用度低,临床疗效肯定差.一般药典上都规定药厂生产的制剂,生物利用度的差距不应超过±10%.1.5 表观分布容积表观分布容积(apparent volume of distribution,d V )是指药物在理论上应占有的体液容积量(以L 或L/kg 为单位).是一个计算所得的理论数值,而并非指药物在体内所实际占有的体液真正容积,也不代表某个特定的生理空间,故称为表观分布容积.d V 值的大小可反映药物在体内分布的广泛程度,它常用体内药物总量与血药浓度的比值来表示:其计算公式:)/(/)(L mg C mg A V d =.其中A 为体内药物的总量,C 为血药浓度.一般来说,d V 值的大小除可反映药物在体内分布的广泛程度,还可间接反映药物排泄的快慢和在体内存留时间的长短.我们还可以利用d V 值和血浆药物浓度,来推算体内药物的总量或求得为达到某血药浓度所需药物的总量.1.6 半衰期根据药物的体内过程不同,半衰期(half life,t1/2)有吸收半衰期,分布半衰期和消除半衰期之分.一般讲半衰期就是消除半衰期,即指血浆中药物浓度下降一半所需的时间. 2/1t 是反映药物在体内消除一个重要的药代动力学参数.绝大多数药物的消除过程属于一级消除动力学参数,因此半衰期总是一个固定值,它不受血药浓度高低的影响,而取决于药物消除速率常数(K )它们的关系为:k t /693.02/1=,2/1t 因药而异,例如青霉素0.5h,吗啡3h,阿司匹林6h,地高辛36h,苯巴比妥5日,洋地黄毒苷9日.了解2/1t 有助于设计最佳给药间隔、预计停药后药物从体内消除的时间及连续给药后达到稳态血药浓度所需时间.除少数2/1t 很短、很长的药物或零级消除动力学药物外,按2/1t 设计给药间隔时间是安全、有效的给药方法.按2/1t 的长短不同可将药物分为5类:超短效,2/1t 为≤1h ;短效,2/1t 为1~4 h ;中效,2/1t 为4~8 h ;长效,2/1t 为8~24 h ;超长效,2/1t 为>24 h.1.7清除率该概念来自生理学中的肌酐清除率(clearance,CL ),是药物消除速率的另一种表示方法.CL 是指单位时间内有多少表观分布容积(d V )的药物被清除,其单位为min /ml .CL 仅表示药从血清中清除的速率,并不是被清除药物的具体量.其计算公式:k V CL d ⋅=.式中K 为消除速率常数,d V 为表观分布容积.大多数药物在体内主要是通过肝代谢和肾排泄而清除,因此,药物的总清除率相当于肝清除率和肾清除率的总和.1.8多次给药的时间- 药物浓度曲线和稳态浓度根据临床治疗的需要,大多数药物均需多次给药,属于一级动力学消除的药物如每隔一个2/1t 等量给药一次,则经过5~7个2/1t 血药浓度可达到一个稳定状态(此时给药量与消除量达到相对的动态平衡),称稳态浓度(steady state concentration, ss C )或称坪值(plateau )若能将稳态浓度的波动控制在有效治疗血药浓度范围内是最理想的状况.稳态浓度也是临床多次给药时一个非常重要的药代动力学指标,其计算公式:TV FD t T V FDt T V K FD C d d d e ss 2/1443.1693.0/2/1===. 式中,D 为每次用药剂量(mg/kg ),T ,F 为用药间隔时间,e K 为消除速率常数,F 为生物利用度.总之,药物代谢动力学的研究不仅可以帮助我们了解药物在体内的吸收、分布、转化和排泄的规律及特点,同时还可以通过时间-药物浓度曲线的定及药代动力学参数的估算,来推算给药剂量和制定最佳给药方案,为临床合理用药提供理论和实际的依据.2 给药模型下面我们以一些模型的给药方案为例做简单介绍2.1 一室模型的单剂量给药方案少数的药物如镇痛药,催眠药,麻醉药,支气管扩张药等通常只需一次给药,而药物的转运速率属于一级速度过程,故可应用下面的给药方案,通过计算又可为拟定多次给药方案打下基础.2.1.1 单次快速静脉注射给药1.血药浓度变化规律:因药物系一室模型药物,并按一级速度过程消除,所以当一次快速静脉注射给药后,药物立即迅速分布到血液及各组织,并达到动态平衡,它的消除速度可由下列微分方程表示出来:kX dtdx -=, 式中:dt dx /表示体内的药物消除速率;X 为体内药量;k 为一级消除速率常数:负号表示体内药物量X 随时间的推移不断减小.将上式进行分离变量后作不定积分⎰-=dt k dtdx , 代入初始条件(00X ,X t ==)得指数方程:kt e X X -=0,上式的血药浓度方程式:kt e C C -=0.对kt e C C -=0从0=t 至∞=t 间作定积分得曲线下面积(C A ).K C K C K e C dt e C cdt ktkt 0000000)1(0=⎥⎦⎤⎢⎣⎡--=⎥⎦⎤⎢⎣⎡-==⎰⎰∞--, 对kt e C C -=0的对数方程式为:0ln ln C Kt C +-=,亦即K..K C 69303032log =-=, 由上式可推导出21/t t =时,20/C C =则得出K.K l /t n 6930221==. 2.其它参数的求法,求及K 的值;(1)当静脉注射给药后,测得不同时间i t 的血药浓度i c (n i ⋅⋅⋅⋅⋅⋅⋅⋅=3,2,1),列表,然后用最小二乘法作直线回归,可得斜率及截距,而求出K 及0C .(2)21/t 及C A 的求法已入前述.(3)表观分布容积的求法,应用00/C X V d =式即可求得. (4)体内总清除率(TBCL )的求法,用数学式表示TBCL :C/-dtdx TBCL =, 将KX dtdx-=式代入上式为:C KX TBCL =,再将aV xC =代入上式为: a aKV V ==KXT BCL . 由上式可知药物体内的总消除率是消除速度常数与表观分布容积的乘积. 另外:因为K C C A 0=,将aV XC 00=代入上式,得 aa KV XV C A 00K X == ,将上式代入a KV TBCL =式中 则ACX TBCL 0=. 因此可求出不同形式表达的TBCL 公式,便于灵活运用.2.1.2 恒速静脉注射给药静脉滴注给药在临床上应用很广泛,特别是在危重病人抢救时,是一种有效的给药方法,另外还有许多药物如去甲肾上腺素以及抗生素等由于治疗指数小,或半衰期短,都应采用静脉滴注给药,以维持恒定的有效血药浓度. 1.药物浓度的变化规律:以剂量为0X 的药物,在T 时间内,以恒定的速率0K 静脉注射入人体内.在滴注时间T 内,体内除有消除过程外,同时还存在一个恒速增加药量的过程,只有当滴注完毕后,体内才仅有消除过程,因此这个模型包括两个方面,一方面以恒速0K 进入体内,另一方面以K 即一级速度从体内消除,因此,药物的变化速度应该是这两部分的代数和,用微分方程表示为:KX0-=K dtdx解微分方程,进行分离变量因为: )——(—K KX K K 00=有Kdt K K x dx =-0不定积分⎰⎰=--dt X dxK KK 0 得C Kt K K X ln ln 0+-=⎪⎭⎫ ⎝⎛-即kt -0Ce KK X =—(1) 当将初始条件:0,0==X t ,代入上式,求得积分常数C 为:KK C 0—= 将C 代入(1)式:kt e -00KKK K X ——= kte KK K K X --=00)e (KK X kt --=10(2) 将(2)式两端同除以V 得)e (VKK C -kt -=10(3) (3)式即为单式模型静脉滴注给药,体内血液浓度与时间t 的函数关系式. 2.静脉滴注给药时的稳态血液浓度(ss C )以血液浓度C 为纵坐标,时间t 为横坐标作图,得以静脉滴注的C---t 曲线,滴注开始后一段时间内, C 随t 的增大,急剧增大,而后一段时间增大程度越来越少,逐渐减慢,最后几乎不再增加而保持一个恒定的浓度值,此值称为“稳态血液浓度” (ss C )或称“坪浓度”,此时体内药物的消除浓度等于药物输入浓度.根据(3)式,当∞→t 时, kt e -趋于0而(kt e -—1)趋于1则可得到稳态血药浓度公式如下:VKk C ss 0=, (4) 由上式可以看出ss C 的大小与0K 成正比,与K 成反比,滴注速度愈大,稳态血药浓度将更大.恒速静脉滴注给药方案设计的主要问题是根据临床期望达到有效血药浓度算出滴注速率,由以上探讨可得:CL C ss =0K , (5) 或VK C K ss =0, (6)或214410t .VK/K K ss =. (7)3.达坪浓度某一分数所需的半衰期数本节的含义是在体内药物达到某一浓度时,通过血液浓度值,来计算所需要的半衰期方法.因为不论哪一种药物,在体内达到某一个血液浓度时,所需要的半衰期是一致的,与药物半衰期的长短无关.4.静脉滴注的负荷剂量问题临床上常将药物的有效治疗浓度决定为稳态水平,而要达到稳态的90%~99%,则需3.32~6.64个半衰期的时间,例如中等半衰期为四小时的药物达到稳态90%则需要13.3h,所以一般半衰期大于0.5h 的药物,可先由静脉注射一个剂量的药物,使血药浓度达到或接近ss C 的95%,而这个剂量叫“负荷剂量”然后立即恒速静滴,维持血药浓度,可以用以下几种方法:(1)先静脉注射,后静脉滴注给药;即先静注一个较大剂量,使血药浓度接近稳态或达到稳态浓度,随后进行恒速静滴来维持血药浓度,在先前静注的剂量即为“负荷剂量”负荷剂量可用下式计算V C X ss =*0, (8)式中*0X 为负荷剂量静脉滴注速度为VK C ss =0K (9) 同时快速静注与静脉滴注给药后体内药量应为两式之和,即)1(X 0-*0kt kte KK e X --+=. (10) 将(9)式代入(8)式,得,/K 0*0K X =再代入上式,则KKe K K e K K X kt kt 000)1(=-+=-- (11) 而血药浓度则为ss C KVK C 0==. 根据上面的方案,可使血药浓度及体内药量在整个过程中保持恒定,血药浓度一直维持在稳态血药水平.(1) 先进行快速滴注,后进行慢速滴注给药.本法为先以滴注速度01K 作快速滴注,经t 时间后,达到所需的治疗浓度,再以速度0K 作慢速滴注,维持治疗稳态水平(ss C )kte K K --=1101, (12)VK C K ss =0.(2) 简易计算负荷剂量法,达到ss C 所需的负荷剂量应为ss VC X =*0 ,KK X 0*0=, 217.02144.1/2/1693.0*0*0**00t X t X t X K X K ====.由上可知,负荷剂量静脉滴注速率与药物消除速率的比值,若负荷剂量的70%被半衰期去除.并以此量按每小时滴注,即可维持负荷量所达到的浓度,负荷量可按一次或几次快速静脉注射投予. 5.静脉滴注停止后求动力学参数(1)在0K 确定的情况下,求静脉滴注停止时的V 及K ,0K 确定时,可用VKK C ss 0=求V ,此时需先测出ss C 值, 也可用),1(0kt e VKK C --=,以C 对作图,其斜率为KV K /0,解出V 即可,用上述方法求V ,其数值理论上与0C X V =求出的相等.求K 时,先停止滴注,任其血液浓度自然下降,测出下降过程中几个不同时间的血药浓度,即的t C -log 关系直线,此线的斜率303.2K 0-=K ,所以K 即可求出, 稳态后停滴,求K V '值.当达到稳态水平而停滴后,血药浓度的变化速度可用下面的微分方程表示:kc dt dc-= 解上述微分方程,分离变量后作不定积分,并代入初始条件(0'=t ,KVc 0K =),得 kte KVK C -=0 (13) 其对数式为KVK t KC 0log '303.2log +-= (14) 式中't 为停滴后时间.根据(14)式,若计算参数K 与V 值,可在停滴后的不同时间取血样测定血药浓度,以C log 对't 作图,可得一直线,该直线的斜率为303.2K-,可求得K 值,截距为)/log(K 0KV ,若已知K ,0K 可求出V 值.a)稳态前停滴,求K V 值b)达到稳态前停止滴注,血药浓度的变化的微分方程式:kc dtdc-=, 该微分方程,初始条件为0'=t ,)1KVK-0kt e C —(=,t 为滴注时间则得下式: '-0)1KVK C kt kt e e -=—(. 其对数式为()⎥⎦⎤⎢⎣⎡-+-=-kte KVKt K C 1log '303.2log 0 (15)式't 仍为停滞后时间根据(15)式停滴后测定血药浓度,以C log 对t 作图,得一直线(AB )由斜率可求得K 值,已知0K 及t 后可由截距求出V 值. 2.2 两室模型2.2.1 两室模型药物静脉注射给药 1.血药浓度变化规律本类药物在体内分布符合两室模型,但药物的消除仅在中央室,并按一级消除速率进行如下图.药物的室间交换速率亦符合一级,这种消除包括肝代谢,肾排泄,肺呼出等途径.同时,难于灌注的组织的外周室药量p X ,按一级转运速率常数21K 返回至中央室.此时中央室c X 的静变化速率等于上述这些过程的总和,可由下列微分方程组来表示:c c p tX K X K X K dtdX 101221--=, (1)p c p X K X K dtdX 2112-=. (2)(1)式和(2)式这两个一级线性微分方程是二房室模型的基本方程,解得:βt αt c e β)(α—ββ(K X e β)()K (X X -+-∂-∂=-210210. (3) 血药浓度与中央室的药量呈比例.c V 000C V X =为中央室分布容积,代入(3)式,得:。

内皮素受体A拮抗剂药效团模型的建立

内皮素受体A拮抗剂药效团模型的建立
作 用机制研 究, 负责人 : 张燕玲 。 ★★ 通讯 作者 : 乔延 江 。 本刊编委 , 教授 , 主要研 究 方向: 中药信 息学。
[ Wo r l d S c i e n c e a n d T e c h n o l o g y  ̄ Mo d e r n i z a t i o n o fT r a d i t i o n a l C h i n e s e Me d i c i n e a n d Ma t e r i a Me d w a ] 4 7 1
靠性 , 且利 用定量药效 团模型 筛选 中药化 学成分数据库命 中 l 6个化 学成 分。结论: 本文所构 建的定性 和定量 药效 团模 型 筛选效率较 高 , 可分别开展 活性化合物 筛选和活性预测研 究, 有助 于指导发现 中药
E T A 受体 拮 抗 剂 。
关键 词 : 内皮 素 受体 A 定 性 药 效 团 定 量 药效 团
Y a n a g i s a w a 等【 于 1 9 8 8 年从 猪 的主动脉 内皮 细胞 培
养液 中分离得到 ,主要包含 E T 一 1 、 E T 一 2 、 E T 一 3三种 类型, 其中 E T 一 1 的生物活性最强 。当内皮素与细胞 或组 织的 内皮素受 体 E T A 和E T B 结合时会引起 血管 的收缩【 。文献报道 稿 血压 、 心肌梗塞 、 血管痉挛 、
2 . 塞 壅
( 1 ) 化合 物前处理。
利用 C a t a l y s t 系统 中的 B e s t Q u a l i t y模 式 对 所 构

急慢性 肾衰 、 充血性 心衰 、 缺血性休 克 、 病 毒性 心肌 炎等疾病 的发生导致 内皮素水平 的增高 。 目前 市场

血管紧张素ⅡAT1受体拮抗剂药效团模型构建

血管紧张素ⅡAT1受体拮抗剂药效团模型构建

血管紧张素ⅡAT1受体拮抗剂药效团模型构建曹宝帅、朱一婧、程刚英、王悦、潘昊、姜凤超*华中科技大学同济医学院药学院,武汉(430030)摘要:建立血管紧张素ⅡAT1受体拮抗剂药效团模型。

利用Catalyst软件系统,选择具有较高体外抑制活性的82个化合物组成分子集合,经构象分析,分子叠和等过程构建出药效团模型,得到一个含有1个氢键接受体,2个疏水中心,1个阴离子中心和1个环芳香基团的AT1受体拮抗剂药效团模型。

其可靠性较好(RMS=0.74,Correl=0.87,Weight=1.39,Config=20.90),具有较好的活性预测能力,有助于新型结构的AT1受体拮抗剂的设计。

关键词:计算机辅助药物设计;血管紧张素ⅡAT1受体拮抗剂;药效团模型The construction of the pharmacophore model of the angiotensinⅡAT1 receptor antagonists.Gang-ying CHENG,Yue WANG,Yi-jing ZHU,Hao PAN,Feng-chao JIANG (School of pharmacy, Tongji medical collage,HUST,Wuhan 430030)Abstract: To construct the pharmacophore model of the angiotensinⅡAT1 receptor antagonists. Ten pharmacophore models of AT1 receptor antagonists were established from the training of 82 AT1 receptor antagonists with conformer analysis and pharmacophore mapping by using the Catalyst software. An optimal pharmacophore model including one hydrogen-bonding acceptor, two hydrophobic core, one negative ionizable and two ring aromatics was conformed. The reliability of the optimal pharmacophore model is preferably with RMS=0.74,Correl=0.87,Weight=1.39,and Config=20.9. This pharmacophore model showed excellent forecast ability and contributes to design the AT1 receptor antagonists with undiscovered structure.Key words: CADD; angiotensinⅡAT1 receptor antagonists; pharmacophore model肾素-血管紧张素-醛固酮系统(RAAS)是参与心血管功能调节的重要内分泌系统,存在于机体各组织器官,在高血压的发生发展中起着至关重要的作用。

药效团模型建立的基本步骤

药效团模型建立的基本步骤

药效团模型建立的基本步骤1.数据收集和预处理:药效团模型建立的第一步是收集相关的化合物结构和生物活性数据。

可以通过文献调研、数据库查询或实验测试获得这些数据。

收集到的化合物结构数据包括分子式、结构图、SMILES等。

生物活性数据可以是IC50、EC50、Ki值等。

收集到的数据需要进行预处理,包括去除重复数据、处理缺失值和异常值等。

2.特征选择:特征选择是从大量的分子特征中选择最重要的特征来构建模型。

常用的特征包括分子指纹、物理化学属性和子结构等。

特征选择的方法包括过滤法、包装法和嵌入法等。

过滤法通过统计方法或相关系数来评估特征与目标变量之间的相关性,选择相关性较高的特征。

包装法使用机器学习算法评估特征的重要性,并按照重要性进行排序。

嵌入法将特征选择嵌入到模型构建的过程中,通过正则化或特征权重来选择最优的特征。

3.模型构建:模型构建是根据已选择的特征和目标变量来选择合适的算法进行建模。

常用的算法包括支持向量机(SVM)、随机森林(Random Forest)、神经网络(Neural Network)等。

根据数据的特点和研究目的选择合适的算法。

可以使用交叉验证或留一法来评估模型的性能,选择最优的算法参数。

4.模型评估:模型评估是用来评估模型的性能和可靠性的过程。

评估指标包括准确度、召回率、F1值等。

可以通过均方根误差(RMSE)或平均绝对误差(MAE)来评估回归模型的性能。

模型评估的方式包括交叉验证、留一法和外部测试等。

可以使用已知数据进行交叉验证或留一法,也可以使用未知数据进行外部验证。

以上是药效团模型建立的基本步骤。

在实际应用中,还需要根据具体问题的特点和需求进行适当的调整和修改。

药效团模型的建立是一个复杂而关键的过程,需要综合运用化学、生物学和统计学等多个领域的知识和技术。

医药领域药效评估模型构建和优化方法

医药领域药效评估模型构建和优化方法

医药领域药效评估模型构建和优化方法在医药领域,药效评估模型的构建和优化是非常重要的工作,它可以帮助研究人员和医药企业更好地了解药物的疗效和安全性。

一个准确可靠的药效评估模型可以为药物研发提供指导,加快药物研发进程,节约研发成本,同时也有助于改善患者的治疗效果和生活质量。

药效评估模型的构建是一个复杂的过程,需要考虑多个因素,包括药物的性质、药物的作用机制、药物的代谢途径等。

下面将介绍一些常用的药效评估模型构建和优化方法,以供参考:1. 数据收集与预处理在构建药效评估模型之前,首先需要收集大量的相关数据。

这些数据可以包括药物的化学结构、药物的活性、药物的物理化学性质等。

在收集到数据后,还需要对数据进行预处理,包括数据清洗、缺失值处理、异常值处理等。

预处理的目的是去除数据中的噪声,提高模型的准确性和稳定性。

2. 特征选择与提取在药效评估模型构建的过程中,特征选择和特征提取是非常重要的步骤。

特征选择是从大量的特征中选择出对药效评估具有重要意义的特征,可以采用统计学方法、机器学习方法等进行选择。

特征提取是将原始数据转化为更有意义的特征,常用的方法包括主成分分析、独立成分分析等。

3. 模型选择与建立在药效评估模型构建的过程中,需要选择合适的模型进行建立。

常用的模型包括线性回归模型、逻辑回归模型、支持向量机模型、人工神经网络模型等。

在选择模型时,需要考虑模型的适用性、准确性、鲁棒性等因素。

4. 模型优化与验证一旦构建了药效评估模型,还需要对模型进行优化和验证。

模型的优化包括参数调整、模型结构优化等,旨在提高模型的预测能力和泛化能力。

模型的验证可以采用交叉验证、留一法等方法,评估模型的性能和稳定性。

5. 结果解释与应用在药效评估模型构建的过程中,需要对模型的结果进行解释和应用。

结果解释可以帮助研究人员深入了解药物的疗效和安全性,进一步指导药物的研发和临床应用。

模型的应用可以通过软件工具来实现,使得模型可以更加方便地应用于实际工作中。

Discovery Studio官方教程-- 构建基于分子共同特征的药效团模型

Discovery Studio官方教程-- 构建基于分子共同特征的药效团模型

构建基于分子共同特征的药效团模型(HipHop)教程介绍Common Feature Pharmacophore Generation protocol (HipHop) 用于发现一系列配体小分子所共有的化学特征,并基于这些共同特性结构的比对叠合自动生成药效团模型,用户可以使用共有的特征药效团去搜索化合物数据库来寻找可能的先导分子。

基于分子共同特征的药效团模型同样也可以用于探索一系列具有相似活性但结构却不同或者结构柔性较大的分子的构效关系。

此教程以6个活性配体小分子所构成的训练集来构建基于分子共同特征的药效团模型,继而用于先导化合物的发现。

本教程包括以下步骤:•基于分子共同特征的药效团模型的构建(训练集)•基于分子共同特征的药效团模型的验证(测试集)•先导化合物的发现(数据库的筛选)Common Feature Pharmacophore的构建1. 训练集分子的准备本教程采用一系列已知的5-HT2c配体(1,2)来构建一个基于分子共同特征的药效团模型用于先导化合物的发现。

5-HT2c受体属于GPCR超家族。

在文件浏览器(Files Explorer)中,展开Samples | Tutorials | Pharmacophore,双击打开5HT2c_ligands.sd。

在表格浏览器中可以看到一共有6行,代表了6个分子。

这些分子的Principal和MaxOmitFeat属性都已事先定义。

若无定义,则选择表格浏览器中剩下列的heading,鼠标右键点击选择Add Attributes,打开Add Attributes对话框,添加这两个属性。

Principal属性定义了分子的活性水平:2 有活性参考分子,分子中所有化学特征在构建药效团模型时都要考虑。

1 中等活性定位药效团特征元素时需要考虑该化合物的构象空间。

0 非活性该分子在定位药效团特征元素时不考虑,用于选择性地定义排除体积。

MaxOmitFeat属性定义了每个分子中允许不与药效团模型匹配的特征元素的个数:数值描述内容0 构建的药效团模型中所有特征元素都必需与化合物匹配上。

p53-MDM2结合抑制剂药效团模型的构建

p53-MDM2结合抑制剂药效团模型的构建

亡 的作 用 , 一 方 法 的可 行性 已经 被 多个 实 验 室 所 这 证 明[4 目前 主 要 通 过 3条 途 径来 释 放 p 3 1 阻 21 -. 5 为作用靶点 的抗肿瘤 新 药 的研 究 已经 成 为 一 个 热 点 . 究 结 果 表 明 [ 研 1 1 , MD ( r ed ul miue2是 p 3的 关 键 负 调 M2mui o be n t ) 5 n
MD idn rc r, t n h r c p oemo e ( o e O9 1 C n g 1 . 0 A s 1 0 8 0 ic d g M2bn gs u t e af t gp ama o h r d l C  ̄ l . , o f = 75 , c t 5 .3 ) n li i t u ii = 4 i 3 o = u n
Ab t a t: sr c T ep a ma o h r d l fp 3 M DM 2 bn i g i h bt r se tb ih d b e Caa y t o t r h h r c p o e mo e 5 一 o i d n i i s wa s l e y t tl s f n o a s h s wae
摘要 : 采用 C tls软 件, a yt a 选择 5类共 2 4个 p 3MD 5 一 M2结 合抑制 剂作 为训练 集, 经计算 机建 模 、 构象 优化 , 由 C t yt a ls系统构 建出药效 团模 型, a 并对 药效 团进行 有效性 分析 , 合 已知 的 p 3MDM2结 合抑制 剂 的结构 结 5一
中图分类 号 : O 4 61
Pha m a o o e M o l r c ph r de ns r c i n o 3 M DM 2 Bi i nhi t r Co t u to fp5 - nd ng I bio s

SHP-2抑制剂药效团模型的构建与应用

SHP-2抑制剂药效团模型的构建与应用

SHP-2抑制剂药效团模型的构建与应用魏会宇;金媛媛;王梅燕;朱立勤【摘要】目的:构建并应用蛋白酪氨酸磷酸酶SHP-2抑制剂药效团模型.方法:应用Discovery Studio 3.5软件包中的基于分子共同特征HipHop和基于配体-受体晶体复合物CPB两种算法构建出SHP-2抑制剂药效团模型,应用Receiver-operating curve(ROC)分析方法对产生的药效团模型进行验证并对ZINC数据库进行筛选,最后应用Schrodinger Suite 2009中的Qikprop模块预测这些化合物的吸收、分布、代谢、排泄的性质,并与已报道的部分化合物作比较.结果:应用HipHop和CPB两种算法分别构建了识别活性与非活性分子能力最强的药效团模型,并且通过这两个模型筛选出了35个具有潜在SHP-2抑制活性的化合物,通过ADME预测得出设计出的化合物具有较好的ADME性质.结论:该两种药效团模型可以用于后续SHP-2小分子药物的筛选和优化,且采用两种药效团联合筛选的方法为计算机辅助药物设计提供了一个新的思路.【期刊名称】《天津医科大学学报》【年(卷),期】2015(021)001【总页数】4页(P25-28)【关键词】计算机辅助药物设计;药效团模型;SHP-2抑制剂【作者】魏会宇;金媛媛;王梅燕;朱立勤【作者单位】天津医科大学眼科医院药剂科,天津医科大学眼视光学院,天津医科大学眼科研究所,天津300384;天津医科大学药学院,天津300070;天津医科大学药学院,天津300070;天津医科大学药学院,天津300070;天津医科大学药学院,天津300070;天津市第一中心医院药学部,天津300192【正文语种】中文【中图分类】R914.2蛋白酪氨酸磷酸酶SHP-2(s rchomology 2 domain containing phosphotyrosine phosphatase 2)是一种由蛋白酪氨酸磷酸酶N11(PTPN11)基因编码的蛋白酪氨酸磷酸酶(protein tyrosine phosphatase,PTPase),其分子结构由两个 Src同源区(N-SH2和C-SH2)、一个具有蛋白酪氨酸磷酸酶催化活性功能域和一个包含多个酪氨酸磷酸化位点及一个富含脯氨酸Motif的C端尾巴组成[1]。

药效团构建

药效团构建

36 Compounds
1150compounds + Training set (16)
Ligandfit
化合物库筛选
可以构建自己的化合物库
database 安装其他化合物库,CNPD,ACD等
DS中自带的化合物库
构建具有活性预测能力的药效团
• 寻找与化合物活性相关的药效团特性 • 构建的药效团模型具有活性预测功能
第二级 第三级 第四级 第五级

41
对训练集分phore Generation HypoGen(quantitative)
• 分子结构兼具多样性 • 活性分子的活性值至少跨越4个数量级 • 每个活性数量水平的化合物分子数量至
少为3个,总数在18-25个。 • 容忍活性水平很小的化合物 • 结构类似的化合物之间活性相差至少一
界面友好
Catalyst (Linux)
VS
Discovery Studio (Windows & Linux)
功能添加
catalyst
Discovery studio
HypoGen HipHop HypoRefine&HipHopRefine Shape
DS2.5
HypoGen HipHop HypoRefine&HipHopRefine Shape
筛选
对接 1150compounds
36compounds
模型构建
Training set:
模型构建
如何选择
产生多个药效团模型
产生的模型是否可信
模型验证
Fischer’s randomization method
Decoy set
模型验证

DS教程----药效团

DS教程----药效团

基于药效团的药物发现吕炜第一节药效团技术基本原理利用分子的三维结构信息进行药物分子设计已经成为药物化学领域一项常规的技术。

依据所依赖结构的不同(受体的三维结构或者配体的三维结构),药物设计的方法又可以分为两种:基于(受体)结构的药物设计方法和基于配体结构的药物设计方法。

当受体(蛋白质、酶或DNA)的三维结构已知时,可以采用基于结构的药物设计方法,采用分子对接或从头设计技术,通过研究配体与受体之间的相互作用信息进行药物设计。

而当受体结构未知时,则可以通过已知活性的配体分子的三维结构,建立恰当的构效关系模型来指导进行药物分子结构的优化和改造,这种方法叫做基于配体结构的药物设计方法。

药效团模型方法就是一种最为杰出的基于配体结构的药物分子设计方法。

一. 药效团的基本概念:在药物分子和靶点发生相互作用时,药物分子为了能和靶点产生好的几何匹配和能量匹配,会采用特定的构象模式,即活性构象。

而且对于一个药物分子,分子中的不同基团对其活性影响是不同的,有些基团的改变对分子活性的影响甚小,而另外一些基团的变化则对分子与靶点的结合起着非常重要的影响。

于是,就需要引入一个药效团(Pharmacophore)的概念。

药效团是指药物活性分子中对活性起着重要作用的“药效特征元素”及其空间排列形式。

这些“药效特征元素”是配体与受体发生相互作用时的活性部位,它们可以是某些具体的原子或原子团,比如氧原子、羟基、羰基等,也可以是抽象的化学功能结构,如疏水团、氢键给体、氢键受体等。

图1展示了一个经典的5-HT6受体拮抗剂药效团模型。

该药效团模型由4个药效特征组成,其中两个为疏水团(蓝色球所示),一个为正电基团(红色球),另一个为氢键受体基团(绿色球,含方向)。

各个药效特征之间存在几何约束,相互之间的距离以及角度需满足一定限制条件。

任何药物分子,如果能够满足这一个药效团,就具备了与5-HT6受体结合的必要条件。

图1. 5-HT6受体拮抗剂药效团模型示意图作为基于配体结构的药物设计中的最主要的两种方法,定量构效关系方法和药效团模型法虽然都是以配体小分子的结构作为起点,但二者之间存在明显不同。

EGFR酪氨酸激酶抑制剂的药效团模型构建

EGFR酪氨酸激酶抑制剂的药效团模型构建

[Article]物理化学学报(Wuli Huaxue Xuebao )Acta Phys.鄄Chim.Sin .,2008,24(2):281-288February Received:July 23,2007;Revised:November 2,2007;Published on Web:January 2,2008.∗Corresponding author.Email:fengchao@;Tel:+8627⁃83692749ⒸEditorial office of Acta Physico ⁃Chimica SinicaEGFR 酪氨酸激酶抑制剂的药效团模型构建陈曦刘心霞黄慧胡慧慧姜凤超∗(华中科技大学同济医学院药学院,武汉430030)摘要:以80个作用方式相同,分子结构特征不同的表皮生长因子受体酪氨酸激酶(EGFR TK)竞争性抑制剂为训练集,利用计算机药物辅助软件Catalyst,构建不同的药效团模型,并结合酪氨酸激酶的作用位点等因素,筛选出一个含有两个芳环中心,一个疏水中心和一个阳离子基团的具有较好预测能力(RMS=0.438,Correl=0.908,Weight=1.52,Config=17.36)的药效团模型,为设计和合成新型结构的EGFR TK 抑制剂提供参考.关键词:抗肿瘤药物;计算机辅助药物设计;EGFR 抑制剂;药效团模型中图分类号:O641Construction of Pharmacophore Model of EGFR TK InhibitorCHEN Xi LIU Xin ⁃Xia HUANG Hui HU Hui ⁃Hui JIANG Feng ⁃Chao ∗(School of Pharmacy,Tongji Medical Colloge,Huazhong Science and Technology University,Wuhan430030,P.R.China )Abstract :Epidermal growth factor receptor (EGFR)protein tyrosine kinases (TK)are attractive targets for anti ⁃tumor drug design.So,a good pharmacophore model of EGFR TK inhibitors will be propitious to design new EGFR TK inhibitors.80compounds reported EGFR TK inhibitors which work at the ATP ⁃binding domain were chosen to construct several pharmacophore models with the help of Catalyst software.Based on the action mechanism and the 3D structure of the EGFR tyrosine kinases,a fitting pharmacophore model (RMS=0.438,Correl=0.908,Weight=1.52,Config=17.36)including two aromatic ring centers (RA),an aliphatic hydrophobic core (HP)and a positive ionizable center (PI)was confirmed.This model revealed that the RA and HP group may act on ATP binding pocket,and the PI may act on the surface of ATP binding pocket.Therefore,this study could provide new hints for denovo design of new EGFR inhibitors with observable structure and predictable activity (screened in silico).Key Words :Antitumor drug;Computer aided drug design;EGFR inhibitor;Pharmacophore model随着分子生物学技术的发展和对肿瘤发病机制的细胞分子水平等方面的进一步认识,抗肿瘤药物研究也从传统的细胞毒药物向针对肿瘤发生、发展机制中多个关键靶点,如对细胞信号传导进行调节,诱发肿瘤细胞凋亡,预防肿瘤细胞转移等类型的药物发展.表皮生长因子受体酪氨酸激酶(EGFR TK)是表皮生长因子基因(erbB)家族的一员,现已证实表皮生长因子受体EGFR 在多种恶性肿瘤中表达增强,受体与相应配基(信号分子)结合后可以通过作用于细胞信号传导、细胞增殖、凋亡调控以及血管生成等途径对肿瘤的发生和增殖起作用.因此,EGFR已经是抗肿瘤药物研究中重要的靶点之一.按照作用区域不同,可将目前在肿瘤治疗中疗效确切的EGFR TK 抑制剂分为两类,包括针对EGFR 胞外区的单克隆抗体和作用于胞内部分的小分子酪氨酸激酶抑制剂[1],后者和三磷酸腺苷竞争性结合胞内的三磷酸腺苷结合位点,通过抑制酪氨酸激酶,阻断受体催化活性,进而阻止下游信号传导,目前已有许多EGFR 抑制剂的相关研究和新药开发.本文选择一系列结构不同,但作用在EGFR 相同作用位点,具有相应抑制活性的化合物为训练集,利用计算机辅助药物设计程序,构建出能够选择性作281Acta Phys.鄄Chim.Sin.,2008Vol.24用于EGFR TK 作用位点的药效团模型,并通过筛选出的最佳模型设计,合成出相应的活性和选择性更高的EGFR 抑制剂.1材料与方法1.1药效团模型的构建本文选择体外实验中对EGFR 的ATP(腺嘌呤核糖核苷三磷酸)竞争性抑制活性较高的化合物为样本,采用MSI 公司的Catalyst 程序得到药效团模型,模型构建过程包括三个步骤:数据集合的建立,化合物的构象分析,分子叠合.1.1.1数据集合的建立文献报道EGFR TK 的ATP 竞争性抑制剂,按照其结构特征可以分为4⁃氨基吡咯并嘧啶类[2-5]、4⁃Class 14⁃amino ⁃pyrrolo [1,2⁃d]pyrimidenesR=H;Ar=Ar=R=;Ar=Ar=;R=-H (7)-OH (8)-OCH 2CONH 2(9)-O(CH 2CH 2NH 2(10)-OCH 2CH 2CH 2NH 2(11)-OCH 2CH 2CH 2CH 2NH 2(12)-N(CH 3)CH 2CH 2OH (13)Class 24⁃aminoquinazolines)A=MeO;B=H;D =;C=A=H;C=H;B=D=A=H;C=H;D=B=表1用于建模的化合物结构Table 1The structures of the compounds selected for creating modelto becontinued282No.2陈曦等:EGFR 酪氨酸激酶抑制剂的药效团模型构建氨基喹唑啉类[3,6,7]、4⁃氨基嘧啶类[8,9]和其他[10-14]等四种主要类型.为了能根据得到的药效团模型筛选出具有更好活性的化合物,本实验从这几大类抑制剂中选取了抑制活性较高(IC 50臆650nmol ·L -1,且其活性值相差在三个数量级以内)的80个化合物作为训练集元素(表1).利用在Catalyst 中的View compound 模块构建所有化合物分子的结构,并进行相应的二维、三维结构优化,并找出具有最低能量的三维空间构象.1.1.2化合物的构象分析药物分子在与受体靶点发生相互作用时,会采用特定的活性构象(药效构象),虽然不一定是能量最低构象,但通常是能量较低的构象.同时也为了尽可能覆盖每个分子的完整的活性作用区域,在进行分(4⁃F(54)2⁃F(55)6⁃F(56)R=2⁃aminophenyl (57)3⁃aminophenyl (58)4⁃aminophenyl (59)3⁃pyridyl (60)Class 4(others)Class 3(4⁃aminopyrimidine):continued Table1283Acta Phys.鄄Chim.Sin.,2008Vol.24子叠合之前,对该组化合物分子进行了必要的构象分析.在Catalyst 软件包中,构象分析的能量截断缺省值为84kJ ·mol -1,这就是说当药物分子和受体发生相互作用时,为适合受体结构的变化,分子的药效构象和能量最低构象比较,其能量差可以在0-84kJ ·mol -1之间变化.这是因为在体内环境下,这种能量差可以通过药物与受体相结合时所产生的效应得到补偿.用Best Quality 模式,将最大构象数目设定为255个,对所构建的化合物分子进行处理,生成一系列的低能构象.经构象分析之后,每个活性分子都a)the inosculated degree of pharmacophore model with the related compounds;b)the matching degree of pharmacophore element with the specific conformation of the compounds;the asterisk(∗)means no matching with pharmacophore element;c)the ratio of estimated activity to actual activity.“+”and “-”represent positive and negative errors,respectively.No.Fit a Mapping bIC 50(nmol ·L -1)Error cestimated actual 1 4.37+[15∗120]220100+2 4.27+[15∗120]270210+3 4.57-[15∗120]13086+4 4.71-[3912∗26]99200-5 4.92+[635326∗]6068-6 5.00-[551441∗]5023+7 4.62-[3926∗1]12081+8 4.61-[2015∗29]120120+9 4.69-[5222∗36]100140-10 4.69-[2823∗37]10090+11 4.95+[∗111534]5664-12 4.85+[∗81837]71160-13 4.64-[4532∗7]120110+14 4.71+[∗102241]98190-15 4.85+[∗12039]7183-16 4.68+[45134823]100210-2.21.31.62.01.12.21.51.01.41.11.12.21.01.91.22.0No.Fit aMapping bIC 50(nmol ·L -1)Error c estimated actual 41 5.35+[2350191]2325-1.142 5.33+[2350191]2319+1.243 5.31+[2350191]2521+1.244 5.18+[2350191]3318+1.845 5.61+[2350191]1219-1.546 5.42-[23501933]1917+1.147 5.10-[23*1933]4026+1.548 5.13-[23*1933]3725+1.549 5.16+[2350191]3527+1.350 5.57+[2333193]149+1.551 5.65+[2333193]118+1.452 4.83+[*162241]75130-1.753 5.63+[2333193]128+1.554 5.66+[5514411]1118-1.755 5.03-[*14411]4751-1.156 5.90-[2338201] 6.39-1.417 4.95+[465726∗]56120-2.157 5.09+[21*1327]4163-1.518 4.55-[4532∗7]14068+2.158 5.12-[21*1327]3842-1.119 4.55+[4532∗7]140220-1.559 5.02+[21*1327]4830+1.620 4.61+[4532∗7]120140-1.160 5.04+[32*2438]4674-1.621 4.52-[15∗726]150170-1.161 5.02-[21*1327]4879-1.722 4.49+[15∗726]160350-2.262 5.06+[21*1327]4460-1.423 4.54-[15∗726]140130+1.163 5.08+[21*1327]4250-1.224 4.58-[4532∗7]130210-1.664 5.09+[21*1327]4031+1.325 4.58-[4532∗7]130240-1.865 5.03+[5*211]4732+1.526 4.49+[4532∗7]160200-1.266 5.09-[5*211]4133+1.227 4.70+[∗54828]100190-1.967 5.09+[5*211]4040+1.028 4.50+[4532∗7]160130+1.268 5.27-[548211]2721+1.329 4.63+[20∗132]12090+1.369 5.11+[5*211]3823+1.730 4.06+[45∗321]440200+2.270 4.29+[1*225]260340-1.331 5.02+[52∗132]47210-4.471 4.67-[25*21]11087+1.232 4.55+[41∗3518]140120+1.272 4.45+[9*73]180200-1.133 4.70+[33∗120]99190-1.973 4.95-[25*336]5732+1.834 6.33+[2410201] 2.32+1.274 4.96+[25*336]5450+1.135 6.34+[2410201] 2.32+1.175 3.46+[10**15]1700640+2.736 5.05-[245120∗]4566-1.576 4.02+[24*271]480400+1.237 4.91+[2250∗1]6227+2.377 4.28+[37*15]260300-1.138 4.87-[2250∗1]6824+2.878 4.08+[37*15]420300+1.439 5.03+[415033*]4643+1.179 4.85+[34*141]71200-2.8405.55-[23501933]1418-1.3804.57+[34*141]140150-1.1表2所选化合物与药效团的匹配性Table 2The matching of selected compounds with pharmacophore284No.2陈曦等:EGFR酪氨酸激酶抑制剂的药效团模型构建可以得到相应的一组与其能量相对应的低能构象.1.1.3分子叠合以活性最高分子的最低能量构象作为模板,进行分子叠合,以寻找合适的药效团模型.经过多次的叠合、计算和修正,模板的分子构象也随之发生改变,从而确定药效构象.本实验利用View Hypoth⁃esis Workbench对所选的化合物搜寻药效基团元素,确定该组化合物分子集合中具有氢键受体(hydro⁃gen⁃bonding acceptor,HBA),氢键给体(hydrogen⁃bond donor,HBD),疏水中心(hydrophobic a,HP),环芳香性(ring aromatic,RA)和正电荷形成中心(posi⁃tive ionizable,PI)等药效元素.根据上述分析,选择氢键受体(HBA),氢键给体(HBD),疏水中心(HP),环芳香性(RA)和正电荷形成中心(PI)等五个药效团模型参数,在Hypothesis Generation Workbench模块中生成该组化合物分子的药效团模型.设定生成的药效团模型包含的药效元素(n)范围为1≤n≤10,由Catalyst中的Hypoth⁃esis Generation模块生成药效团模型.在产生药效团的过程中采用了Catalyst中参数的缺省设置,其中权重偏差(weight variation,形成药效的官能团的分子量的数量级)设置为0.302.跨度(spacing,药效结构的官能团之间的最小空间距离)为297pm.药效元素的最小个数(min point,生成的药效结构所含有的药效元素的最小个数)为4.考虑到本文选取的化合物分子的活性数据来自于不同作者的多组实验,同时活性检测一般存在一定的误差,因此将活性数据的不确定度(activity uncertainty)设置为3.0.在所有参数设定完毕后,通过Catalyst中的Cat Hypo模块识别并确定药效团.利用Generate Hy⁃pothesis模块,计算结果给出了10个得分最高的药效团模型及相应的统计评价得分,其中最佳药效团模型的计算数据列于表2中.2结果与讨论将这10个药效团模型进行了系统聚类分析(hierarchical cluster analysis).按照药效团空间相似性将其分为两类:药效团4、7为同一类,其它药效团模型各成一类.对模型进行统计分析评价,找出具有较好相关系数和权重度(RMS=0.438,Correl=0.908, Weight=1.52,Config=17.36)的最佳药效团模型(图1 (a)).最佳药效团模型包含两个芳香中心(RA),一个疏水中心(HP),一个阳离子形成中心(PI)等药效基团,表明该类药物在与EGFR TK发生识别时,芳香疏水性作用和离子电性作用是较强的相互作用.而且各药效团均需满足一定的空间约束(即各药效团之间的距离限制).2.1药效团的可靠性检验根据化合物集数据建立的结构活性关系,Cata⁃lyst通过所选化合物的活性构象和药效团模型的叠合程度(Fit值)对每个化合物进行了活性预测.化合物与最佳药效团模型的匹配性以及活性预测值等具体数据见表2.预测结果显示,该模型具有较高的可靠性.将化合物35与药效团模型进行叠合(图1(b)),结果非常匹配(fit=6.34,预测IC50=2.3nmol·L-1,实测IC50=2nmol·L-1)2.2药效团模型对数据集外的化合物活性预测能力图1最佳药效团模型(a)及其与化合物35的叠合(b)Fig.1The optimal pharmacophore model(a)and superposition with compound35(b)RA:ring aromatic,HP:hydrophobic aliphatic,PI:Pos ionizable;l/nm:1)0.69,2)0.89,3)0.59,4)0.62,5)0.60,6)0.33,7)0.61,8)0.90,9)0.47,10)0.83,11)0.30,12)0.84(b)285Acta Phys.鄄Chim.Sin.,2008Vol.24为了进一步考察所建立的EGFR TK 抑制剂的药效团模型的适用性,选择了化合物集以外的8个文献报道的EGFR TK 抑制剂(化合物Y1⁃Y8)与最佳药效团模型进行了叠合,并对其活性进行了预测.化合物结构、活性构象的能量值与模型的匹配性以及活性预测值等具体数据见表3.其中,化合物Y3是已进入临床域试验的EGFR PTK 抑制剂,由表3的结果可以看出,其活性的预测值与实验值很接近(Error=1.5).选择化合物Y7与药效团模型进行叠合,结果也很理想(图2).化合物Y8即PKI ⁃166的预测值与实际值也吻合得较好(Error=1.5).表3的结果显示,本文所得的药效团模型与数据集以外的8个EGFR TK 抑制剂匹配性较好,对其活性预测值与实际值也较为接近,这进一步说明了本模型的良好预测能力和适用性.2.3抑制剂与EGFR PTK活性部位的相互作用图2药效团模型与化合物Y7的叠合Fig.2The superposition of the pharmacophoremodel with compound Y7表3用于验证的八个化合物的结构和预测活性Table 3The structures and estimated activities (IC 50)of the selected eight compoundsa)the inosculated degree of pharmacophore model with the related compounds;b)the estimated activity(nmol ·L -1);c)the actual activity(nmol ·L -1);d)the ratio of estimated activity to actual activity;e)the potential energy of the structure bearing the alignment with the pharmacophore model.Compound StructureFit a Est.b Act.c Error d E n /(kJ ·mol -1)eY1[15]4.242901621.82.83Y2[16] 4.4717082 2.123.75Y3[17] 4.955738.5 1.576.99Y4[7] 5.034725 1.959.54Y5[9] 5.054428 1.621.89Y6[3] 5.89 6.59-1.441.90Y7[7] 5.90 6.39-1.4 6.37Y8[18] 4.827551 1.561.14286No.2陈曦等:EGFR 酪氨酸激酶抑制剂的药效团模型构建彭涛等人[19]利用柔性原子受体模型(flexible atom receptor model ,FLARM)法提出了包括一个氢键受体、一个氢键给体、一个疏水区和一个带有氯或溴原子的苯环的EGFR TK 抑制剂的药效团模型,同时确定了各药效基团之间的距离,且与Novarti 公司提出的ATP 作用位点相适应,对于EGFR PTK 抑制剂的设计具有一定的指导意义.该模型没有指出各药效基团与酶的活性部位的可能作用方式,同时限定芳环上必须有卤素原子存在,而许多对EGFR TK 具有抑制作用的化合物不存在卤素原子.Traxler 等人[20]研究认为,EGFR TK 的ATP 结合域可以分为腺嘌呤结合区,疏水区I,疏水区II 等五个区域.酶的ATP 结合域见图3,图中蓝色区域为疏水区,黄色区域为腺嘌呤结合区,红色区域为酶表面的Asp831,Asn818和Arg817,桔红色区域为Phe832.同时,与Wissner 等人发现的喹唑啉类衍生物与EGFR 作用时,其疏水侧链与ATP 口袋的疏水区域的832位的Phe 之间还存在π-π堆积相互作用[11]的研究结果相对应.本文模型中的芳香平面1和疏水基团的存在及位置也表明在化合物与ATP 口袋的疏水区作用时,不仅存在疏水力作用,还存在芳环π键作用,二者共同作用的结果使化合物与酶的结合力更强,抑制活性更高.Harold 等[2]人通过对C ⁃5位氨甲基取代的吡咯并嘧啶衍生物(本文中的第一类化合物)的EGFR 抑制活性的研究结果也支持阳离子基团存在的必要性,他们认为,化合物的C ⁃5位取代基伸出ATP 口袋,被质子化的NH 可能与酶表面的Asp831、Asn818的侧链和Arg817主链上的羰基通过静电力而产生相互作用,二者之间的阴阳离子基团的电性作用,可能影响抑制活性的强弱.根据本文得到的药效团模型与酶的ATP 结合域的空间位置进行比较,推测药效团模型中具有嘧啶结构的芳香平面1(RA1)可能是与酶的腺嘌呤结合区相互作用;疏水基团(HP)和芳香平面2(RA2)与酶结构的疏水区玉相互作用,并且RA2可能与酶结构中的Phe832之间有π-π堆积相互作用;可能正是由于这种相互作用,增加了对酶的亲和性,使抑制活性增加.而阳离子基团(PI)极有可能与ATP 结合口袋外的一些带有阴离子基的氨基酸残基(即图3的红色区域)产生相互作用.这种作用可能有利于稳定模型中的其他药效团,使其它药效基团与酶的ATP 结合区的结合能力增强,进一步增加抑制剂的选择性和抑制活性.同时也为某些喹啉环5,6位取代基电性不同的化合物的活性差异提供了较为合理的解释.Shantaram 等人[13]利用CoMFA 及CoMSIA 研究了部分EGFR TK 抑制剂的3D ⁃QSAR,结果发现,对选择性和活性影响较大的是静电作用和疏水作用.对本文的药效团模型进行分析可知,模型中的药效元素正电荷形成中心(PI)和芳香中心(RA2)作用较大,当二者之一不能起作用时,IC 50值增加的幅度较大.这也从侧面说明了正电荷形成中心和π-π堆积对于EGFR TK 抑制剂的选择性和活性的影响.对EGFR TK 抑制剂的药效团模型研究表明,化合物与酶的ATP 域之间以芳香疏水作用和正负离子静电作用等有力的相互结合,可以竞争性地抑制其底物ATP,从而抑制EGFR PTK 的自身磷酸化,阻止肿瘤细胞增殖,达到抗肿瘤的目的.本文提出的药效团模型与其他作者的研究结果相吻合,并且更加直观和明确地得出与抑制活性至关重要的药效特征元素及其空间排列形式,同时得出建立的模型具有较好的活性预测能力,为新型结构的EGFR TK 的ATP 竞争性抑制剂的设计和活性预测提供了理论基础.3结论从已知的EGFR TK 的ATP 竞争性抑制剂中选择活性较高的化合物为模版,利用MSI 公司Cata ⁃lyst 软件包,构建出合适的EGFR PTK 的ATP 竞争性抑制剂的药效团模型.药效团的有效性需要通过实验的验证,以便进一步修正药效团模型,为新的高图3EGFR TK 的ATP 结合域Fig.3The structure of ATP binding site of EGFR TKThe yellow areas:adenine binding region;the dark blue areas:hydrophobic region I;the red areas:negative potential areas on thesurface of ATP binding pocket287Acta Phys.鄄Chim.Sin.,2008Vol.24选择性的EGFR TK的ATP竞争性抑制剂的合理设计提供理论依据.References1Shu,M.;Jiang,Z.Chinese Clinical Oncology,2006,11(6):174[苏沐,姜藻.临床肿瘤学杂志,2006,11(6):174]2Harold,M.;Chang,M.;Chen,P.;Dextraze,P.;Fink,B.E.;Gavai,A.;Goyal,B.;Han,W.C.;Johnson,W.;Langley,D.;Lee,F.Y.;Marathe,P.;Mathur,A.;Oppenheimer,S.;Ruediger,E.;Tarrant, J.;Tokarski,J.S.;Vite,G.D.;Vyas,D.M.;Wong,H.Bioorg.Med.Chem.Lett.,2007,17(7):20363Ballard,B.;Bradbury,R.H.;Harris,C.S.;Hennequin,L.F.A.;Hickinson,M.;Kettle,J.G.;Kendrew,J.;Klinowska,T.;Ogilvie,D.J.;Pearson,S.E.;Williams,E.J.;Wilson,I.Bioorg.Med.Chem.Lett.,2006,16(18):49084Fink,B.E.;Vite,G.D.;Mastalerz,H.;Kadow,J.F.;Kim,S.H.;Leavitt,K.J.;Du,K.;Crews,D.;Mitt,T.;Wong,T.W.;Hunt,J.T.;Vyas,D.M.;Tokarski,J.S.Bioorg.Med.Chem.Lett.,2005,15(21):47745Mastalerz,H.;Chang,M.;Gavai,A.;Johnson,W.;Langley,D.;Lee,F.Y.;Marathe,P.;Mathur,A.;Oppenheimer,S.;Tarrant,J.;Tokarski,J.S.;Vite,G.D.;Vyas,D.M.;Wong,H.;Wong,T.W.;Zhang,H.J.;Zhang G.F.Bioorg.Med.Chem.Lett.,2007,17(10): 28286Ballard,P.;Bradbury,R.H.;Harris,C.S.;Hennequin,L.F.A.;Hickinson,M.;Johnson,P.D.;Kettle,J.G.;Klinowska,T.;Leach,A.G.;Morgentin,R.;Pass,M.;Ogilvie,D.J.;Olivier,A.;Warin,N.;Williams,E.J.Bioorg.Med.Chem.Lett.,2006,16(6):1633 7Laurent,F.A.H.;Peter,B.;Tom,B.F.Bioorg.Med.Chem.Lett., 2006,16(10):26728Waterson,A.G.;Stevens,K.L.;Reno,M.J.;Zhang,Y.M.;Boros,E.E.;Bouvier,F.;Rastagar,A.;Uehling,D.E.;Dickerson,S.H.;Reep,B.McDonald,O.B.;Wood,E.R.;Rusnak,D.W.;Alligood, K.J.;Rudolph,S.K.Bioorg.Med.Chem.Lett.,2006,16(9):2419 9Petrov,K.G.;Zhang,Y.M.;Carter,M.;Cockerill,G.S.;Dickerson,S.;Gauthier,C.A.;Guo,Y.;Mook,R.A.;Rusnak,D.W.;Walker,A.L.;Wood,E.R.;Lackey,K.E.Bioorg.Med.Chem.Lett.,2006,16(17):468610Smith II,L.;Piatnitski,E.L.;Kiselyov,A.S.;Ouyang,X.H.;Chen,X.L.;Wizemann,S.B.;Xu,Y.J.;Wang,Y.;Rosler,R.L.;Patel,S.N.;Chiang,H.H.;Milligan,D.L.;Columbus,J.;Wong,W.C.;Doody,J.F.;Hadari,Y.R.Bioorg.Med.Chem.Lett.,2006,16(6):164311Wissner,A.;Hamann,P.R.;Nilakantan,R.;Greenberger,L.M.;Ye,F.;Rapuano,T.A.;Loganzo,F.Bioorg.Med.Chem.Lett.,2004,14(6):141112Alberti,M.J.;Auten,E.P.;Lackey,K.E.;McDonald,O.B.;Wood,E.R.;Preugschat,F.;Cutler,G.J.;Kane鄄Carson,L.;Liu,W.;Jung,D.K.Bioorg.Med.Chem.Lett.,2005,15(16):377813Shantaram,K.;John,K.B.J.Med.Chem.,2003,46(22):4657 14Smith II,L.;Wong,W.C.;Kiselyov,A.S.;Wizemann,S.B.;Mao, Y.Y.;Xu,Y.J.;Duncton,M.A.J.;Kim,K.;Piatnitski,E.L.;Doody,J.F.;Wang,Y.;Rosler,R.L.;Milligan,D.;Columbus,J.;Balagtas,C.;Lee,S.P.;Konovalov,A.;Hadari Y.R.Bioorg.Med.Chem.Lett.,2006,16(19):510215Vema,A.;Panigrahi,S.K.;Rambabu,G.;Gopalakrishnan,B.;Sarma,J.A.R.P.;Desiraju G.R.Bioorg.Med.Chem.,2003,11(21):464316Kraker,A.J.;Hartl,B.G.;Amar,A.M.;Barvian,M.R.;Showalter,H.D.H.;Moore,C.W.Biochemical Pharmacology,2000,60(7):88517Wissner,A.;Fraser,H.L.;Ingalls,C.L.;Dushin,R.G.;Floyd,M.B.;Cheung,K.;Nittoli,T.;Ravi,M.R.;Tan,X.Z.;Loganzo,F.Bioorg.Med.Chem.,2007,15(11):363518Luo,G.S.;Lu,T.Strait Pharma.,2006,18(4):17[罗光顺,陆涛.海峡药学,2006,18(4):17]19Peng,T.;Zhou,puters and Applied Chemistry,2005,22(6):431[彭涛,周家驹.计算机与应用化学,2005,22(6):431]20Traxler,P.;Furet,P.Pharmacol.Ther.,1999,82(2-3):195288。

简述药效团模型方法的概念和原理

简述药效团模型方法的概念和原理

简述药效团模型方法的概念和原理药效团模型方法简介什么是药效团模型方法•药效团模型方法是一种药物设计和优化的方法,它基于药效团假设,通过分析化合物的药效团与生物靶点的相互作用,来预测药物的活性和选择性。

药效团假设•药效团假设认为,药效团(pharmacophore)是导致化合物具有生物活性和选择性的最小结构单元。

药效团包括药物分子中与靶点相互作用的功能团,如氢键供体、氢键受体、疏水区域等。

药效团模型的建立步骤1.数据收集和准备–收集已知活性化合物的结构及其活性数据,并将其转换为分子描述符表示法。

2.药效团提取–根据药效团假设,使用药效团提取工具从已知活性化合物中提取药效团。

3.药效团对齐–对提取到的药效团进行结构对齐,以便比较不同化合物的药效团位置和相互作用方式。

4.药效团过滤–根据活性和选择性的要求,对提取到的药效团进行过滤,筛选出符合要求的药效团。

5.药效团模型构建–将过滤后的药效团组合起来构建药效团模型,用于预测新化合物的活性和选择性。

药效团模型方法的应用•药效团模型方法广泛应用于药物研发的各个阶段,包括药物设计、虚拟筛选、药效团数据库构建等。

•在药物设计中,药效团模型方法可以指导化合物结构的优化,增强其与靶点的相互作用能力,提高药物的活性和选择性。

•在虚拟筛选中,药效团模型方法可以根据已知活性化合物的药效团信息,对化合物库进行快速预筛选,筛选出具有潜在活性的化合物。

•在药效团数据库构建中,药效团模型方法可以根据已知活性化合物的药效团信息,构建药效团数据库,用于药物研发中的药效团搜索和相似性分析等。

结语•药效团模型方法是一种有效的药物设计和优化方法,它通过药效团的提取、药效团对齐和药效团模型构建等步骤,预测化合物的活性和选择性。

它在药物研发中的应用广泛,为药物研发提供了宝贵的指导和支持。

药效团模型方法的原理•药效团模型方法基于药效团假设和结构活性关系的分析。

药效团假设认为,药效团是导致化合物具有特定生物活性和选择性的最小结构单元。

请简述药效团模型的建立流程

请简述药效团模型的建立流程

请简述药效团模型的建立流程药效团模型的建立首先需要确定目标分子的生物活性数据,包括其对靶点的作用强度和选择性。

The establishment of the pharmacophore model first requires determining the biological activity data of the target molecule, including its potency and selectivity for the target.然后需要分析目标分子与靶点的相互作用方式,找出可能的药效团。

Then it is necessary to analyze the interaction between the target molecule and the target, and identify possible pharmacophores.接着进行三维构象的研究,确定药效团的空间构型。

Then a study on the three-dimensional conformation is carried out to determine the spatial configuration of the pharmacophore.通过分子对接和分子动力学模拟验证药效团的作用机制和稳定性。

The mechanism and stability of the pharmacophore are verified through molecular docking and molecular dynamics simulations.随后进行药效团的优化和筛选,找到具有良好活性和药代动力学性质的分子。

Subsequent optimization and screening of the pharmacophore lead to the discovery of molecules with good activity and pharmacokinetic properties.最后建立药效团模型,并验证其在已知的活性分子中的适用性。

SHP-2抑制剂药效团模型的构建与应用

SHP-2抑制剂药效团模型的构建与应用

津医科大学药学院 , 天津 3 0 0 0 7 0 ; 3 . 天津市第一 中心医院药学部 , 天津 3 0 0 1 9 2 )
摘要 目的 : 构建并应 用蛋 白酪氨酸磷 酸酶 S H P 一 2抑制 剂药效 团模 型。方法 : 应用 D i s c o v e r y S t u d i o 3 . 5软件 包中的基 于分子共
第2 1 卷1 期
2 0 1 5年 i 月
天 津d i 科 大 学 学 报
J o u r n a l o f T i a n j i n Me d i c a l U n i v e r s i t y
Vo 1 . 21 . No .1
J a n . 2 0 r s w a s d e v e l o p e d u s i n g 3 D- Q S A R p h a ma r c o p h o r e p r o g r a m o f H i p H o p a n d C P B i n D i s c o v e y r S t u d i o 3 . 5 , a n d t h e v a l i d a t i o n w a s
( 1 . D e p a r t m e n t o f P h a r m a c y , E y e Ho s p i t a l , T i a n j i n Me d i c a l U n i v e si r t y , S c h o o l o f O p t o m e t r y a n d O p h t h a l m o l o g y , T i a n j i n M e d i c a l U n i v e r -
A b s t r a c t Ob j e c t i v e : T o c o n s t r u c t a n d a p p l y p h a r ma c o p h o r e mo d e l o f S H P 一 2 i n h i b i t o r s . Me t h o d s : P h a r ma c o p h o r e mo d e l o f S HP 一 2

药效团模型建立的基本步骤

药效团模型建立的基本步骤

药效团模型建立的基本步骤
1.确定研究目的:要构建一个药效团模型,需要先根据研究目的确定构建模型的研究内容和范围,以及模型的输出要求。

2.收集相关数据:针对确定的目的,确定数据来源,收集全面、准确的相关数据,确保能满足后续建模需要。

3.预处理数据:对收集的原始数据进行评估、降维、聚类、特征抽取等预处理,以便于下一步的模型建立。

4.建立模型:根据研究目的,确定最适宜的模型,然后由模型建立算法确定模型的拟合方式,开始模型的建立过程。

5.评价模型:模型完成之后,需要评价模型的准确性和效率,通过不同的指标来进行评价,如模型的精度、回归和分类等。

6.可视化:将模型所产生的结果进行可视化,观察模型运行结果的准确性和效果,定期监测模型的表现,以便及时发现模型的问题及时加以改进。

药效团模型方法

药效团模型方法

药效团模型方法x《药效团模型方法》一、简介药效团模型(Drug-Effect Cluster Modeling,DECM)是一种允许变量按类别(诸如性别、年龄等)分组,并允许每个分组的相关因素之间有所不同的研究模型。

DECM通常由两个独立分析团组成,每个团都对药物效应有不同的反应,整个模型可以用来识别影响受试者反应的变量,并预测他们的反应。

DECM的优点在于它可以提供关于某种药物的有效性及影响因素的有效预测模型。

它可以帮助研究人员更好地研究一种药物的作用效果,并为临床实践提供有效的建议。

二、原理DECM基本构建在统计学的线性模型上,应用受试者因素(如性别、年龄等)和药物参数(如剂量、给药时间、口服形式等),以及药物效应参数(如抑制率、免疫细胞百分比等)。

它运用多重回归来检测受试者因素与药物效应之间的关系,并进行统计分析,以推断变量变动情况下药物的效应如何变化。

DECM利用统计方法,将受试者划分为一定数量的组,每一组中的受试者都有一定的相似性,并且组内的受试者反应都相近。

三、应用DECM有助于研究靶点药物,可以提高定位靶点药物的精确度,并使研究人员有能力进行更加精确的抗药性预测。

DECM也可以用来研究其他药物,包括抗感染药物、抗癌药物以及抗心血管病药物等。

它可以帮助药物研发人员有效地确定一种药物的作用效果,从而更好地预测疗效。

DECM被广泛应用于临床药物研究领域,它可以更好地研究不同受试者的反应,并为临床实践提供有效的建议。

四、未来研究未来研究可以深入探索DECM的应用,比如试验设计、数据分析等。

此外,未来还可以研究新型的DECM,如基于人工智能的DECM,以提高效率,提高预测精度等。

药物动力学二室模型

药物动力学二室模型
可知,当t充分大时,由于ka>>α,α>>β
因此得到 ekat 0 et 0
C Bet
21
两边取对数后:lg C lg B 0.4343t
通过血药浓度—时间数据作半对数坐标图,以曲线尾段直线 段 的 斜 率 求 出 消 除 相 的 消 除 速 率 常 数 β , β=– P×2.303=0.084h-1
一、无吸收因素二室模型的建立
无吸收二室模型是把机体组织分为两种类别,一种是快分 布组织,药物在其间分布瞬时取得平衡;一种是慢分布组织, 药物从血流分布到这些组织中的过程慢,达到分布平衡状态需 要一定的时间。假定把瞬时达到平衡的这一群组织归属于中央 室,该房室往往是取样测定的房室,另一群组织则归属于组织 室或外周室, 其示意图如下:
C' A'B'
19
通过C-t数据可测定模型参数ka、α、β、A′和B′。 然后再按下列公式计算中间转运速率常数。
k21
A (ka
A(ka
) B (k ) ) B(ka )
(5.30)
k10 / k21
(5.31)
k12 k21 k10 (5.32)
如果其吸收分数已知,则中央室表观分布容积Vc的 计算如下:
式(5.9)经拉普拉氏逆变换:
(5..9)
Xc
X o ( K 21) et
X o ( K 21) et
(5.10)
写成浓度函数式
C
X o ( K 21) e t Vc ( )
X o (K
V(c
21 ) )
e
t
其中A X o ( K 21) Vc ( )
B
X o (K
V(c
  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。

How to set up a 3D QSAR Pharmacophore Generation runThe 3D QSAR Pharmacophore Generation protocol generates SAR hypothesis models (pharmacophores) from a set of ligands for which activity values on a given biological target have been measured.Note.To ensure proper exploration of the ligand conformational and pharmacophoric space, it is recommended that you run the Diverse Conformation Generation protocol prior to running this protocol.The input ligands need the following molecular properties: Activ(representing the ligand's tested activity) and Uncert(set to 3.0by default, representing the ratio range of uncertainty in the activity value). Molecular properties can be added using the Add Attribute dialog.To set up a 3D QSAR Pharmacophore Generation protocol:1.Load the Pharmacophore | 3D QSAR Pharmacophore Generation protocol from theProtocols Explorer. The parameters display in the Parameters Explorer.2.On the Parameters Explorer, click in a cell for the Input Ligands parameterand click the button to specify the ligand source on the Specify Ligandsdialog. On the dialog, select all ligands from a Table Browser, a 3D Window, or a file. The molecular properties Activ and Uncert should be set for these molecules. If they are not set, they will be assigned a default value of 0.0 and 3.0, respectively.3.Specify the pharmacophore features using the Features parameter. Selectingthis parameter opens the Select Features dialog . On the dialog, you may select the desired pharmacophore features and the minimum and maximum values desired for the final pharmacophores.4.Set the remaining parameters as desired. Parameters presented in red arerequired.Note.If using the Maximum Excluded Volumes parameter in this protocol, we recommend using a value of 5.Note. When generating SAR pharmacophores, which include excluded volumes, the algorithm looks for differences in the steric bulk between the most active compound, and the inactive compounds. However, it is possible to explicitly specify which compounds to use for this analysis. This is done by adding a Principal property to the input ligands. For normal SAR hypothesis model generation, this property is ignored. When using the HypoRefine algorithm to add excluded volumes, however, these values can be used to determine which molecules are used when placing the excluded volumes. Values that are provided will be used as follows:0,NULL: Ignore compound in excluded volume addition1 : Treat compound as Inactive.2: Treat compound as Active.How to set up a Build 3D Database runThe Build 3D Database protocol builds a Catalyst 3D conformation database. It is recommended that no more than 50,000 molecules be used as input. Use the command line program, catDB, to build larger databases. Refer toInstall_Directory/share/Catalyst/conf/catDB.doc document for more information. To set up a Build 3D Database run1.Load the Pharmacophore | Feature Mapping protocol from the Protocols Explorer.The parameters display in the Parameters Explorer.2.On the Parameters Explorer, click in a cell for the Input Ligands parameterand click the button to specify the ligand source on the Specify Ligandsdialog. On the dialog, select all ligands from a Table Browser, a 3D Window, or a file.3.Specify the database name using the Database Name parameter.4.Set the remaining parameters as desired. Parameters presented in red arerequired.How to set up a Common Feature Pharmacophore Generation runThe Common Feature Pharmacophore Generation protocol generates pharmacophores that are common to a set of active ligands. Optionally, it will add excluded volumes to the pharmacophores based on information from a set of inactives.Note.To ensure proper exploration of the ligand conformational and pharmacophoric space, it is recommended that you run the Diverse Conformation Generation protocol prior to running this protocol.To set up a Common Feature Pharmacophore Generation protocol:1.Load the Pharmacophore | Common Feature Pharmacophore Generation protocolfrom the Protocols Explorer. The parameters display in the ParametersExplorer.2.On the Parameters Explorer, click in a cell for the Input Ligands parameterand click the button to specify the ligand source on the Specify Ligandsdialog. On the dialog, select all ligands from a Table Browser, a 3D Window, or a file.3.In the Data Table, add the molecular property Principal to the molecules toset a value to make it active (2), moderately active (1), or inactive (0).You can also add the molecular property MaxOmitFeat to indicate how manyfeatures are allowed to miss for each molecule. If no values are set for these properties, the default value for all molecules for Principal is 2 and for MaxOmitFeat is 04.Specify the pharmacophore features using the Features parameter. Selectingthis parameter opens the Select Features dialog. On the dialog, you may select the desired pharmacophore features and the minimum and maximum values desired for the final pharmacophores.5.Set the remaining parameters as desired. Parameters presented in red arerequired.To set up a Common Feature Pharmacophore Generation protocol with the inclusion of excluded volumes:1.Repeat steps 1-4 from above.2.Specify the maximum number of excluded volumes to be added to a pharmacophoreusing the Maximum Excluded Volumes parameter.Note.The Input Ligands must also include a set of inactive molecules when attempting to add excluded volumes. Set the Principal value to 0for all the inactive molecules. If the Principal property is not set, all ligands are automatically assigned a Principal value of 2 (active).Note. The MaxOmitFeat molecular property also serves a purpose for inactive molecules when identifying candidate excluded volume locations. A value of 1means that all mappings where either all n or a subset of n-1features map will be considered. For more complicated data sets, it may be better to set MaxOmitFeat to 0 for the inactive molecules to avoid placing too many excluded volumes.Note.If using the Maximum Excluded Volumes parameter in this protocol, we recommend using a value of 100.Note.If the ligand source is a Graphics View of molecules that contain conformations (e.g., created by importing .cpd files), only a single conformation is employed in the protocol for each molecule. If you intend to use all conformations, you should convert .cpd files to the MDL SD file format before importing them into Discovery Studio.How to set up a Convert Interactions to Features runTo run a Convert Interactions to Features protocol1.Load the Pharmacophore | Convert Interactions to Features Generationprotocol from the Protocols Explorer. The parameters display in theParameters Explorer.2.Set the Input Interactions File parameter by navigating to a stored Ludiinteractions file. This should either be in .pdb or .msi format.3.Set the remaining parameters as desired. Parameters presented in red arerequired.How to set up a Diverse Conformation Generation runThe Diverse Conformation Generation protocol generates conformations for a set of input ligands. This protocol is often used as a precursor to other pharmacophore protocols, such as Pharmacophore | 3D QSAR Pharmacophore Generation and Pharmacophore | Common Feature Pharmacophore Generation.Note.Molecular properties are retained when using this protocol. It is often easier to set the molecular properties needed for Pharmacophore | 3D QSAR Pharmacophore Generation and Pharmacophore | Common Feature Pharmacophore Generation before running the Pharmacophore | Diverse Conformation Generation protocol.To set up a Diverse Conformation Generation protocol run:1.Load the Pharmacophore | Diverse Conformation Generation protocol from theProtocols Explorer. The parameters display in the Parameters Explorer.2.On the Parameters Explorer, click in a cell for the Input Ligands parameterand click the button to specify the ligand source on the Specify Ligandsdialog. On the dialog, select all ligands from Table Browser, a 3D Window, or a file.3.Set the remaining parameters as desired. Parameters presented in red arerequired.How to set up a Feature Mapping runThe Feature Mapping protocol generates all possible pharmacophore features for the given input ligands.To set up a Feature Mapping protocol run:1.Load the Pharmacophore | Feature Mapping protocol from the Protocols Explorer.The parameters display in the Parameters Explorer.2.On the Parameters Explorer, click in a cell for the Input Ligands parameterand click the button to specify the ligand source on the Specify Ligandsdialog. On the dialog, select all ligands from a Table Browser, a 3D Window, or a file.3.Specify the pharmacophore features by selecting the Features parameter. How to set up an Interaction Generation runTo run an Interaction Generation protocol1.Load the Pharmacophore | Interaction Generation protocol from the ProtocolsExplorer. The parameters display in the Parameters Explorer.2.Ensure that the structure you want to define as the receptor is open in a3D Window. Use the Binding Site tool panel to define the structure as the receptor.3.Set the Input Site Sphere parameter to define the active site. This can bedone in different ways:o Locate the binding sites using the Binding Site tool, select a site, and define the Input Site Sphere parameter based on the selected site.o If you have a receptor-ligand complex, the ligand can be selected to define the the Input Site Sphere parameter.o If you have some knowledge of the active site, select the atoms around the active site and use this to define the the Input Site Sphereparameter.4.The radius of the site sphere can be changed by selecting the sphere andchanging the radius in the Attributes dialog. Alternately, you can use the Data Table View to change the radius of the sphere.5.Select the receptor structure from the Input Receptor parameter list.6.Select the sphere as the Input Site Sphere parameter.7.Set the remaining parameters as desired. Parameters presented in red arerequired.How to set up a Ligand Pharmacophore Mapping runThe Ligand Pharmacophore Mapping protocol compares a set of ligands to a pharmacophore. The relevant ligand-pharmacophore mappings are exported aligned to the pharmacophore.Note.To ensure proper exploration of the ligand conformational and pharmacophoric space, it is recommended that you run the Diverse Conformation Generation protocol prior to running this protocol.To set up a Ligand Pharmacophore Mapping protocol1.Load the Pharmacophore | Ligand Pharmacophore Mapping protocol from theProtocols Explorer. The parameters display in the Parameters Explorer.2.On the Parameters Explorer, click in a cell for the Input Ligands parameterand click the button to specify the ligand source on the Specify Ligandsdialog. On the dialog, you may select all ligands from a Table Browser, a 3D Window, or a file.3.On the Parameters Explorer, click in a cell for the Input Pharmacophoreparameter and click the button to specify the input source on the SpecifyQuery dialog. On the dialog, you may select the pharmacophore from a 3D Window or a file.4.Set the remaining parameters as desired. Parameters presented in red arerequired.How to set up a Pharmacophore Comparison runThe Pharmacophore Comparison protocol aligns an input pharmacophore to a reference pharmacophore and exports it using the aligned coordinates.To set up a Pharmacophore Comparison protocol1.Load the Pharmacophore | Pharmacophore Comparison protocol from theProtocols Explorer. The parameters display in the Parameters Explorer.2.On the Parameters Explorer, click in a cell for the Input Pharmacophoreparameter and click the button to specify the input source on the SpecifyQuery dialog. On the dialog, you may select the pharmacophore from a 3D Windowor a file.e the same dialog to designate the Input Reference Pharmacophore parameter.4.Set the remaining parameters as desired. Parameters presented in red arerequired.How to use the Pharmacophore toolsThe Pharmacophore tool panel provides a quick way to selectively display, cluster, and edit a set of pharmacophore query features.To display the Pharmacophore tool panelChoose the View | Tool Panels | Pharmacophore command from the menu bar.Select FeatureChoose a feature from the menu. This becomes the current feature. The Pharmacophore tool works on one feature at a time.Note. The All Features command is an exception. This is provided as a convenience to help toggle the visibility of all features together.Show/HideCurrent Feature: Toggles the display of the chosen current feature.Location Spheres:Toggles the display of the location spheres on the chosen current feature.All Non-Features: Toggles the display of all non-feature objects.ClusterCluster Current Feature:Performs a hierarchical clustering of the current feature. Click this button to open a Dendrogram Window. By moving the slider in the DendrogramWindow, the cluster centers of the feature groups are highlighted in the 3D Window. The number of cluster centers is displayed in the status text.If no members of the current feature are selected, clustering is performed using all the members of the current feature.If a portion of members of the current feature is selected, clustering is performed only using the selected members.Note.No Dendrogram is calculated if there are less than two members of the current feature.Show Only Cluster Centers:Displays only the cluster centers of the current feature corresponding to the position of the slider in the Dendrogram Window. The Dendrogram Window must be your active window for this button to be enabled. Change the position of the slider and click the button to display other centers.Keep Only Cluster Centers: Deletes all the cluster non-centers of the current feature corresponding to the position of the slider in the Dendrogram Window. The Dendrogram Window must be your active window for this button to be enabled. To undo your changes, click the Undo button on the Standard toolbar.EditKeep Only Current Feature Selections:Allows you to keep manually selected members of the current feature. The 3D Window must be your active window for this button to be enabled.You can also use this command in conjunction with the cluster centers described in the clustering section. To include other members of the current feature in addition to the cluster centers, select the tab of the 3D Window, press SHIFT and select the additional members, and click this command. This action retains the cluster centers corresponding to the position of the slider in the Dendrogram Window, as well as the manually selected members of the current feature.Merge Hypotheses:Allows you to perform a simple merge of 2 or more hypotheses into a single hypothesis.How to set up a Search 3D Database runThe Search 3D Database protocol searches a database using an input pharmacophore. The pharmacophore can contain pharmacophore features, shapes, excluded volumes, etc. If no input pharmacophore is provided, a browse of the database is performed.To set up a Search 3D Database protocol1.Specify the database to use by selecting one from the dropdown list from theInput Database parameter. Refer to the Using the Catalyst Database Help topic for details about installing a database.2.On the Parameters Explorer, click in a cell for the Input Pharmacophoreparameter and click the button to specify the input source on the SpecifyQuery dialog. On the dialog, select the pharmacophore from a 3D Window ora file. If no input pharmacophore is provided, a browse of the database isperformed.3.Set the remaining parameters as desired. Parameters presented in red arerequired.How to set up a Search by Shape runThe Search by Shape protocol converts an input conformation of a molecule to a shape and uses it to perform a shape similarity search on an input database.To set up a Search by Shape protocol1.Load the Pharmacophore | Search by Shape protocol from the Protocols Explorer.The parameters display in the Parameters Explorer.2.On the Parameters Explorer, click in a cell for the Input Ligands parameterand click the button to specify the ligand source on the Specify Ligandsdialog. On the dialog, select all ligands from a Table Browser, a 3D Window, or a file.Note.Multiple molecules can also be used as input; however, in this case, a single shape is created using the first conformer of the first molecule. The remaining conformers and molecules are ignored.4.On the Parameters Explorer, specify the database to use by selecting one fromthe dropdown list from the Input Database parameter. Refer to the Using the Catalyst Database Help topic for details about installing a database.5.Set the remaining parameters as desired. Parameters presented in red arerequiredHow to set up a Screen Library runThe Screen Library protocol enumerates several possible pharmacophores from an input set of pharmacophore features and screens an input set of ligands using the enumerated pharmacophores.Note.To ensure proper exploration of the ligand conformational and pharmacophoric space, it is recommended that you run the Diverse Conformation Generation protocol prior to running this protocol.Note. The pharmacophores are enumerated internally within the server and not exported to disk. Refer to the Analyzing results - Screen Library Help topic fordetails about how to assess and extract good pharmacophore candidates from the results.To set up a Screen Library protocol1.Load the Pharmacophore | Screen Library protocol from the Protocols Explorer.The parameters display in the Parameters Explorer.2.On the Parameters Explorer, click in a cell for the Input Ligands parameterand click the button to specify the ligand source on the Specify Ligandsdialog. On the dialog, select all ligands from a Table Browser, a 3D Window, or a file.3.Specify the input source for the Input Pharmacophore parameter by openingthe Specify Query dialog. On the dialog, select the pharmacophore from a 3D Window or a file.4.Set the Minimum Features parameter. This is the minimum number of featuresthat each enumerated pharmacophore will have.5.Set the Maximum Features parameter. This is the maximum number of featuresthat each enumerated pharmacophore will have.6.Set the Maximum Subset of Pharmacophores parameter. This is the maximumnumber of pharmacophores that will be enumerated.7.The Total Number of Features and Number of Possible Pharmacophores parametersunder Advanced are provided to help with this. These are automaticallyupdated based on the pharmacophore model in the 3D Window, Minimum and Maximum Features parameters. If the Number of Possible Pharmacophores is greater than the Maximum Subset of Pharmacophores, the latter will be used. In thissituation, the pharmacophores are selected at random using selection without replacement so that the selection is sampled uniformly. To get more hits, increase the Maximum Subset of Pharmacophores parameter to a higher value.8.Set the remaining parameters as desired. Parameters presented in red arerequired.How to set up a Steric Refinement with Excluded Volumes runThe Steric Refinement with Excluded Volumes protocol adds excluded volumes to an input pharmacophore. The excluded volumes are placed on regions of space that are occupied by the inactive molecules, but not the active molecules.To set up a Steric Refinement with Excluded Volumes protocol:1.Load Pharmacophore | Steric Refinement with Excluded Volumes from theProtocols Explorer. The parameters display in the Parameters Explorer.2.Specify the input source for the Input Pharmacophore parameter by openingthe Specify Query dialog. On the dialog, select the pharmacophore from a 3D Window or a file.3.On the Parameters Explorer, click in a cell for the Input Active Ligandsparameter and click the button to specify the ligand source on theSpecify Ligands dialog. On the dialog, select all ligands from a Table Browser,a Graphics View, or a file. This parameter is required. The Input ActiveLigands parameter can contain the molecular property Principal to indicate active (2) and inactive molecules (0). If no value is set for these molecular properties, Principal is automatically set to 2.4.Optionally, on the Parameters Explorer, click in a cell for the Input InactiveLigands parameter and click the button to specify the ligand source onthe Specify Ligands dialog. On the dialog, select all ligands from a Table Browser, a 3D Window, or a file. The Input Inactive Ligands parameter isoptional. It is included so that it is possible to include a large set of molecules as inactive without having to set the Principal value. If the input ligands do not contain the molecular property Principal, the Principal value is automatically set to 0 (Inactive).5.Set the desired values for the remaining parameters. Parameters in red arerequired.Note.During the placement of excluded volumes, the MaxOmitFeat molecular property determines which mappings will be considered. A value of 1 for MaxOmitFeat means that all mappings where either all n or a subset of n-1features map will be considered. For more complicated data sets, it may be better to set MaxOmitFeat to 0 for the inactive molecules to avoid placing too many excluded volumes.。

相关文档
最新文档