虚拟筛选-4|基于受体的虚拟筛选

虚拟筛选

2025-09-11

导语

  在药物研发的精密战场上，精准识别分子与靶点的相互作用是关键。当已知靶点的三维结构时，基于受体的虚拟筛选（Structure-Based Virtual Screening, SBVS）如同一位 “结构解码师”，通过剖析受体（如蛋白质）的活性位点特征，从化合物数据库中筛选出能与之高效结合的分子。这种方法依托于 “锁钥原理”——分子与受体的空间结构和化学性质互补性决定了结合的特异性与活性，为靶向药物设计提供了直观且高效的路径。

 

一、什么是基于受体的虚拟筛选？

 

  基于受体的虚拟筛选是利用靶点（如蛋白质）的三维结构信息，通过计算机模拟预测化合物与受体的结合模式及亲和力，从而筛选出潜在活性分子的方法。其核心逻辑是：受体的活性位点如同 “锁”，只有结构和化学性质匹配的 “钥匙”（化合物）才能精准嵌入，触发生物效应。

SBVS 主要适用于靶点三维结构已知的场景（如通过 X 射线晶体学或核磁共振解析），常见于以下两类应用：

  • 分子对接（Protein-Ligand Docking）：模拟小分子在受体活性位点的结合姿态，评估结合能与相互作用模式。
  • 药效团建模（Structure-Based Pharmacophore Modeling）：基于受体活性位点的关键特征（如氢键、疏水口袋），构建三维药效团模型以筛选匹配分子。

 

 

二、核心技术：如何从 “受体结构” 预测 “结合潜力”？

SBVS 的核心在于模拟分子与受体的相互作用，这依赖三大技术模块的协同：

1. 受体结构预处理：还原 “真实战场”

  • 活性位点定义：通过晶体结构或同源建模确定受体的结合口袋，例如酶的催化位点或受体的配体结合域。
  • 构象优化：考虑受体的动态柔性（如侧链旋转、结构域运动），常用分子动力学（MD）模拟或构象集合（Ensemble）方法生成多个活性位点构象。
  • 质子化与溶剂化：校正受体氨基酸残基的质子化状态（如 His 的质子化形式），并模拟溶剂环境对结合的影响。

2. 分子对接：寻找 “最佳钥匙”

分子对接通过计算小分子在受体活性位点的空间取向和构象，预测其结合模式。核心步骤包括：

  • 搜索算法：生成小分子的可能结合姿态，常见算法包括：
    • 遗传算法（GOLD、AutoDock Vina）：通过模拟自然选择优化结合姿态。
    • 增量构建法（FlexX）：从碎片逐步组装小分子，匹配活性位点。
    • 系统搜索（Glide）：穷举小分子的平移、旋转和构象空间。
  • 评分函数：量化结合亲和力，常见类型包括：
    • 基于物理的评分（如 LigScore）：计算范德华力、静电作用等物理能。
    • 基于经验的评分（如 ChemScore、GlideScore）：基于实验数据拟合的线性组合模型（如氢键、疏水作用权重）。
    • 基于知识的评分（如 PMF、DrugScore）：基于统计规律的原子接触势能。

3. 药效团建模：捕捉 “关键特征”

基于受体结构的药效团模型直接从活性位点提取关键相互作用特征，例如：

  • 氢键供体 / 受体（HBA/HBD）：如受体 Asp 的羧基可作为 HBA，与小分子氨基形成氢键。
  • 疏水口袋（Hydrophobic Patch）：如受体 Leu、Val 构成的疏水区域，需小分子脂肪链或芳香环匹配。
  • 电荷相互作用（Ionic Interaction）：如受体 Arg 的正电荷与小分子羧酸根的负电荷互补。
  • 排除体积（Exclusion Volume）：活性位点中不允许小分子占据的空间（如受体骨架原子区域）。

 

案例：法尼醇 X 受体（FXR）的药效团模型

基于 PDB 1osh 结构，FXR 的药效团包含 5 个疏水特征、1 个氢键受体和 27 个排除球体，用于筛选特异性激动剂。

 

 

三、经典应用场景：从 “精准对接” 到 “动态优化”

1. 高效筛选苗头化合物（Hits Identification）

通过分子对接，SBVS 可快速从数百万化合物中筛选出与受体活性位点匹配的分子。例如：

  • HIV 蛋白酶抑制剂开发：基于 HIV 蛋白酶的晶体结构，对接筛选出沙奎那韦（Saquinavir），其结合能低至 - 8.2 kcal/mol，通过氢键与 Asp25/Asp25' 及疏水作用锚定活性位点。
  • 雌激素受体（ER）调节剂：利用 ERα 活性位点的疏水腔，对接筛选出雷洛昔芬（Raloxifene），其柔性侧链与 Met336、Leu341 等残基形成广泛疏水相互作用。

2. 先导化合物优化（Lead Optimization）

SBVS 可指导结构改造以增强结合亲和力或选择性：

  • 构效关系（SAR）分析：通过对接结果分析取代基对结合的影响。例如，在 COX-2 抑制剂设计中，引入三氟甲基（-CF₃）可通过疏水作用增强与 蛋白残基的结合。
  • 动态结合模式模拟：利用分子动力学模拟受体 - 配体复合物的动态行为，评估结合稳定性。例如，β- 内酰胺酶抑制剂与酶结合后的构象变化可通过 MD 揭示潜在的耐药机制。

3. 多靶点交叉筛选与副作用预测

SBVS 可同时对接多个受体（如脱靶蛋白），评估化合物的选择性。例如：

  • 抗抑郁药帕罗西汀（Paroxetine）：对接显示其对 5 - 羟色胺转运体（SERT）的结合能（-9.5 kcal/mol）显著高于去甲肾上腺素转运体（NET，-7.2 kcal/mol），解释了其高选择性。
  • 副作用预测：对接发现某候选药物与 hERG 钾通道结合能低于 - 8.0 kcal/mol，提示潜在心脏毒性风险，需结构改造规避。

 

四、挑战与未来：如何让 “解码” 更精准？

尽管 SBVS 已成为药物研发的核心工具，但其仍面临以下挑战：

  • 受体构象不确定性：晶体结构可能仅代表单一构象，而生理状态下受体存在动态构象平衡（如 “诱导契合” 效应）。
  • 评分函数局限性：现有评分函数难以准确模拟熵变、溶剂化等复杂热力学效应，导致 “假阳性” 或 “假阴性” 结果。
  • 计算成本：对千万级化合物库进行全对接需消耗大量算力，需结合降维技术（如片段筛选、机器学习预筛选）优化流程。
  •  

未来发展方向：

  • 动态对接（Dynamic Docking）：结合分子动力学生成受体构象集合，实现 “构象 - 构象” 对接。
  • 深度学习赋能：利用神经网络模型（如 AlphaFold2 预测受体结构，Graph Neural Network 评估结合能）提升预测精度。
  • 多学科融合：整合 X 射线晶体学、核磁共振（NMR）、冷冻电镜（Cryo-EM）数据，构建更真实的受体模型。

 

结语

从 HIV 蛋白酶的精准抑制到新型抗癌药物的设计，基于受体的虚拟筛选凭借 “结构决定功能” 的核心逻辑，推动药物研发从 “试错时代” 迈向 “理性设计”。它不仅是连接基础研究与临床转化的桥梁，更是打开 “个性化药物” 大门的关键钥匙。随着计算技术与结构生物学的深度融合，SBVS 将继续引领靶向药物研发的新潮流，让 “精准医疗” 的蓝图逐步成为现实。

 

参考资料

1. Jones G, Willett P, Glen RC, Leach AR, Taylor R. Development and validation of a genetic algorithm for flexible docking. J Mol Biol. 1997 Apr 4;267(3):727-48.

2. Kramer B, Rarey M, Lengauer T. Evaluation of the FLEXX incremental construction algorithm for protein-ligand docking. Proteins. 1999 Nov 1;37(2):228-41.