论文部分内容阅读
α1-AR在常规生理调节中发挥着关键的作用，也是治疗前列腺增生药物的有效靶标。在分子水平上，已经发现了人类α1-AR分为三种亚型α1a，α1b和α1d。同种家族的不同受体具有同源性，在体内具有相似的结构和功能。选择性不高的拮抗剂分子，会对同源家族的不同受体都呈现出一定的药理活性，从而使药效降低，甚至产生毒副作用。因此，提高对α1-AR亚型的选择性是设计安全、高效的α1-AR拮抗剂的关键。新药设计中，引入计算机辅助药物设计（CADD）和高通量药物筛选（HTS）的方法可以大大减少了发现先导化合物的时间，提高药物开发的效率和降低药物开发成本，促进整体研究水平的提高。本论文使用CADD和HTS方法来丰富设计具有高度选择性和特异性α1A-AR拮抗剂的理论。本论文包含以下内容：1．细胞高通量筛选平台的建立：将表达Luciferase的pGL3载体中插入响应元件CRE中建成报告基因载体，将真核表达的人类α1A受体亚型质粒ADRA1A、报告基因载体和内参质粒SV40按质量比1：1：1共转染至PC-12细胞中，建立基于报告基因和GPCR传导通路的α1A-AR拮抗剂高通量的细胞筛选模型。探索和优化采用48孔板进行细胞水平高通量筛选的条件，结果表明：在不使用CRE激活剂Forskolin情况下，药物作用的最佳浓度为10-5mol/L、孵育时间为8h、采用DMSO或乙醇作为溶剂且浓度不超过1%时，建立的筛选模型能够用于α1A-AR拮抗剂的高通量筛选。筛选模型具有较好的稳定性，Z’-因子为0.7165。采用建立的萤火虫荧光素酶双报告基因筛选平台，我们对实验室现有的化合物进行了细胞水平的α1A-AR拮抗活性初筛。2.药效团模型：论文使用SYBYL8.1中的药效团搜索模块（GALAHAD）建立了芳基哌嗪类α1A-AR拮抗剂的药效团模型。最佳药效团模型含有一个氢键供体，两个氢键受体，一个正电中心和两个疏水中心。建立的药效团模型与文献报道的部分参数具有一致性，能够与训练集中活性较好的化合物完全匹配。该药效团模型具有一定的活性预测能力，训练集和测试集中化合物的预测值与实验值较为接近。采用ZINC数据库中的部分化合物对药效团模型进行验证，药效团模型能够从含有α1A-AR拮抗剂的数据库中挑出活性较好的化合物，富集因子为8.9，富集因子高。3.三维定量构效关系：基于药效团模型，对另一类具有α1A-AR拮抗活性的44个化合物进行了的分子叠合，并采用经典的3D-QSAR方法CoMFA和CoMSIA，进行了系统的三维定量构效关系研究。在CoMFA研究中，考察了场滤过因子、网格点步长对模型结果的影响；在CoMSIA研究中，考察了场滤过因子、网格点步长、衰减因子以及不同的场组合对模型结果的影响；最终得到了具有统计学意义和较强预测能力的CoMFA和CoMSIA模型。定量构效关系模型提供的场分布贡献图，解释了该类化合物的构效关系，为进一步结构优化提供了理论指导。论文还使用已建立的3D-QSAR模型对实验室现有的化合物进行了预测。4．同源模型建立：采用序列相似性高的肾上腺素受体家族的2-AR的晶体结构为模板，采用同源模建和分子动力学方法构建了α1A-AR、αlB-AR和α1D-AR的三维蛋白结构；并与经典的选择性受体亚型拮抗剂Silodoxin、L-765314和BMY-7378进行柔性对接，经分子力学和分子动力学优化后，剥离配体，得到优化的拮抗状态的受体三维结构。采用程序Procheck、ERRAT、Verify-3D和PROSA等验证，结果表明模建模型具有合理性和高质量性。使用此拮抗状态下的受体亚型模型分别与活性已知的化合物进行对接，并将对接的打分结果分别与各个亚型的活性值pKi进行回归分析，回归结果表明对接打分在一定程度上与活性具有相关性，对接打分在一定程度可以对各亚型的活性值进行预测。采用建立的拮抗状态下的α1-AR同源模型，以及得到的构效关系方程进行了对接评分和活性预测，初步筛选了实验室化合物库中具有亚型选择性的α1A-AR拮抗剂。5.虚拟的高通量筛选：基于前文建立的药效团模型、同源模建结果，采用Unity3D、分子相似性搜寻等方法、联合分子对接以及打分策略，结合图形学考察和ADME/T预测，对实验室化合物库和Zinc数据库进行了虚拟的高通量筛选。从实验室已有的芳基哌嗪类α1-AR拮抗剂中初步筛选了15个可能具有高选择性的α1A-AR拮抗剂，从Zinc数据库中筛选得到了16个具有高选择性，高亲和性的候选化合物，它们有望成为选择性的α1A-AR拮抗剂。6.新化合物的设计：通过分析α1A-AR拮抗剂的药效团模型、3D-QSAR性质，虚拟筛选的结果，采用MedChem Studio软件，采用类似配体垂钓与片断连接法，对芳基哌嗪类化合物的头部，中段和尾端结构改造和设计；结合组合化学设计策略，构建了含有17920个化合物的α1A-AR受体拮抗剂虚拟库，并利用α1A-AR、α1B-AR和α1D-AR的结合特征，采用分子对接和虚拟筛选，得到了理论上具有较强亚型选择活性的α1A-AR的苗头化合物，结合3D-QSAR模型对这些化合物进一步进行优化，并对其合成路线进行可行性的设计。