MOE基于结构的药物设计（十三）：Pharmacophore Constraints——如何让Docking保留关键蛋白

上一篇中我们利用 Template-Based Docking在保留 Tarceva analog 的 quinazoline core 结合模式的同时探索了柔性侧链的不同构象。但这种方法依赖配体与 template 之间存在明确的共同骨架。当研究对象从一个 Tarceva analog 扩展到一批结构/骨架不同的 EGFR inhibitors 时我们需要一种更抽象的方式来保留已知的关键结合信息——不再要求分子具有完全相同的骨架而只要求其满足关键的三维化学特征。这就是Pharmacophore Constraint。1. 保留什么特征在前面的 1M17 分析中我们已经反复看到Tarceva 的quinazoline core位于 EGFR hinge 区并通过环上的 N 原子形成关键的 hinge interaction。因此如果后面要对接一批同类 EGFR inhibitors我们其实已经有了一个很明确的先验一个值得优先保留的 pose最好能够重现这一关键 hinge-binding pattern。本案例就是把 1M17 中的 hinge-binding interaction 转换成一个三特征 pharmacophore query再把它作为 Docking 的过滤条件。换句话说我们不再只是告诉 MOE“把这些分子放进 EGFR 口袋。”而是进一步告诉它“放进去以后还必须符合我们已经知道的关键结合特征。”2. 如何理解Pharmacophore这一篇先从案例出发。1M17 中存在真实的 Tarceva 三维结合构象。MOE 会首先在 ligand 上识别一些Annotation Points例如H-bond donorH-bond acceptoraromatic feature然后再从这些 annotation points 中选择我们真正关心的部分转换成Pharmacophore Features。这些 feature 的集合最终形成 Pharmacophore Query。所以在本案例中它其实是在做真实的 Tarceva 三维结构——提取关键化学特征——把 hinge-binding pattern 抽象成可搜索的几何条件这样以后即使换成另一个 EGFR ligand只要能够以合适的三维方式满足这些特征就有机会通过这个过滤器。3. 从 Tarceva 创建 Pharmacophore Query在 Dock Panel 中找到Pharmacophore选择Create New Query然后点击Open New Editor打开 Pharmacophore Editor。此时 MOE 会围绕当前 ligand 显示 Annotation Points。为了更容易看清这些点本案例先在 System Manager 中隐藏 Receptor 和 Solvent只保留X-ray ligand Annotation Points。4. 编码 Aromatic Ring首先选中芳香环中心的Aro annotation point然后点击Feature生成一个Aro feature。这个 feature 记录的是 Tarceva 核心区域中的芳香特征。这里要注意我们不是在告诉 Docking“必须是 Tarceva 这几个原子。”而是在描述“这里需要出现满足相应几何条件的芳香特征。”这也是 pharmacophore 相比单纯原子匹配更灵活的地方。5. 编码 Hinge Acceptor接下来是整个 query 中最关键的部分。选择 quinazolineN1 原子上的 Acc annotation point同时 ShiftClick 选择其对应的Acc2 projected feature然后点击Feature此时会生成Acc Acc2 features并在二者之间建立 constraint。为什么需要 projected feature因为这里不仅关心“有没有一个 H-bond acceptor。”还关心“这个 acceptor 应该朝哪个方向与 hinge 形成作用。”因此药效团不仅记录化学类型还把关键 interaction 的三维几何信息一起编码进去了。到这里我们得到的就是本案例中用于描述 EGFR hinge-binding 的三特征 queryAro Acc Acc26. 保存这套 EGFR Hinge Filter本案例将 query 命名为egfr_query1并保存为egfr_query1.ph4。这个.ph4文件后面不只可以用于 Docking。在后续教程中它还会继续作为Scaffold Replacement filterCombinatorial Library filter使用。也就是说我们现在做的其实不是一个“一次性 Docking 参数”而是在把1M17 中已经验证过的结合知识保存成可以重复使用的结构规则。7. Dock 一批 EGFR Ligands接下来重新显示 Receptor 和 Solvent然后在 Dock Panel 中载入$MOE/sample/mol/egfr_tk_ki.sdf.gz作为需要进行 Docking 的 ligand library这个数据库中的所有小分子都有quinazoline core。这一步和前两篇已经出现了明显区别。之前我们是在研究“一个自己设计的 Tarceva analog 可以有哪些 pose”现在变成“面对一批 EGFR ligands如何让它们产生的 pose 都尽量保留我们认可的 hinge-binding mode”这正是 Pharmacophore Constraint 最典型的使用场景。点击run就可以开始进行分子对接。8. Pharmacophore Filter 过滤了什么如果完全不加约束Docking 搜索可能产生很多几何上能够进入口袋的 pose。其中有些 pose 的 docking score 可能并不差但quinazoline core 已经翻转或者关键 hinge acceptor 根本没有形成原来的作用方式。从我们当前已经掌握的 EGFR–Tarceva 结构知识来看这些 pose 的优先级显然应该下降。因此这里的 Pharmacophore Filter 相当于增加了一道门槛产生 Docking Pose↓这个 pose 是否满足 Aro Acc Acc2↓满足 → 保留进入后续步骤 / 不满足 → 过滤掉本案例的核心目的正是利用 pharmacophore query使保留下来的 docked poses 包含我们指定的关键 interaction。9. 运行 Docking 后怎么看本案例将进入 refinement 的 placement poses 数量降低到10然后运行 Docking。最终 docked poses 会写入 MOE database。Docking 完成后MOE 会生成一个结果数据库例如dock.mdb数据库中的一行通常代表一个 Docking Pose而不是一个独立的配体。因此同一个ligand可能连续出现多行因为Docking为它保留了多个不同的三维结合姿势。这些列应该怎么看本案例的Docking output中比较常见的字段包括字段含义初学者现在需不需要重点看mol当前 docked pose 的三维分子★★★★★rseqReceptor identifier★mseq输入 ligand 的 molecule identifier★★★★SDocking score★★★★★rmsd_refineRefinement 前后 pose 的 RMSD★★★E_origRefinement 前原始 conformer 的能量★★E_conf当前 conformer 的能量★★E_placePlacement 阶段的 score★★★E_score1第一次 rescoring 的 score★★E_refineRefinement 阶段的 score★★★E_score2第二次 rescoring 的 score★★★$File这个 ligand 来自哪个输入文件★Ki(nM)从输入 ligand 数据库继承来的 Ki 字段★★★%Cdominant protomer 的比例★★Rec_index对应 receptor 的索引★PLIF_raw / FP:PLIF / PLIF_ligidxProtein–Ligand Interaction Fingerprint 相关信息下一篇重点S 是最终比较 pose 时最可以量化的 Docking Score反映的是 Docking 流程不同阶段产生的中间结果。可以简单理解为Placement产生初始 pose↓初步 Scoring↓Refinement在口袋中优化结构↓Final Rescoring得到最终保留结果但是只看docking score是非常表面的我们需要通过蛋白配体复合物的口袋信息来评估配体的对接结果。可以通过Database Viewer → File → Browse逐个浏览 docking results。教程中的大多数 pose 与原始 X-ray ligand geometry 比较接近同时也能够观察到部分 alternate poses。10. 从 Template Docking 到 Pharmacophore Constraint我们放宽了什么这两篇容易混淆。上一篇Template-Based Docking更像是“这个核心结构本身尽量按照 template 摆放。”而 Pharmacophore Constraint 更像是“分子具体长什么样可以不同但必须满足这些关键三维化学特征。”所以 Pharmacophore 的约束更抽象也更适合对一批结构不同的 ligands进行筛选。这也是为什么到了ligand library docking阶段Pharmacophore 会变得非常有价值。到后面的FBDD的内容中scaffold replacement则可以更好的起到更好的作用。11. 本篇小结这一篇实际上完成了一件很重要的事情我们把前面通过 1M17 晶体结构观察到的Tarceva–EGFR hinge interaction从“人眼看到的结合模式”转换成了机器可以直接用于 Docking 的Aro Acc Acc2 Pharmacophore Query这样 Docking 就不再只是“谁的Affinity分数低就看谁。”而是先加入一个更加符合当前设计目标的问题“这个 pose 有没有保留我们已经知道非常重要的 hinge-binding interaction”不过即使经过 Pharmacophore Filter一批 ligand docking 后仍然会得到大量结果。下一步我们需要更系统地比较这些 ligand 到底分别和哪些 EGFR residues 发生了作用。下一篇MOE基于结构的药物设计十四PLIF——如何从大量Docking结果中快速比较关键相互作用

MOE基于结构的药物设计（十三）：Pharmacophore Constraints——如何让Docking保留关键蛋白–配体相互作用？

相关推荐

冒充专业机构钓鱼邮件的攻击机理与防御研究

计算机等级考试三级数据库技术—选择题

新手如何在3个月内掌握Python与AI Agent的核心技能？

更多资讯

NetSpot Wi-Fi干扰分析实战：从信道冲突到热力图校准

基于SimPEG的地下水数值模拟实战：从跑通到二次开发

PHP学生报名系统源码拆解：从v2012老架构到PHP 7.4迁移实操

Java营业厅工程：用Swing与文件持久化学习分层业务架构

Intel IPU：重构云数据中心控制平面的硬件确定性引擎

基于C++与GTK3的IPS补丁工具实现：解析、应用与避坑指南

今日更新

MATLAB缩进快捷键与批量格式化实战指南

用Poco实现Qt风格信号与槽的跨平台C++方案

ESXi裸机虚拟化安装指南：从硬件兼容到虚拟机部署

本周精选

金融AI落地指南：从调研报告到技术选型与工程实践

大模型上下文成本与注意力优化技术深度解析——为何O(n²)平方复杂度无法被常规优化消除｜TaoToken 统一 Key 通道实测

基于GMM的语音识别系统原理与MATLAB实现详解

本月热门

我发现了一个新思路：用 Remotion + Claude Code 像写代码一样自动化生成短视频

Windows下 Codex 中 Chrome 和 Computer Use 插件不可用问题排查及解决参考方式：TaoToken 统一 Key 配置与验证

2026 大模型集体涨价：用 Python 做企业 Token 成本测算与选型避坑（附配置）

读完文章，想聊聊您的网站？