摘要
药效团映射识别分子中所需的分子关键特征及其三维空间关系，这些特征对于分子产生生物活性至关重要。该过程包括定义这些特征（如氢键供体/受体、疏水基团和电荷），找到活性分子的正确构象，并利用这些模型对化合物进行叠合。这用于现代药物设计和虚拟筛选，以发现新的候选药物。药效团是分子中对其生物活性所必需的一组立体和电子特征。这些可以是常见的基团，如氢键供体或受体，以及疏水或带电区域。药效团映射是通过识别必需特征、找到正确的三维构象，并为一系列活性化合物建立叠合规则来创建药效团模型的过程。
关键词
药效团映射；分子特征；药物设计；三维构象；虚拟筛选
引言
药效团建模是药物化学中理解药物如何与生物靶标相互作用的强大工具。它识别出负责化合物活性的关键分子特征，帮助研究人员更高效地设计和优化新的候选药物。通过创建关键化学特征的三维模型，药效团指导虚拟筛选、先导化合物优化和合理药物设计。这种方法简化了药物发现过程，减少了时间和成本，同时增加了发现有效新疗法的机会。
药效团概念
药效团在药物化学中发挥着关键作用，它提供了一个框架来理解与生物靶标相互作用的配体的基本特征。药效团建模通过专注于负责生物活性的关键分子特征，能够识别和优化新的候选药物。
药效团的定义
药效团定义为确保与特定生物靶标结构发生最佳超分子相互作用以触发或阻断其生物反应所必需的立体和电子特征集合。它代表了配体与靶标受体结合并产生所需生物效应所必需的三维化学特征排列。它捕捉了在一组活性化合物中负责其生物活性的共同分子特征。
药效团的关键特征
药效团特征包括氢键供体和受体、疏水区域、芳香环、正负离子化基团以及金属相互作用位点。药效团特征之间的空间排列和距离对于决定配体-靶标相互作用的特异性和亲和力至关重要。药效团可以表示为三维化学特征模式或指纹，用于编码基本的分子识别元素。
药效团与结合位点
药效团侧重于配体视角，代表与靶标相互作用的活性化合物的基本特征。结合位点是指靶标蛋白上容纳配体并形成特定相互作用的互补区域。药效团和结合位点是互补的概念，药效团映射到结合位点上以促进分子识别和结合。
药效团建模方法
药效团建模技术旨在识别和表示在活性化合物中共同存在且负责其生物活性的基本分子特征。不同的药效团建模方法包括基于配体、基于结构以及两者结合的方法，各有其优势和局限性。
基于配体的方法
基于配体的药效团建模依赖于对一组已知活性化合物的分析，以识别共同的化学特征及其空间排列。对活性化合物进行构象分析以生成多个三维构象并识别生物活性构象。分子叠合技术（共同特征叠合、柔性叠合）用于叠加活性化合物并识别共享的药效团特征。
基于结构的方法
基于结构的药效团建模利用靶标蛋白的三维结构，通常通过X射线晶体学或同源建模获得。该方法涉及分析结合位点以识别关键相互作用点，并基于互补区域生成药效团特征。考虑结合位点的形状和化学性质来定义药效团模型。
基于配体和结构的组合方法
该方法结合了活性配体和靶标蛋白结构的信息，以生成更全面和可靠的药效团模型。基于配体的药效团映射到蛋白结合位点上，以细化和验证药效团特征。纳入蛋白柔性和诱导契合效应等额外信息，以提高药效团模型的准确性。
药效团模型开发
药效团模型开发是一个迭代过程，涉及几个关键步骤，包括配体的构象分析、分子叠合、特征识别和选择，以及模型构建和细化。目标是创建一个稳健且具有预测能力的药效团模型，该模型能够捕捉负责生物活性的基本分子特征。
配体的构象分析
构象分析生成活性化合物的多个三维构象，以探索其构象空间并识别生物活性构象。采用系统搜索、蒙特卡洛采样和分子动力学模拟等技术生成构象。构象分析有助于考虑配体的柔性，并确保药效团模型代表生物相关的构象。
分子叠合技术
分子叠合将活性化合物叠加起来，以识别共同的化学特征及其空间排列。共同特征叠合识别活性化合物之间共享的药效团特征，并根据这些特征进行叠合。柔性叠合允许在叠合过程中配体构象的柔性，以更好地捕捉生物活性构象。
特征识别与选择
该过程涉及识别和选择对生物活性至关重要的关键药效团特征。化学特征识别算法用于检测氢键供体和受体、疏水区域、芳香环和带电基团。采用统计分析和特征选择方法（主成分分析、递归分割）来识别最具区分性的特征。
模型构建与细化
通过组合选定的药效团特征及其空间约束来构建药效团模型。定义特征间距离、角度和容差以指定药效团特征之间的空间关系。模型细化涉及调整药效团特征、约束和容差，以优化模型区分活性化合物和非活性化合物的能力。
药效团模型验证
药效团模型验证对于评估所开发模型的质量、稳健性和预测能力至关重要。验证有助于确保药效团模型可靠，可用于虚拟筛选和先导化合物优化。
内部验证方法
内部验证评估药效团模型正确分类模型开发中所用训练集化合物的能力。采用留一法交叉验证和自助法等技术来评估模型的稳定性和稳健性。计算统计指标（富集因子、ROC曲线、AUC）以量化模型区分活性与非活性化合物的性能。
使用测试集进行外部验证
外部验证使用未参与模型开发的独立测试集化合物评估药效团模型的预测能力。测试集应包含活性化合物和非活性化合物，以评估模型识别真阳性和真阴性的能力。外部验证提供了模型性能及其对新化合物适用性的更可靠估计。
评估模型质量和预测能力
根据模型区分活性与非活性化合物的能力，以及其构象覆盖范围和特征特异性来评估模型质量。预测能力通过模型识别新型活性化合物的性能及其指导先导化合物优化工作的能力来评估。使用统计指标（敏感性、特异性、精确度、F1分数）来量化模型的质量和预测能力。
药效团建模的应用
药效团建模在药物化学和药物发现中具有多种应用，从虚拟筛选和先导化合物优化到药物设计和定量构效关系建模。基于药效团的方法提供了一种合理且高效的手段来识别和优化具有所需生物活性的新候选药物。
用于先导化合物发现的虚拟筛选
药效团模型用于虚拟筛选大型化学库，以识别与药效团特征匹配且具有高活性可能性的化合物。虚拟筛选有助于优先考虑化合物进行实验测试，减少与高通量筛选相关的时间和成本。基于药效团的虚拟筛选可以识别新的化学骨架并扩展潜在先导化合物的化学空间。
先导化合物优化与增强
药效团模型通过识别负责其活性的关键分子特征来指导先导化合物的优化。可以根据药效团模型设计对先导结构的修饰，以增强效力、选择性和药代动力学特性。基于药效团的先导化合物优化有助于将药物化学工作集中在化学空间中最有前景的区域。
药物设计与开发
药效团模型作为合理设计具有改进疗效和安全性特征的新候选药物的蓝图。基于结构的药物设计利用药效团模型与蛋白结构信息相结合，指导设计与靶标最优相互作用的化合物。基于药效团的药物设计可以导致发现具有所需生物活性和理化性质的新化学实体。
基于药效团的定量构效关系建模
基于药效团的定量构效关系建模将药效团信息与统计方法相结合，以预测化合物的生物活性。药效团描述符作为定量构效关系模型中的自变量，用于将分子特征与生物活性相关联。基于药效团的定量构效关系模型提供了对构效关系的见解，并可以指导设计具有改进效力和选择性的化合物。
局限性与挑战
尽管药效团建模具有广泛的应用性和成功，但它面临着一些需要认识和解决的局限性和挑战。理解这些局限性有助于正确解释药效团模型，并指导开发更先进的建模方法。
配体的构象柔性
配体可以呈现多种构象，识别生物活性构象对于准确的药效团建模至关重要。构象分析技术在穷举采样构象空间和识别最相关构象方面存在局限性。对配体柔性的考虑不充分可能导致生成不能准确代表生物活性构象的药效团模型。
配体的结构多样性
药效团建模依赖于活性化合物共享负责其活性的共同药效团特征的假设。结构多样的配体可能通过不同的结合模式或相互作用与同一靶标结合，使得推导单一药效团模型具有挑战性。从一组有限的结构相似化合物中导出的药效团模型可能无法捕捉配体-靶标相互作用的全部范围。
蛋白质柔性与诱导契合
蛋白质是动态实体，可以在配体结合时发生构象变化，这种现象称为诱导契合。基于单一蛋白构象的药效团模型可能无法解释结合位点的柔性和适应性。忽视蛋白质柔性可能导致生成过于严格或遗漏重要配体-靶标相互作用的药效团模型。
平衡模型特异性与敏感性
药效团模型应足够特异以区分活性化合物与非活性化合物，但又要足够敏感以识别新的活性化合物。过于特异的模型可能具有高精确度但低召回率，从而遗漏不能完美匹配药效团的潜在活性化合物。过于敏感的模型可能具有高召回率但低精确度，导致虚拟筛选中出现大量假阳性。
药效团建模的软件工具
有多种软件工具可用于药效团建模，从商业软件包到开源和免费替代品。这些工具提供不同的功能、算法和用户界面，以支持药效团建模工作流程。
商业软件包
商业软件包（Discovery Studio、MOE、LigandScout）为药效团建模提供了全面且用户友好的环境。它们提供广泛的功能，包括构象分析、分子叠合、特征识别、模型构建和虚拟筛选。通常与其他药物发现工具和数据库集成，为药物化学项目提供无缝的工作流程。
开源和免费工具
开源和免费药效团建模工具（Pharmer、PharmaGist、ZINCPharmer）可作为商业软件的替代品。它们提供药效团建模的基本功能，如配体叠合、特征识别和模型生成。通常具有命令行界面或需要一定的编程技能，使其更适合有经验的用户或具有计算专业知识的人员。
软件功能比较
不同的软件工具在药效团建模的自动化程度、灵活性和自定义选项方面存在差异。一些工具侧重于基于配体的方法，而另一些则专门从事基于结构的方法，或提供两者结合。选择软件工具时需要考虑的因素包括易用性、与其他工具的兼容性、性能以及支持和文档的可用性。
与其他计算方法的整合
药效团建模可以与其他计算方法整合，以增强药物发现过程，并提供对配体-靶标相互作用的更全面理解。整合允许不同方法的协同使用，从而产生更准确和可靠的预测。
对接与打分函数
药效团模型可以作为分子对接前的预筛选步骤，以减少搜索空间并提高对接效率。对接姿势可以根据药效团模型进行评估，以优先考虑满足药效团特征的化合物。打分函数可以纳入基于药效团的约束，以改进对接姿势的排名和选择。
分子动力学模拟
分子动力学模拟可用于通过探索配体和蛋白质的构象柔性来细化和验证药效团模型。分子动力学模拟提供了对配体-靶标复合物动态行为的见解，并可以识别关键相互作用和构象变化。药效团模型可用于指导从分子动力学轨迹中选择代表性快照，以进行进一步分析和模型细化。
机器学习和人工智能方法
机器学习和人工智能技术可以与药效团建模相结合，以提高虚拟筛选的预测能力和效率。药效团描述符可以作为机器学习模型（支持向量机、随机森林、神经网络）中的特征，用于预测生物活性。基于人工智能的方法有助于识别新的药效团模式，优化药效团模型，并指导设计具有所需性质的新化合物。
案例研究与成功案例
药效团建模已成功应用于各种药物发现项目，导致新型活性化合物的识别和新治疗药物的开发。案例研究展示了药效团建模在药物化学中的实际效用和影响，并为未来的应用提供了宝贵的见解。
药物发现项目实例
药效团建模已用于发现针对各种治疗靶标（激酶、GPCR、蛋白酶、核受体）的新型抑制剂。成功的例子包括新型HIV-1蛋白酶抑制剂、阿尔茨海默病乙酰胆碱酯酶抑制剂和用于癌症治疗的BRAF激酶抑制剂的发现。这些案例研究突出了药效团建模指导识别和优化具有改进效力和选择性的先导化合物的能力。
基于药效团的新型治疗药物设计
药效团建模在设计具有改进疗效和安全性特征的新型治疗药物方面发挥了重要作用。例子包括选择性5-羟色胺再摄取抑制剂（SSRIs）的开发，用于治疗抑郁症和焦虑症。基于药效团的设计也已应用于开发同时调节多个疾病相关靶标的多靶点配体。
从药效团建模中获得的见解
药效团建模提供了对构效关系以及负责生物活性的关键分子特征的宝贵见解。它有助于理解药物的作用模式及其选择性和特异性的分子基础。它指导先导化合物的优化和新化学实体的设计，以改善药物样性质。它有助于合理设计靶向治疗和个性化医疗方法的发展。
参考文献
- Taft CA, Da Silva VB, Da Silva CH. Current topics in computer-aided drug design. J Pharm Sci. 2008; 97(3):1089–1098.
- Bajorath J. Integration of virtual and high-throughput screening. Nat Rev Drug Discov. 2002;1(11):882–894.
- Hopkins AL, Keserü GM, Leeson PD, Rees DC, Reynolds CH. The role of ligand efficiency metrics in drug discovery. Nat Rev Drug Discov. 2014;13(2):105–121.
- Ballester PJ, Mangold M, Howard NI, et al. Hierarchical virtual screening for the discovery of new molecular scaffolds in antibacterial hit identification. J R Soc Interface. 2012;9(77):3196–3207.
- Boyd MR. The position of intellectual property rights in drug discovery and development from natural products. J Ethnopharmacol. 1996; 51(1–3):17–25; discussion 25–27.
- Thiel KA. Structure-aided drug design’s next generation. Nat Biotechnol. 2004;22(5):513–519.
- Schuffenhauer A. Computational methods for scaffold hopping. Wiley Interdiscip Rev Comput Mol Sci. 2012;2(6):842–867.
- Sun H, Tawa G, Wallqvist A. Classification of scaffold-hopping approaches. Drug Discov Today. 2012;17(7–8):310–324.
- Schneider G, Schneider P, Renner S. Scaffold-Hopping: How Far Can You Jump? QSAR Comb Sci. 2006;25(12):1162–1171.
- Langdon SR, Westwood IM, van Montfort RL, Brown N, Blagg J. Scaffold-focused virtual screening: prospective application to the discovery of TTK inhibitors. J Chem Inf Model. 2013;53(5):1100–1112.
- Li AP. Screening for human ADME/Tox drug properties in drug discovery. Drug Discov Today. 2001;6(7):357–366.
- Yu H, Adedoyin A. ADME–Tox in drug discovery: integration of experimental and computational technologies. Drug Discov Today. 2003;8(18):852–861.
- Ekins S, Boulanger B, Swaan PW, Hupcey MA. Towards a new age of virtual ADME/TOX and multidimensional drug discovery. Mol Divers. 2000;5(4):255–275.
- Agrafiotis DK, Bandyopadhyay D, Wegner JK, Vlijmen Hv. Recent advances in chemoinformatics. J Chem Inf Model. 2007;47(4): 1279–1293.
- Valerio LG Jr, Choudhuri S. Chemoinformatics and chemical genomics: potential utility of in silico methods. J Appl Toxicol. 2012;32(11):880–889.
- Hong H, Xie Q, Ge W, et al. Mold(2), molecular descriptors from 2D structures for chem【全文结束】
