一种具有抑制凝血因子xa活性的多肽的快速虚拟筛选方法
技术领域
1.本发明涉及一种具有抑制凝血因子xa活性的多肽的快速虚拟筛选方法,属于食品科学技术领域。
背景技术:2.由于不健康的生活方式,过快的生活节奏,以及巨大的生活压力,导致越来越多的人处于亚健康状态或受到非传染性疾病的威胁。2016年,世界卫组织估计有4100万人死于非传染性疾病(ncd),占死亡总人数(5700万)的71%,而心血管疾病(cvd)死亡1790万(占所有ncd的44%)。心血管疾病在我国有逐年升高的趋势。据调查,我国心血管疾病患病率女性约为1%,男性约为2%。在我国,因心脑血管疾病死亡的人数(约350万)占死亡总人数41%以上。而血栓形成作为cvd的主要原因之一,也是全球死亡率的主要原因。
3.虽然,我国很早就注意到血栓性疾病属于主要危害我国居民生活健康的心脑血管疾病之一,但在预防与治疗上效果并不明显。这除了与心脑血管疾病的特性有关(易复发),还与目前预防与治疗的药物存在缺陷有很大关系。目前主要用来治疗血栓的一代药物与二代药物,均存在着极大的缺陷与副作用。如,一代药物华法林,肝素等药物。华法林作为一种维生素k拮抗剂,在体内通过与维生素k拮抗,抑制需要维生素k参与的凝血因子合成而中断凝血途径,从而起到治疗血栓性疾病的作用。而肝素则是特异性的与xa因子,凝血酶,at-iii结合,加速凝血因子的失活,中断凝血途径从而治疗血栓性疾病。这导致给药之后需要实时监测药物在体内的浓度,以防止严重出血的发生,而且一代药物通常会有头晕,恶心等副作用。而二代药物如达比加群,与一代药物相比,给药之后不需要体内实时监测,并且绝大多数可以口服给药,但临床实验结果表明仍有5%的严重出血概率。同时,这些药物主要是用于疾病的治疗,而无法在预防中起到作用。在这种背景下,生物活性多肽由于其安全性高与吸收性好且可以用于疾病的预防等特而受到了广泛关注于研究。
4.生物活性多肽按来源可分为食源性与非食源性,非食源性肽在治疗血栓类疾病中已有所运用,比如第二代药物比伐卢定的设计就是由非食源性肽水蛭素53到64位氨基酸充当凝血酶外置位点-1的抑制剂。但与其它治疗药物一样,存在着明显的副作用且无法用于预防。而食源性多肽,由于其本身即为食品可被人体吸收利用,同时其安全性及生物耐受性等方面的优势。此外,与药物相比,其除了可以提供一定的预防效果外,还可以作为营养物质,为机体补充营养。因此,可通过抑制生理系统中关键酶或因子的活性,从而达到预防与治疗的效果。而凝血因子xa(fxa)就被认为在血栓形成中起到非常重要的作用。
5.fxa属于丝氨酸蛋白酶,且在其表面由多个结合位点。在生理条件下,fxa可以与凝血因子va(fva)结合,形成fxa-fva复合物。该复合物可以催化凝血酶原转变形成凝血酶。而凝血酶的产生,不仅会激活血小板,还会刺激内皮细胞,形成血管内皮细胞损伤。从而导致体内凝血系统平衡被破坏,最终导致血栓的形成。而完全抑制fxa的活性,不仅会使得凝血酶无法产生,还会导致人体内凝血异常,甚至出现大出血等危机生命的情况。
6.近年来,从不同食物蛋白中寻找抗血栓肽的研究逐渐受到关注。rojas
–
ronquillo
等通过发酵牛乳酪蛋白从β-酪蛋白中鉴定出具有抗血栓活性的多肽;shaobing zhang等人在花生中也鉴定到具有抗血栓活性的多肽。won-kyo jung等人在紫贻贝中鉴定得到具有抑制fxa活性的组分;然而,很多研究并没有说明如何筛选获得想要的多肽,往往需要依靠经验或者大量实验去尝试。这不仅消耗了大量的时间,还花费了大量的人力与物力。
7.计算机模拟在现在的研究中被运用的越来越广泛了。尤其在以药领域,计算机模拟与筛选成为了药物快速开发的必备手段。然而种多研究往往把虚拟筛选局限于小分子上面,例如,xin zheng等人运用分子对接技术,从天然产物数据库中筛选出六种具有抑制凝血酶活性的小分子化合物。然而对于大分子或柔性较强的多肽,一直没有提出比较理想的方法。虽然也有研究人员尝试运用柔性对接方法去筛选具有抑制活性的多肽,但这仅适用于数量较少的多肽。对于分子量较大,或样本量较多的多肽,往往需要数天甚至数十天才能完成。因此如何快速筛选获得具有潜在抑制活性的多肽,成了当前需要解决的问题。
技术实现要素:8.[技术问题]
[0009]
本发明要解决的技术问题是现有虚拟筛选方法在对多肽进行筛选时存在的问题:(1)现有针对多肽的虚拟筛选方法基本为分子对接,其中更以柔性对接算法为主,然而该方法以牺牲时间为代价来提高准确性,尤其在筛选大量多肽(一百或一千条以上)时,往往会耗费大量时间;(2)现有筛选的方法往往对于小分子与柔性较差的分子有较好的准确性,无法应用于大分子与具有较强柔性分子的虚拟筛选;(3)常规快速筛选往往无法考虑多肽的柔性与空间结构,因此其用于针对肽类物质的筛选是往往准确性较低,有时不具备参考价值。
[0010]
[技术方案]
[0011]
本发明提供一种虚拟筛选靶蛋白抑制剂的方法,包括下步骤:
[0012]
(1)准备训练集与测试集
[0013]
其中,训练集用于构建药效团模型,由具有靶蛋白抑制活性的分子组成;测试集用于验证基于训练集构建的药效团模型的匹配性,由具有靶蛋白抑制活性的分子和已知对靶蛋白没有抑制活性的分子组成;
[0014]
(2)构建药效团模型
[0015]
根据步骤(1)得到的训练集,建立药效团模型,并利用测试集挑选最适药效团模型;所述最适药效团模型是指其fit value值与测试集分子活性相匹配;
[0016]
(3)构建待筛选集
[0017]
将待筛选的分子进行能量最小化处理,得到待筛选集1;
[0018]
(4)利用最适药效团模型待筛选集1进行初筛
[0019]
利用步骤(2)得到的最适药效团模型对步骤(3)的待筛选集1进行初筛,根据fit value值,初筛形成分子集2;
[0020]
(5)利用柔性对接对分子集2进行筛选
[0021]
将靶蛋白活性位点设置为对接位点,依据分子集2中分子大小定义对接处球体半径,将对接位点内除丙氨酸、甘氨酸、脯氨酸外其它氨基酸设置为selected residues,conformation method设置为best,parallel processing设为ture,并依据运算电脑填写
energies(kcal/mol)栏最大绝对值所对应的多肽,即为所筛选多肽中结合能力最强的多肽,即目标多肽。
[0039]
在某些实施方式中,步骤(1)训练集与测试集准备时,从在线数据库(例如chemblwww.ebi.ac.uk/chembl/)中搜索获得已知活性的肽类fxa抑制剂的信息。训练集多肽应尽量保证与待筛选多肽的分子量相近,同时活性越高越好;测试集多肽应活性高低都有,且分子量相近,无活性或低活性多肽用于修整药效团模型。测试集多肽可少量包含训练集多肽,但不应完全相同。
[0040]
在某些实施方式中,步骤(2)药效团的构建与验证时,使用步骤(1)中得到的训练集多肽,在discovery studio 2017r2软件中运行feature mapping程序。分析结果后对训练集多肽执行common feature pharmacophore generation程序。程序结束后将获得评分最好的十种药效团模型。随后运行ligand profiler程序,使用测试集对构建好的十个药效团模型进行测试,并通过结果分析获得最适药效团模型。测试集多肽中包含活性高分子与活性低分子,如果药效团模型中高活性分子的fit value值大且低活性分子的fit value值小,则认为该模型较好;相反,若fit value值与分子活性不匹配,则认为模型不可信。
[0041]
在某些实施方式中,步骤(3)待筛选多肽集构建时,将待筛选的多肽输入程序中,并运行minimize ligands程序,对多肽进行能量最小化处理。因多肽分子量不确定,这样做可以使得本发明方法更加适用于各个分子量段的多肽,尤其对于多肽分子量较大的,可以使多肽具有二级结构,从而更加贴近多肽实际结构。
[0042]
在某些实施方式中,步骤(4)基于药效团模型的初步筛选时,运行ligand pharmacophore mapping程序,使用步骤(2)中最适药效团模型对步骤(3)所得多肽集1进行筛选;打开运行结果,并观察fitvalue值,保留得分靠前的多肽并保存成新的多肽集(多肽集2)。
[0043]
在某些实施方式中,步骤(5)基于柔性对接的二次筛选时,导入fxa蛋白结构文件(选用pbd:2w26),运行prepare protein程序对蛋白进行处理,随后对运算结果执行flexible docking程序,然后基于fxa蛋白的结构对多肽集2中的分子进行筛选。
[0044]
本发明提供了具有抑制凝血因子xa活性的多肽,其序列是:ekvnelsk。
[0045]
本发明从构建fxa活性位点药效团开始,通过选取已报道活性的物质进行药效团评价,并选出效果最好的模型进行多肽的快速筛选,然后结合flexible docking算法,显著增加了虚拟筛选的命中率,获得了一种快速,适用性广的虚拟筛选方法。
[0046]
本发明至少具有以下有益效果:
[0047]
1、采用药效团模型作为初级筛选方法,在众多待筛选多肽中快速定位具有特征药效团的多肽,减小后续工作量并初步提升命中率。
[0048]
2、采用柔性对接。在药效团筛选基础上,充分考虑多肽的柔性与空间特性,大大增加预测的命中率。
[0049]
3、药效团模型与柔性对接共同使用,解决了目前针对多肽筛选过程中,快速与准确性无法兼顾的问题。
[0050]
4、我国牛乳资源丰富,酪蛋白作为牛乳中主要蛋白成分,是多种生物活性多肽的良好获取来源,本发明以酪蛋白来源多肽为例,虚拟筛选出具有抑制fxa活性的多肽,验证结果表明该肽与fxa具有较好的结合能力,并且可以抑制fxa对底物的水解。
附图说明
[0051]
图1为训练集分子所具有的分子特征。
[0052]
图2两集分子叠加前后。(a):叠加前,(b):叠加后。
[0053]
图3为十个药效团与测试集分子匹配程度。其中,越靠近x轴的分子,其报道的抑制活性越高。
[0054]
图4为最终选用的药效团模型。
[0055]
图5为经处理后最终用于柔性对接的fxa蛋白分子。
[0056]
图6为体外实验验证部分经筛选得到的多肽体外活性的结果。
具体实施方式
[0057]
术语:
[0058]
训练集:在机器学习中,一般将样本分成独立的三部分训练集(train set),验证集(validation set)和测试集(test set)。其中,训练集用于建立模型,验证集用来确定网络结构或者控制模型复杂程度的参数,而测试集则检验最终选择最优的模型的性能如何。
[0059]
下述实施例中,为了对本发明方法进行解释说明,训练集的分子数量是10,测试集的分子数量是20,实际上,还可以增加训练集、测试集的分子数量。
[0060]
药效团:是特征化的三维结构要素的组合,可以分为两种类型。一类是具有相同药理作用的类似物,它们具有某种基本结构,即相同的化学结构部分;另一类是一组化学结构完全不同的分子,但它们以相同的机理与同一受体键合,产生同样的药理作用。
[0061]
分子对接:是两个或多个分子之间通过几何匹配和能量匹配而相互识别的过程,目的是找到配体分子和受体分子的最佳结合模式。分子对接常用方法分子对接方法根据不同的简化程度可以大致分为以下三类:(1)刚性对接;(2)半柔性对接;(3)柔性对接。柔性对接则是指在对接过程中,研究体系的构象基本上是可以自由变化的,一般用于精确考察分子之间的识别情况,由于在计算过程中体系的构象是可以变化的,因此柔性对接在提高了对接准确性的同时却需要耗费较长的计算时间。
[0062]
discovery studio 2017r2软件:discovery studio
tm
(简称ds)是专业的生命科学分子模拟软件,ds目前的主要功能包括:蛋白质的表征(包括蛋白-蛋白相互作用)、同源建模、分子力学计算和分子动力学模拟、基于结构药物设计工具(包括配体-蛋白质相互作用、全新药物设计和分子对接)、基于小分子的药物设计工具(包括定量构效关系、药效团、数据库筛选、admet)和组合库的设计与分析等。
[0063]
实施例1
[0064]
生物活性多肽序列的联合鉴定方法按以下步骤实施:
[0065]
(1)训练集与测试集准备:从在线数据库chembl(www.ebi.ac.uk/chembl/)中搜索获得已知活性的fxa抑制剂的信息。考虑到数据库中有大量已报道的抑制剂,因此添加筛选条件,即肽类抑制剂。经过筛选后,获得训练分子集,包括chembl429253、chembl1270157、chembl412057、chembl257933、chembl258106、chembl401963、chembl258296、chembl404058、chembl1270358和chembl403629,共计10个分子,训练集分子所具有的分子特征如图1所示。测试集分子包括chembl429253、chembl1270157、chembl1797520、chembl2372424、chembl2370416、chembl2372442、chembl104472、chembl257933、
chembl258106、chembl404058、chembl321322、chembl403629、chembl414002、chembl270834、chembl1790570、chembl427751、chembl337930、chembl257867、chembl102216和chembl22100,共计20个分子。对两分子集所有分子分别执行叠加程序,保留叠加后的结果,用于后续模型建立与测试使用。两分子集叠加前、后如图2所示。
[0066]
(2)药效团的构建与验证:使用步骤一中得到的训练集分子,在discovery studio 2017 r2软件中运行feature mapping程序。features一栏中勾选所有选项,其它保持默认并运行程序。打开运行结果,结果表明分子特征主要包括:氢键受体区域、氢键供体区域、疏水区域、芳香环区域与正电离子化基团区域。随后,对训练集分子执行common feature pharmacophore generation程序,conformation generation选项设为默认参数。打开运行结果,结果中包括评分最好的十种药效团模型。运行ligand profiler程序,将构建好的十个药效团模型输入到input file pharmacophores栏中,将步骤一中准备好的测试集分子输入到input ligands。将conformation generation选项调为best。其它保持默认并运行程序。如图3所示,分析结果以热图形式呈现。结果显示药效团模型6为最适模型(图4)。
[0067]
(3)待筛选多肽集构建。将酪蛋白水解之后通过质谱鉴定获得的多肽作为待筛选多肽,待筛选的多肽(表1)输入程序中,并运行minimize ligands程序,在input forcefield一栏中选择charmm,对多肽进行能量最小化处理。其余保持默认并运行程序。运行结果即为多肽集(多肽集1)。
[0068]
表1
[0069][0070][0071]
(4)基于药效团模型的初步筛选。运行ligand pharmacophore mapping程序,将药效团模型6输入input pharmacophore栏,将步骤三所得多肽集1输入input ligands栏。best mapping only设为ture。其它选项保持默认并运行程序。打开运行结果,并观察fitvalue值(表2),保留得分>2的多肽并保存成新的多肽集(多肽集2)。
[0072]
表2
[0073][0074]
(5)基于柔性对接的二次筛选。导入fxa蛋白结构文件(选用pbd:2w26),运行prepare protein程序对fxa蛋白进行处理。随后对运算结果执行flexible docking程序,得到如图5所示的经处理后最终用于柔性对接的fxa蛋白分子。分别输入fxa蛋白结构文件与多肽集2。将fxa活性位点设置为对接位点,依据待筛选多肽大小定义对接处球体半径,将对接位点内除丙氨酸、甘氨酸、脯氨酸外其它氨基酸设置为selected residues。conformation method设为默认参数。parallel processing设为ture,并依据运算电脑的实际性能(cpu参数)填写server processes。运行程序并将最终结果中-cdocker_interaction_energy中分值最高的几个肽及其对应的构象进行保留并定义为多肽集3。
[0075]
表3
[0076][0077][0078]
(6)结合能量筛选
[0079]
打开calculate binding energies程序,将(5)中处理好的fxa定义为受体,多肽集3(九条多肽)的分子定义为配体,其它参数保持默认并运行,计算不同多肽与fxa的结合能(表4)。打开运行结果,其中binding energies(kcal/mol)栏中,结果最好的多肽是dqamedik,即为所筛选多肽中结合能力最强的多肽,即目标多肽。
[0080]
表4
2017 r2软件中运行feature mapping程序。features一栏中勾选所有选项,其它保持默认并运行程序。打开运行结果,结果表明分子特征主要包括:氢键受体区域、氢键供体区域、疏水区域、芳香环区域与正电离子化基团区域。随后,对训练集分子执行common feature pharmacophore generation程序,并将conformation generation选项调为best。features栏中勾选feature mapping分析得到的主要特征结果。打开运行结果,结果中包括评分最好的十种药效团模型。运行ligand profiler程序,将构建好的十个药效团模型输入到input file pharmacophores栏中,将步骤一中准备好的测试集分子输入到input ligands。将conformation generation选项调为best。其它保持默认并运行程序。分析结果以热图形式呈现。结果显示药效团模型6为最适模型。
[0091]
(3)待筛选多肽集构建。将待筛选的多肽输入程序中,其氨基酸序列分别为:ekvnelsk、tedqamedik、ylgyleqllr、hiqkedvpser、ffvapfpevfgk、dqamedik、tklteeeknr、nmainpsk、rnavpitptlnr、falpqylk、navpitptlnr、itvddkhyqk、eqlstseensk、alneinqfyqk、tvdmestevftk、vkeamapk、hkempfpk、ffsdkiak、scqaqpttmar,共19条多肽(同表1)。并运行minimize ligands程序,在input forcefield一栏中选择cff并对多肽进行能量最小化处理。其余保持默认并运行程序。运行结果即为多肽集(多肽集1)。
[0092]
(4)基于药效团模型的初步筛选。运行ligand pharmacophore mapping程序,将药效团模型6输入input pharmacophore栏,将步骤三所得多肽集1输入input ligands栏。best mapping only设为ture。其它选项保持默认并运行程序。打开运行结果,保留fitvalue值>2的多肽(共9条)并保存成新的多肽集(多肽集2),见表2。
[0093]
(5)基于柔性对接的二次筛选。导入fxa蛋白结构文件(选用pbd:2w26),运行prepare protein程序对蛋白进行处理。随后对运算结果执行flexible docking程序。分别输入fxa结构文件与多肽集2。将fxa活性位点设置为对接位点,依据待筛选多肽大小定义对接处球体半径,将对接位点内除丙氨酸、甘氨酸、脯氨酸外其它氨基酸设置为selected residues。conformation method设置为best。parallel processing设为ture,并依据运算电脑的实际性能填写server processes。运行程序并将最终结果中-cdocker_interaction_energy中分值高于120的多肽(tedqamedik、dqamedik、tklteeeknr、ekvnelsk共四条)及其构象进行保留(多肽集3)。
[0094]
(6)结合能量筛选
[0095]
打开calculate binding energies程序,将(5)中处理好的fxa定义为受体,多肽集3(四条多肽)的分子定义为配体,其它参数保持默认并运行,计算不同多肽与fxa的结合能。打开运行结果,其中binding energies(kcal/mol)栏中,tedqamedik、dqamedik、tklteeeknr、ekvnelsk对应的值分别为:-495.4164,-488.8741,-346.9384,-519.8735。因此多肽ekvnelsk即为筛选出结合(抑制)效果最好的多肽,即目标多肽。经体外实验验证,ekvnelsk具有体外抑制凝血因子xa的活性(图6)。
[0096]
应用本实施例的具有抑制凝血因子xa活性的多肽的快速虚拟筛选方法总共输入待筛选多肽19条,经筛选后获得具有潜在抑制活性的多肽。将多肽ekvnelsk进行体外合成并结合发色底物法与等温滴定量热法实验进行验证。结果表明该肽具有良好的与fxa结合能力并抑制其活性。
[0097]
本发明方法与现有方法比,在提升速度的同时,又保证了预测的命中率。在本实施
例中,从19个多肽中进行筛选最终得到目标多肽,仅需不到60小时,而传统的flexible docking则需要90小时以上,效率提升30%以上。而与单独使用药效团模型相比,本发明又充分考虑到多肽所具有的柔性与空间构象特性。因此,本发明方法在多肽的虚拟筛选,尤其是大量多肽的筛选中,可以起到积极,快速的作用,并为后续工作的快速推进提供依据。
[0098]
虽然本发明已以较佳实施例公开如上,但其并非用以限定本发明,任何熟悉此技术的人,在不脱离本发明的精神和范围内,都可做各种的改动与修饰,因此本发明的保护范围应该以权利要求书所界定的为准。
技术特征:1.一种虚拟筛选靶蛋白抑制剂的方法,其特征在于,包括下步骤:(1)准备训练集与测试集其中,训练集用于构建药效团模型,由具有靶蛋白抑制活性的分子组成;测试集用于验证基于训练集构建的药效团模型的匹配性,由具有靶蛋白抑制活性的分子和已知对靶蛋白没有抑制活性的分子组成;(2)构建药效团模型根据步骤(1)得到的训练集,建立药效团模型,并利用测试集挑选最适药效团模型;所述最适药效团模型是指其fit value值与测试集分子活性相匹配;(3)构建待筛选集将待筛选的分子进行能量最小化处理,得到待筛选集1;(4)利用最适药效团模型待筛选集1进行初筛利用步骤(2)得到的最适药效团模型对步骤(3)的待筛选集1进行初筛,根据fit value值,初筛形成分子集2;(5)利用柔性对接对分子集2进行筛选将靶蛋白活性位点设置为对接位点,利用柔性对接对分子集2进行筛选,将-cdocker_interaction_energy中分值较高的数个分子及其对应的构象进行保留,定义为分子集3;(6)结合能量筛选打开calculate binding energies程序,将步骤(5)中处理好的靶蛋白定义为受体,分子集3的分子定义为配体,其它参数保持默认并运行,打开运行结果,其中binding energies(kcal/mol)栏最大绝对值所对应的分钟,即为待筛选分子中结合能力最强的分子,即目标抑制剂。2.根据权利要求1所述的一种虚拟筛选靶蛋白抑制剂的方法,其特征在于,所述抑制剂是多肽。3.根据权利要求1或2所述的一种虚拟筛选靶蛋白抑制剂的方法,其特征在于,所述靶蛋白是凝血因子xa。4.根据权利要求1或2所述的一种虚拟筛选靶蛋白抑制剂的方法,其特征在于,虚拟筛选具有抑制凝血因子xa活性的多肽,包括下步骤:(1)准备训练集与测试集,其中,训练集用于构建药效团模型,由具有抑制凝血因子xa活性的多肽组成;测试集用于验证基于训练集构建的药效团模型的匹配性,由具有抑制凝血因子xa活性的多肽和已知对凝血因子xa没有抑制活性的多肽组成;所述训练集中的多肽对fxa因子具有明确的抑制作用,且抑制活性强弱已知;所述测试集中对fxa因子具有明确抑制作用的多肽,其抑制活性强弱已知;(2)构建药效团模型根据步骤(1)得到的训练集,建立药效团模型,并利用测试集挑选最适药效团模型;所述最适药效团模型是指其fit value值与测试集多肽分子活性匹配;(3)构建待筛选多肽集将待筛选的多肽进行能量最小化处理,得到待筛选多肽集1;所述待筛选的多肽可以是人工设计的多肽,或者通过质谱鉴定获得的多肽,或者用计算机对某个蛋白进行虚拟酶解
获得的一系列多肽;(4)利用最适药效团模型初筛待筛选多肽集利用步骤(2)得到的最适药效团模型对步骤(3)的待筛选多肽集1进行初筛,根据fit value值,保留fit value值大于某个固定值的多肽,或者,当多肽集中分子数量较多时,保留fit value值排名前5%~10%的多肽,形成新的多肽集2;(5)利用柔性对接对多肽集2进行筛选将fxa活性位点设置为对接位点,依据多肽集2中多肽大小定义对接处球体半径,将对接位点内除丙氨酸、甘氨酸、脯氨酸外其它氨基酸设置为selected residues,conformation method设置为best,parallel processing设为ture,并依据运算电脑填写server processes,运行程序并将最终结果中-cdocker_interaction_energy中分值最高的数个肽及其对应的构象进行保留,定义为多肽集3;(6)结合能量筛选打开calculate binding energies程序,将步骤(5)中处理好的fxa定义为受体,多肽集3的分子定义为配体,其它参数保持默认并运行,打开运行结果,其中binding energies(kcal/mol)栏最大绝对值所对应的多肽,即为所筛选多肽中结合能力最强的多肽,即目标多肽。5.根据权利要求4所述的一种虚拟筛选靶蛋白抑制剂的方法,其特征在于,步骤(1)训练集与测试集准备时,从在线数据库中搜索获得已知活性的肽类fxa抑制剂的信息。6.根据权利要求4所述的一种虚拟筛选靶蛋白抑制剂的方法,其特征在于,步骤(2)药效团的构建与验证时,使用步骤(1)中得到的训练集多肽,在discovery studio 2017r2软件中运行feature mapping程序,分析结果后对训练集多肽执行common feature pharmacophore generation程序,程序结束后将获得评分前十种药效团模型使用测试集进行测试,并通过结果分析获得最适药效团模型。7.具有抑制凝血因子xa活性的多肽,其特征在于,氨基酸序列是:ekvnelsk。8.具有抑制凝血因子xa活性的多肽,其特征在于,氨基酸序列是:dqamedik。9.权利要求7或8所述多肽在制备用于治疗血栓的药物中的应用。
技术总结本发明公开了一种具有抑制凝血因子Xa活性的多肽的快速虚拟筛选方法,属于食品科学技术领域。所述方法的步骤主要包括:准备训练集与测试集、构建药效团模型、构建待筛选集、利用最适药效团模型待筛选集进行初筛、利用柔性对接对分子集进行筛选、结合能量筛选。本发明通过共同使用药效团模型与柔性对接,解决了目前针对多肽筛选过程中,快速与准确性无法兼顾的问题。问题。问题。
技术研发人员:杜明 刘汉雄 程述震 王震宇 徐献兵 吴迪 涂茂林
受保护的技术使用者:大连工业大学
技术研发日:2022.06.22
技术公布日:2022/11/1