药效团技术在抗感染新药研究中的应用

DOI：10.3969/j.issn.1672-7878.2013.03-001网络出版时间：
网络出版地址：
药效团技术在抗感染新药研究中的应用*1
肖静*2，房咪，陈姣，郑珩*3
中国药科大学生命科学与技术学院，南京210009
【摘要】药效团(pharmacophore)是指药物分子中对活性起重要作用的“药效特征元素”及其空间排列形式。

药效团技术作为1种发展迅速的计算机辅助药物设计方法，已广泛应用于虚拟筛选、全新药物设计、先导化合物优化和ADMET预测等新药的设计和研发过程中，可提高药物研发的成功率，降低研发成本，缩短研发周期。

近年来，禽流感、甲流感及超级细菌等新型传染性疾病的出现，为抗感染新药研发提出了新的挑战，为此，综述近年来国内、外发表的有关药效团模建技术的研究进展及其在抗感染新药研发中应用的文献以促进计算机辅助药物设计手段在抗感染新药研发中的应用。

【关键词】药效团；抗感染；虚拟筛选
【中图分类号】R965.1【文献标志码】A【文章编号】1672-7878(2013)03-161-006
Application of Pharmacophore Modeling in
Anti-infectious Drug Discovery*1
XIAO Jing*2，FANG Mi，CHEN Jiao，ZHENG Heng*3
School of Life science and Technology，China Pharmaceutical University，Nanjing210009
ABSTRACT Pharmacophores are defined as an arrangement of molecular features or structural elements related to biological activity.Pharmacophore as a rapidly developed computer aided drug design method has been successfully and extensively applied in novel drug research and development，such as virtual screening，de novo design，leads optimi-zation and so on.It can effectively reduce the cost and time in drug development，as well as improve the success oppor-tunity.The recent outbreak of novel infectious diseases as avian influenza，swine flu and superbugs makes it new chal-lenge of new anti-infectious drug discovery.In this review，based on the recent published papers，the development of pharmacophore modeling technique is summeried as well as its application in novel drug discovery is described in order to prompt the application of CADD methods in anti-infectious drug discovery.
KEY WORDS pharmacophore;anti-infectious;virtual screening
[Anti Infect Pharm，2013，10(3):161-166]
每1种新药的成功研发需要耗费相当长的时间和大量人力物力，如最近FDA批准的Xa抗凝药，从生物靶标发现（1970s）到新药IND进入临床（1990s）到最终获准批文（2010年）足足用了40年[1]。

因此，为缩短研发周期，节约研发成本已成为新药研发不容忽视的问题。

随着X线晶体衍射法、多维核磁共振法和扫描隧道显微等技术的发展，越来越多生物靶标（蛋白质、核酸、多糖等）的空间结构被解析［2］。

基于理论和分子模拟技术发展起来的计算机辅助药物设计方法为新药研究提供了新的方法和手段。

药效团(pharmacophore)是指药物分子中对活性起重要作用的“药效特征元素”及其空间排列形式[3]。

药效团技术能提高药物研发的成功率，有效降低研发成本，缩短研发周期，是目前计算机辅助药物设计的主要方法之一。

笔者对药效团模型模建的研究进展以及药效团结合其他分子模拟方法后在新药研发中的应用作一综述，并对其存在的问题、对策及应用前景进行了探讨和展望。

抗感染药学Anti Infect Pharm2013September;10(3)
肖静,等.药效团技术在抗感染新药研究中的应用
·综述与论坛··
·161
1
药效团模建研究进展
药效团模建的常用方法，可分为基于配体的方
法和基于结构的方法。

基于结构的方法只适用于受体结构已知或者能够通过同源模建获得的情况，而该方法的应用受可利用的靶点结构信息详细程度的限制。

1.1
基于配体的模建方法
基于配体的方法，可通过一系列已知活性并能与特定生物靶标有重要相互作用的具有代表性的结构中提取共同的化学特征来构建模型。

使用这种方法构建药效团模型主要有两步：首先是使训练集中的每个配体生成空间构象以代表配体的柔性；其次，以其叠合训练集中的配体确定构建药效团所必需的共同化学特征来构建药效团模型。

处理配体分子的柔性和进行分子叠合是构建基于配体药效团的重点和难点。

目前，可利用该方法自动生成药效团模型的软件有：HipHop [4]，HypoGen [4](Accelrys Inc.，)，DISCO [5]，GASP [6]，GALAHAD (Tripos Inc.，)，PHASE [7](Schro-dinger Inc.，)和MOE (Chemical Computing Group ，)。

这些软件的主要区别在于用于处理配体柔性和分子叠合的计算方法不同。

近年来，尽管基于配体的方法有很大的提高，但是该方法仍然有几个关键的问题存在。

首先，是配体柔性的处理。

目前，有2种策略用于处理这个问题，第1种策略是穷举法，即通过提前计算每个分子的多构象并保存成一个库；第2种策略是“on-the-fly ”法，即在构建药效团模型过程中进行构象分析。

第1种策略在进行分子叠合时计算量少，但需要较大的储存空间，与前者相比，后者不需要较大的储存空间，但在进行严格优化时需要更多的CPU 时间。

已经有报道提出第一种策略优于第二种策略[8]。

目前，常用的构象取样方法，有遗传算法[9]、系统扭转网格法[10]、蒙特卡洛法[11]等。

近年来，人们对算法做了一些改进，以克服构象取样时的组合爆炸问题，如Sperandio 等报道[12]MED-3DMC 组合蒙特卡洛算法和MMFF94范德华力能量项，应用于特定中等数量旋转键的特定分子时性能超过Omega 。

Liu 等报道[13]Cyndi 构象取样方法是以目标进化算法为基础，经过验证发现其在对一组包含329个测试结构的生物活性构象再现上比其他构象生成器更好；其次，分子叠合是基于配体药效团构建的第二个难点。

叠合方法可根据其基本性质，分为基于
点和基于性质的方法[14]。

基于点的方法可进一步分
为基于原子、基于片段或者化学特征[15]。

在基于点的计算法中原子对、片段或化学特征点通常用最小二乘法拟合；基于性质的计算法可利用分子场描述符产生叠合，分子场通常用高斯函数集合来表示。

另外，除上述提到的两个难点问题外，挑选合适的训练集分子也是难点之一。

选择训练集分子表面看似简单和没有技术含量，但却常常困扰用户，甚至是有经验的用户。

配体分子的类型、训练集的大小及化学多样性直接影响最终生成的药效团模型[16]。

在某些情况下，由于使用不同的训练集，即便使用相同的计算法和软件，也会产生能与相同靶标有相互作用的完全不同的药效团模型，如Hecker 等[17-19]使用的都是catalyst 程序，但由于选择的训练集不同，各自产生了3个CDK2抑制剂药效团模型。

1.2基于结构的模建方法
基于结构的模建方法，可根据大分子靶标或者配体-受体复合物结构来构建模型。

使用这种方法模建流程，通常为分析活性位点互补化学特征及其空间关系，然后集合选择其特征。

基于结构的药效团可进一步分为基于配体-受体复合物的药效团和基于蛋白结构的药效团。

基于配体-受体复合物结构的方法在定位配体结合位点和确定配体受体相互作用关键点方面非常方便。

Wolber 等报道[20]一个有代表性的用于构建配体-受体复合物药效团的软件，该软件只适用于配体-受体复合物3D 结构已知的情况，不适用于活性位点没有配体的情况，这种缺陷可以由基于蛋白结构的方法来弥补。

Dis-covery Studio 中基于受体结构的药效团构建模块是1个典型的用于构建基于蛋白结构的药效团程序，该模块能使LUDI 蛋白-配体相互作用图谱转变成Catalyst 药效特征（氢键受体、氢键供体和疏水特征）等。

基于结构的模建方法，常见的问题是特定活性位点中发现太多没有优先性的化学特征（比如＞7个化学特征），不适合实际应用（如3D 数据库搜索）；因此，必须挑选出有限的化学特征来构建实际的药效团模型，通常情况下这并不是一个容易的工作；另一个常见问题是由于模型只是在基于结构的基础上构建的，并不能反映定量构效关系。

为了克服这个问题，Zou 等报道[21]提出了使用基于多复合体的综合模型和最频繁的药效团模型，在该项研究中在收集的124个人源CDK2-抑制剂晶体复合物的基础上构建1个综合的CDK2药效团模型。

先用Ligand scout 中发现每个复合物的化学特征，接
ISSN 1672-7878/CN 32-1726/R Anti Infect Pharm 抗感染药学2013September ;10(3) E-mail:kgryx@ Tel:86-512-62766009Fax:86-512-62766009
·
·162
着对所有特征进行聚类以形成一个综合的药效团模型。

由于综合药效团模型中限制的内容太多，在实际应用中不适合虚拟筛选。

为解决这一问题，通过选择抑制剂最频繁的特征来构建模型，采用这种方法获得的药效团模型能成功地从没有活性的分子中辨识出已知活性分子[21]。

2药效团技术在抗感染新药研究中的应用2.1
在抗病毒新药研究中的应用
HIV-1整合酶催化逆转录病毒DNA 整合到宿主基因组中，这对病毒有效复制非常重要。

Reddy 等报道[22]虚拟筛选潜在的HIV-1IN 链转移抑制剂，
利用3-羟基-2，4-二酮类化合物进行药效团模建和基于原子的3D-QSAR 研究。

基于配体的药效团研究获得5个药效特征的药效团模型（AADHR ），虚拟筛选Maybridge ，Chembridge ，Asinex 小分子数据库，命中分子再通过类药五规则、分子对接和高级聚类分析后获得5个不同类型的最好的命中分子，并对它们进行QM/MM 对接研究，其对接精度有了改善。

进一步进行分子动力学研究，发现3个化合物，它们能与关键残基稳定相互作用。

这些化合物可作为进一步开发HIV-1IN 抑制剂的先导化合物。

HIV-1整合酶抑制剂先导化合物与活性位点相互作用图，见图1。

a.ChemBridge 5728042;
b.MFCD00124913;d.MFCD00178875
图1HIV-1整合酶抑制剂先导化合物与活性位点相互作用示意图
Dayam 等报道[23]利用临床候选化合物构成的训练集构建1个整合酶抑制剂（喹诺酮3-羧酸）药效团模型，从36000个小分子化合物库中最终发现56个命中化合物，接着对挑选的分子进行体外评估。

围绕该分子的核心结构进行构效关系分析，结果示IC 50为（5.0±2.0）mol/L 的新颖的整合酶抑制剂（A ，见图2）。

HIV 进入宿主细胞涉及到结合病毒糖蛋白gp120至宿主受体和CXCR4或者CCR5趋化因子。

通过使用CXCR4受体作为靶标，研究受体-配体相互作用[24]。

采用不同的基于结构和基于
A.整合酶抑制剂；
B.AMD3100
图2整合酶抑制剂和AMD3100衍生物化学结构示意图
A
B
在治疗丙型肝炎病毒（HCV ）中，HCV-RNA 依赖的RNA 聚合酶NS5B 仍然是药物设计的1个有挑战的靶点，其催化活性位点和变构位点都被用于研究新抑制剂。

Ryu 等报道[25]使用PharmoMap （ ）生成1个基于结构的
药效团图，并发现在NS5B 拇指和手掌结构域表面的1个有效结合位点。

构建的药效团模型用于搜索1个含有3500000个化合物的商业小分子库，经体外实验测定，示119个化合物具有活性，其中3个化合物(CVP09011，CVP09047，CVP09081)IC 50值大
配体的虚拟筛选方法，包括QSAR 分析，药效团模建和形状匹配以发现针对CXCR4受体新的高效HIV 感染抑制剂。

在该研究中使用MOE 和Dis-cover Studio 软件构建药效团（见 ），挑选5个命中分子合成，它们的体外EC 50值在0.022~>4.1μg/mL ，其中，环拉胺（B ，见图2）是AMD3100的衍生物。

AMD3100是以前发现的最高效CXCR4激动剂之一，它的抗HIV 病毒活性EC 50为0.022μg/mL 。

整合酶抑制剂和AMD3100衍生物的化学结构，见图2
ISSN 1672-7878/CN 32-1726/R Anti Infect Pharm 抗感染药学2013September ;10(3) E-mail:kgryx@ Tel:86-512-62766009Fax:86-512-62766009
·
·163
约为20mol/L 。

3种化合物HCV-RNA 聚合酶NS5B 抑制剂，其化学结构，见图3。

2.2
在抗菌新药研究中的应用
细菌产生耐药的原因之一是能产生β-内酰胺
A.CVP09011;
B.CVP09047;
C.CVP09081
图3HCV-RNA 聚合酶NS5B 抑制剂化学结构示意图
A B C
A.DDS-002;
B.DDS-004;
C.DDS-003;
D.DDS-027
图5抑制溶菌酶-抑制剂活性分子化学结构示意图
A
B
C D
酶，其中，B 类β-内酰胺酶由于活性中心包含1~2个Zn 2+，因而又称为金属β-内酰胺酶，它能水解几乎所有的β-内酰胺类抗生素，开发该酶的抑制剂可解决目前细菌耐药的困境。

Olsen 等报道[26]利用药效团模型构建数据库搜寻，经对接和酶动力学实验，结果发现可用于双锌金属-β-内酰胺酶，设计新化合物结构。

他们利用B1金属β-内酰胺酶与抑制剂形成的晶体复合物结构，通过Catalyst 程序构建了2个药效团模型，并用于搜索ACD 库，得到74代
不同化合物的命中分子，如二羧酸、磷酸、磺酸衍生物、巯基羧酸衍生物。

命中分子运用GOLD 软件对接到不同的金属酶中，根据GOLD 打分、Catalyst fit 和shape 值、化合物大小挑选13个代表以上四类化合物分子进行实验验证。

最后，得到3个具有新骨架的化合物，它们能抑制L1和BCII 类MBLs ，其IC 50值低于15μmol/L ，可作为金属-β-内酰胺酶抑制剂设计的先导化合物，其化合物结构，见图4。

A B
C
A.BCII(IC50=14μmol/L);
B.BCII(IC50=7μmol/L);
C.L1(IC50=15μmol/L)
图4金属-β-内酰胺酶抑制剂先导化合物化学结构示意图
产生溶菌酶的抑制剂，其竞争性结合溶菌酶活性位点是阻断细菌宿主溶菌酶活性的1种策略。

因此，抑制溶菌酶-抑制剂相互作用是1种药物开发的新方法，因为细菌溶菌酶的恢复有助于被感染部位细菌的清除。

V oet 等报道[27]利用MOE 同源模建溶菌酶和PliC 的复合体，以研究C 型溶菌酶与沙
门菌Plic 抑制剂的相互作用，生成基于蛋白-蛋白相互作用的药效团模型，用药效团模型筛选大约200000个分子，得到有活性的5367个分子，然后用GOLD 对接。

最后，保留最高打分的28个分子用于体外实验进行验证，发现4个具有活性的分子化合物。

其化合物的化学结构，见图5。

ISSN 1672-7878/CN 32-1726/R Anti Infect Pharm 抗感染药学2013September ;10(3) E-mail:kgryx@ Tel:86-512-62766009Fax:86-512-62766009
究，结果得到120个结构多样性的化合物，其中17个分子在受体结合位点表现出高互补性，这17个化合物可作为炭疽杆菌感染的先导化合物。

3
展望
虽然，药效团技术已广泛应用，并且在先导化合物发现上取得了不少令人满意的成果。

但是该技术仍然存在一些困难和局限性，比如虚拟筛选非
炭疽芽孢杆菌是炭疽病的致病菌，在炭疽感染
中，致死因子在引起细胞死亡中发挥重要作用。

至今为止，没有发现这个靶点的小分子抑制剂药物。

Roy 等报道[28]用Catalyst 中的HypoGen 模块根据文献报道的已知的具有炭疽致死因子抑制活性的小分子，生成3D-QSAR 药效团模型，用生成的最好的药效团模型，筛选大约2000000个类药小分子，产生有活性的2543个命中结构，对命中分子进行对接研
·
·164
常耗时和命中分子的假阳性比较多等。

药效团在筛选含有大量柔性的小分子化合物库时非常耗时，是药效团技术的关键挑战之一。

目前，通常采用多级搜索方法以加速筛选过程[15]，该方法中对筛选分子应用一系列复杂性增加的筛选滤器，第一个滤器快而简单，后续的耗时越来越多，但只应用到整个库中的一小部分分子中。

药效团虚拟筛选的最大难点是命中分子的假阳性比较多，有很多因素导致了这个问题，药效团模型的质量和组成，是否包含或者包含了多少靶标信息等。

目前，可通过从药效团模型的构建方法及筛选技术上提高虚拟筛选的准确率，或者将药效团筛选技术与其他分子模拟方法，比如分子对接、定量构效分析、类药性评价、分子动力学模拟等方法相结合，可在一定程度上排除假阳性化合物，提高模型预测与筛选的准确性，但是最终筛选的结果还需要结合体内、外实验来验证。

尽管药效团技术在现代新药开发上的应用还存在一些困难和局限性，但对其局限性的正确理解有利于其更好的应用。

随着药效团技术的不断进步，虚拟筛选数据库的不断完善，药效团技术会在抗感染新药研究中发挥更加重要的作用。

参考文献
[1]Duffy BC，Zhu L，Decornez H，et al.Early phase drug dis-
covery:cheminformatics and computational techniques in identifying lead series[J].Bioorgan&Med Chem，2012：
62.
[2]张音，王松俊，刁天喜，等.药物靶标热点领域的共词聚
类分析研究[J].中国新药杂志，2008，17(23):2078-2080. [3]Wermuth CG.Pharmacophores:historical perspective and
viewpoint from a medicinal chemist[J].Method and Prin-cip in Med Chem，2006，32:3.
[4]Sutter J，Li J，Maynard AJ，et al.New features that im-
prove the pharmacophore tools from Accelrys[J].Curr Comput Aided Drug Des，2011（Sep1），7(3):173-180. [5]Khedkar SA，Malde AK，Coutinho EC，et al.Pharmaco-
phore modeling in drug discovery and development:an overview[J].Med Chem，2007，3(2):187-197.
[6]Jones G.GAPE:an improved genetic algorithm for phar-
macophore elucidation[J].J chem inform and model，2010，50(11):2001-2018.
[7]Dixon SL，Smondyrev AM，Knoll EH，et al.PHASE:a
new engine for pharmacophore perception，3D QSAR model development，and3D database screening:1Meth-odology and preliminary results[J].J computer-aided mo-lecular design，2006，20(10-11):647-671.
[8]Wolber G，Seidel T，Bendix F，et al.Molecule-pharmaco-
phore superpositioning and pattern matching in computa-tional drug design[J].Drug discov today，2008，13(1):23-
29.
[9]Jones G，Willett P，Glen R C.A genetic algorithm for flex-
ible molecular overlay and pharmacophore elucidation[J].
J computer-aided molecular design，1995，9(6):532-549.
[10]Gippert GP，Wright PE，Case DA.Distributed torsion an-
gle grid search in high dimensions:a systematic approach to NMR structure determination[J].J Biomolecul NMR，1998，11(3):241-263.
[11]Li Z，Scheraga HA.Monte Carlo-minimization approach
to the multiple-minima problem in protein folding[J].Pro-ceedings of the National Academy of Sciences，1987，84
(19):6611-6615.
[12]Sperandio O，Souaille M，Delfaud F，et al.MED-3DMC:
a new tool to generate3D conformation ensembles of
small molecules with a Monte Carlo sampling of the con-formational space[J].Europ J Med Chemist，2009，44(4): 1405-1409.
[13]Liu X，Bai F，Ouyang S，et al.Cyndi:a multi-objective
evolution algorithm based method for bioactive molecu-lar conformational generation[J].BMC Bioinform，2009，10(1):101.
[14]Wolber G，Seidel T，Bendix F，et al.Molecule-pharmaco-
phore superpositioning and pattern matching in computa-tional drug design[J].Drug discov today，2008，13(1):23-
29.
[15]Dror O，Shulman-Peleg A，Nussinov R，et al.Predicting
molecular interactions in silico:I.an updated guide to pharmacophore identification and its applications to drug design[J].Front in Med Chemist，2006，3(1):551-584. [16]Poptodorov，K.Pharmacophore model generation software
tools[M].In Pharmacophores and Pharmacophore Search-es(Langer，T.andHoffmann，R.D.，eds)：17-47，Wiley-VCH.
[17]Hecker E A，Duraiswami C，Andrea TA，et e of cata-
lyst pharmacophore models for screening of large combi-natorial libraries[J].J Chemical Inform＆Comput Sci，2002，42(5):1204-1211.
[18]Toba S，Srinivasan J，Maynard AJ，et ing pharmaco-
phore models to gain insight into structural binding and virtual screening:an application study with CDK2and hu-man DHFR[J].J Chemical Inform＆model，2006，46(2): 728-735.
[19]Vadivelan S，Sinha BN，Irudayam S J，et al.Virtual screen-
ing studies to design potent CDK2-cyclin A inhibitors[J].
J Cchemical Inform＆Model，2007，47(4):1526-1535. [20]Wolber G，Langer T.LigandScout:3-D pharmacophores
derived from protein-bound ligands and their use as virtu-
ISSN1672-7878/CN32-1726/R Anti Infect Pharm抗感染药学2013September;10(3) E-mail:kgryx@ Tel:86-512-62766009Fax:86-512-62766009
··165
al screening filters[J].J Cchemical Inform ＆Model ，2005，45(1):160-169.
[21]Zou J ，Xie HZ ，Yang SY ，et al .Towards more accurate
pharmacophore modeling:multicomplex-based compre-hensive pharmacophore map and most-frequent-feature pharmacophore model of CDK2[J].J Cchemical Inform ＆Model ，2008，27(4):430.
[22]Reddy K K ，Singh SK ，Tripathi SK ，et al .Identification of
potential HIV-1integrase strand transfer inhibitors:In sili-co virtual screening and QM/MM docking studies[J].SAR and QSAR in Environ Res ，2013(ahead-of-print):1-15.
[23]Dayam R ，Al-Mawsawi LQ ，Zawahir Z ，et al.Quinolone
3-carboxylic acid pharmacophore:design of second gener-ation HIV-1integrase inhibitors[J].J Medicinal Chemist ，2008，51(5):1136-1144.
[24]P érez-Nueno V I ，Pettersson S ，Ritchie DW ，et al.Discov-ery of novel HIV entry inhibitors for the CXCR4receptor by prospective virtual screening[J].J Cchemical Inform ＆Model ，2009，49(4):810-823.
[25]Ryu K ，Kim ND ，SEONG IC ，et al.Identification of novel
inhibitors of HCV RNA-dependent RNA polymerase by pharmacophore-based virtual screening and in vitro evalu-ation[J].Bioorg &Med Chemist ，2009，17(8):2975-2982.[26]Olsen L ，Jost S ，Adolph HW ，et al.New leads of metallo-β-lactamase inhibitors from structure-based pharmaco-phore design[J].Bioorganic &Med Chemist ，2006，14(8):2627-2635.
[27]V oet A ，Callewaert L ，Ulens T ，et al.Structure based dis-covery of small molecule suppressors targeting bacterial lysozyme inhibitors[J].Biochem &Biophysical Res Com-mun ，2011，405(4):527-532.
[28]Roy J ，Kumar UC ，Machiraju PK ，et al.Insilico studies
on anthrax lethal factor inhibitors:pharmacophore model-ing and virtual screening approaches towards designing of novel inhibitors for a killer[J].J Molecul Graph &Mod-el ，2010，29(2):256-265.(收稿日期：2013-04-20
修回日期：2013-05-03)
（责任编辑：丁龙其）
DOI ：10.3969/j.issn.1672-7878.2013.03-002网络出版时间：
网络出版地址：
联合用药抗真菌感染的现状与分析
陈作忠*，刘萍，马慧萍
淄博市中心医院，山东淄博255036
【摘
要】临床侵袭性真菌感染越来越受到人们的关注，特别是耐药真菌感染的治疗已成为困扰临床的棘手问
题，联合用药抗真菌感染成为研究热点之一。

综述抗真菌药物与多种药物联用对不同敏感程度致病菌的抗真菌作用及可能的作用机制的文献资料，为进一步研究新的抗真菌药物及联合用药方案提供思路。

【关键词】联合用药；抗真菌；协同作用；抗真菌药物【中图分类号】R 969.3
【文献标志码】A
【文章编号】1672-7878(2013)03-166-004
Analysis of Combination Drug Therapy Against Fungal Infections
CHEN Zuo-zhong *，LIU Ping ，MA Hui-ping
Zibo Central Hospital ，Zibo Shandong 255036，China
ABSTRACT
More attention has been paid to the invasive fungal infection ，especially to the resistant fungal infec-tions.Drug combination is one of the hot topics in antifungal researches.This article focuses on reviewing the combined antifungal effects and possible mechanisms of different kinds of drugs ，which may provide new methods for the further studies.KEY WORDS
drug combination;antifungal;drug synergism;antifungal agents
[Anti Infect Pharm ，2013，10(3):166-169]
抗感染药学Anti Infect Pharm 2013September ;10(3)
陈作忠,等.联合用药抗真菌感染的现状与分析
·
·166。