葉成濠，梁 亨，李恩民，許麗艷，李 鵬，陳廣慧

（1.汕頭大學(xué)理學(xué)院化學(xué)系,汕頭515063；2.汕頭大學(xué)醫(yī)學(xué)院基礎(chǔ)醫(yī)學(xué)研究所,汕頭515041；3.香港中文大學(xué)(深圳)生命與健康科學(xué)學(xué)院,深圳518172）

細(xì)胞周期與腫瘤的關(guān)系密切，當(dāng)細(xì)胞周期的調(diào)控機(jī)制受到破壞時(shí)，正常細(xì)胞存在向腫瘤細(xì)胞轉(zhuǎn)化的潛在風(fēng)險(xiǎn)［1~3］.細(xì)胞周期蛋白依賴性激酶（CDKs）隸屬于絲氨酸/蘇氨酸蛋白激酶，目前已發(fā)現(xiàn)13個(gè)家族成員，其中CDK2在真核細(xì)胞周期調(diào)控中發(fā)揮關(guān)鍵作用，與癌癥發(fā)生及發(fā)展密切相關(guān)［4］，因此發(fā)現(xiàn)靶向CDK2的抑制劑成為研究熱點(diǎn)［5~7］.

當(dāng)CDK2與Cyclin A2以復(fù)合蛋白形式存在時(shí)，其催化活性被激活，調(diào)控細(xì)胞G1期到S期的轉(zhuǎn)變［8］.研究發(fā)現(xiàn)，CDK2/Cyclin A2復(fù)合蛋白在乳腺癌、口腔癌、食管鱗狀細(xì)胞癌異常高表達(dá)［9，10］.Kontopidis等［11］通過(guò)對(duì)比CDK2/抑制劑和CDK2/Cyclin A2復(fù)合物/抑制劑的結(jié)構(gòu)，發(fā)現(xiàn)CDK2/Cyclin A2的ATP結(jié)合位點(diǎn)中Lys33和Asp145殘基發(fā)生0.1~0.2 nm的位移，如圖S1（本文支持信息）所示，使復(fù)合蛋白ATP區(qū)域結(jié)合口袋發(fā)生改變，導(dǎo)致針對(duì)CDK2的抑制劑失效，說(shuō)明CDK2和CDK2/Cyclin A2蛋白是兩個(gè)不同的靶點(diǎn).因此，精準(zhǔn)靶向CDK2/Cyclin A2復(fù)合蛋白的抑制劑才能更好地抑制激活后的CDK2.目前，實(shí)驗(yàn)上已有針對(duì)CDK2/Cyclin A2復(fù)合蛋白的藥物研究，如NU6271［12］和N-&-N1［13］分子對(duì)復(fù)合蛋白表現(xiàn)出良好的抑制效果，半抑制濃度（IC50）分別為45和43 nmol/L；Bettayeb等［14］融合了Meridianin和Variolins兩種化合物的結(jié)構(gòu)特征，得到了針對(duì)復(fù)合蛋白具有較強(qiáng)抑制作用的化合物Meriolins，IC50為11 nmol/L.但由于上述抑制劑存在選擇性差、溶解度低及毒性大等缺點(diǎn)，至今尚無(wú)應(yīng)用于臨床的靶向CDK2/Cyclin A2的小分子藥物.

本文采用高通量虛擬篩選的方法，旨在發(fā)現(xiàn)針對(duì)CDK2/Cyclin A2復(fù)合蛋白的小分子抑制劑.基于DrugBank［15］，ChEMBL［16］及TCM@Taiwan［17］3個(gè)數(shù)據(jù)庫(kù)近90萬(wàn)種小分子進(jìn)行篩選，采用藥效團(tuán)模型、藥物體外藥代動(dòng)力學(xué)（ADME）計(jì)算、分子對(duì)接、機(jī)器學(xué)習(xí)、聚類、毒性預(yù)測(cè)以及分子動(dòng)力學(xué)模擬方法，發(fā)現(xiàn)對(duì)復(fù)合蛋白具有抑制作用的先導(dǎo)化合物，采用質(zhì)心分析、自由能形貌圖、MM/PBSA和平均非共價(jià)作用（aNCI）分析藥物-蛋白的作用模式，篩選流程圖如Scheme 1所示.

Scheme 1 Workflow of high?throughput screening of lead compounds on CDK2/Cyclin A2 target

1 計(jì)算方法

1.1 虛擬篩選

CDK2單體蛋白（PDB ID：2A4L）［18］和CDK2/Cyclin A2復(fù)合物蛋白（PDB ID：3DDQ）［19］從PDB Bank中獲得，采用Swiss SPDBV 4.10［20］對(duì)蛋白質(zhì)晶體結(jié)構(gòu)進(jìn)行預(yù)處理；候選分子來(lái)自DrugBank（10313）［15］，ChEMBL（860000）［16］和TCM@Taiwan（22405）［17］數(shù)據(jù)庫(kù)，如Scheme 1所示.首先，基于實(shí)驗(yàn)研究的10種靶向CDK2/Cyclin A2復(fù)合蛋白的抑制劑構(gòu)建藥效團(tuán)模型，針對(duì)不同數(shù)據(jù)庫(kù)進(jìn)行篩選，并采用MOE 2015.2程序包［21］完成.

其次，根據(jù)Lipinski規(guī)則將ChEMBL［16］和TCM@Taiwan［17］數(shù)據(jù)庫(kù)中篩選得到的苗頭化合物（Hit compound）進(jìn)行ADME分析［22］.ADME是指藥物在體內(nèi)經(jīng)過(guò)吸收、分布、代謝和排泄的藥代動(dòng)力學(xué)過(guò)程.篩選規(guī)則包括分子量≤500，氫鍵供體數(shù)目≤5，氮和氧原子數(shù)目總數(shù)≤10以及分子的脂水分配系數(shù)（MolLogP）≤4.15.

再采用機(jī)器學(xué)習(xí)（Machine Learning，ML）模型，以DrugBank數(shù)據(jù)庫(kù)分子與復(fù)合蛋白的對(duì)接打分?jǐn)?shù)據(jù)作為訓(xùn)練集，預(yù)測(cè)ADME篩選后的ChEMBL數(shù)據(jù)的分子與靶點(diǎn)的對(duì)接打分.通過(guò)比較訓(xùn)練集和驗(yàn)證集的決定系數(shù)R2來(lái)評(píng)估模型效果.將預(yù)測(cè)打分高的分子采用高精度的MMFF94力場(chǎng)進(jìn)行優(yōu)化并轉(zhuǎn)為pdbqt格式的文件，并與靶點(diǎn)進(jìn)行分子對(duì)接，采用AutoDock Vina程序［23］完成.

然后，采用Rdkit程序［24］建立機(jī)器學(xué)習(xí)聚類模型，處理由3個(gè)不同數(shù)據(jù)庫(kù)篩選得到的分子.目的是使簇內(nèi)藥物相似度最大，簇與簇之間差異最小.聚類中心簇?cái)?shù)目設(shè)置為50，以分子譜圖作為特征，采用K-Means方法進(jìn)行聚類.

最后，對(duì)篩選分子的毒性進(jìn)行評(píng)估.通過(guò)ProTox-Ⅱ服務(wù)器（http：//tox.charite.de/protox_ii）［25，26］進(jìn)行，該服務(wù)器基于機(jī)器學(xué)習(xí)的方法，采用33種模型定量和定性地評(píng)估化合物的致突變性、致癌性、半數(shù)致死量（LD50）值和免疫毒性.

1.2 分子動(dòng)力學(xué)模擬

為了驗(yàn)證虛擬篩選得到的苗頭化合物與蛋白質(zhì)的結(jié)合穩(wěn)定性，對(duì)體系進(jìn)行分子動(dòng)力學(xué)（MD）模擬.首先，采用GAFF力場(chǎng)描述篩選得到的藥物分子［27，28］，在B3LYP泛函和6-31G（d，p）基組的水平上，計(jì)算配體分子的約束靜電勢(shì)（RESP），擬合出原子電荷，采用Amber99 sb-ILDN力場(chǎng)描述蛋白質(zhì)［29］；隨后，以蛋白質(zhì)-配體復(fù)合物為中心構(gòu)建一個(gè)0.8 nm的TIP3P水模型盒子并設(shè)置周期性邊界條件，為了保持體系的電中性，使用鈉離子和氯離子代替部分水分子以產(chǎn)生0.15 mol/L NaCl的溶劑盒子；然后，為防止在平衡模擬過(guò)程中發(fā)生劇烈重排，對(duì)體系進(jìn)行能量極小化計(jì)算以及100 ps的限制性動(dòng)力學(xué)模擬；最后，采用恒溫恒壓（NPT）系綜，模擬溫度為310 K，壓強(qiáng)為1.0×105Pa，對(duì)體系進(jìn)行50 ns的MD模擬.能量極小化以及MD模擬過(guò)程中均通過(guò)LINCS算法對(duì)所有氫鍵進(jìn)行限制，并采用GROMACS 2018.4程序［30］完成.

基于MD模擬的軌跡進(jìn)行均方根波動(dòng)（RMSF）、均方根位移（RMSD）和回旋半徑（Rg）分析.RMSF能揭示蛋白質(zhì)的各殘基在模擬期間的平均位置的波動(dòng)信息，采用下式計(jì)算：

式中：xi為原子的位置；T為時(shí)間間隔；tj為特定的時(shí)刻；x為該原子的平均位置.

RMSD可以說(shuō)明靶蛋白和配體之間結(jié)合的穩(wěn)定性，計(jì)算公式如下：

式中：di為原子的位置；N為系統(tǒng)中原子的數(shù)量.

Rg值用于表征分子結(jié)合的緊密程度，可以采用下式計(jì)算：

式中：r為原子與其質(zhì)心的距離；m為一個(gè)原子的質(zhì)量.Rg越小，說(shuō)明配體與靶點(diǎn)結(jié)合得越緊密.

對(duì)于分子的RMSD、Rg值和吉布斯自由能3個(gè)變量，采用GROMACS和xpm2txt.py腳本繪制三維自由能形貌圖（Free energy landscape，F(xiàn)EL），其能量最低點(diǎn)代表體系的穩(wěn)定構(gòu)象.

1.3 MM/PBSA結(jié)合自由能計(jì)算及能量分解

采用MM/PBSA方法計(jì)算蛋白與配體的結(jié)合自由能［31，32］.截取最后10 ns MD軌跡，每隔100 ps選1幀，共100幀進(jìn)行結(jié)合自由能和能量分解計(jì)算.采用g_mmpbsa程序［33］計(jì)算MM-PBSA結(jié)合自由能的具體公式如下：

式中：ΔGbind為結(jié)合自由能；TΔS為定溫下復(fù)合物的熵變；ΔH為體系的焓變，可通過(guò)下式表示：

式中：ΔEMM為復(fù)合物在氣相下的焓變；ΔGsol為溶解自由能.將式（6）代入式（5）中得到下式：

由于配體與蛋白質(zhì)的結(jié)合過(guò)程中熵變一般不大，在計(jì)算結(jié)合自由能的過(guò)程中可以忽略.因此式（7）可以簡(jiǎn)化為下式：

式中：ΔEMM為van der Waals作用（ΔEvdW）和靜電作用（ΔEele）的總和，如下式所示：

式（8）中，ΔGsol等于極性組分溶劑化能（ΔGPB，sol）和非極性組分溶劑化能（ΔGnonpolar，sol）的總和.其中極性部分對(duì)自由能的貢獻(xiàn)ΔGPB，sol采用Poisson-Boltzmann（PB）方法計(jì)算；而非極性自由能的貢獻(xiàn)ΔGnonpolar，sol通過(guò)分子可及表面積（SA）計(jì)算：

最后，將式（9）和式（10）代入式（8）中，得到下式：

可見(jiàn)，采用MM/PBSA方法最終將結(jié)合自由能分解為以上4個(gè)部分.

1.4 平均非共價(jià)作用分析

aNCI分析是基于分子密度計(jì)算約化密度梯度函數(shù)（RDG），從而描述配體與蛋白質(zhì)之間的弱相互作用［34，35］.以MD模擬的最后一幀軌跡作為起始構(gòu)象，在相同條件下進(jìn)行1 ns的MD模擬，每隔2 ps取一幀共得到501幀.由所得構(gòu)象的分子密度得到平均密度（------ρ(r)）和平均密度梯度（--------?ρ(r)），通過(guò)式（9）計(jì)算平均約化密度梯度（aRDG）［35］：

采用Multiwfn 3.8程序［36］對(duì)蛋白質(zhì)配體復(fù)合物進(jìn)行aNCI分析，通過(guò)等值面的形式揭示配體與蛋白的作用機(jī)制，明確弱相互作用區(qū)域.

2 結(jié)果與討論

2.1 CDK2/Cyclin A2抑制劑的虛擬篩選

選取已報(bào)道的10個(gè)靶向CDK2/Cyclin A2復(fù)合蛋白，半抑制濃度在2~15600 nmol/L的抑制劑構(gòu)建藥效團(tuán)模型［13，14，19，37~41］，如表S1（本文支持信息）所示.以RMSD為0.07 nm作為閾值，對(duì)DrugBank（10313），ChEMBL（860000）和TCM@taiwan（22405）3個(gè)數(shù)據(jù)庫(kù)進(jìn)行虛擬篩選，分別得到2514，22405和1892個(gè)苗頭化合物.

采用Rdkit程序［24］通過(guò)Lipinski’s規(guī)則對(duì)分子化合物的ADME性質(zhì)進(jìn)行評(píng)估，再進(jìn)一步篩選化合物.發(fā)現(xiàn)ChEMBL和TCM@taiwan數(shù)據(jù)庫(kù)中符合藥效團(tuán)模型的分子中分別有9697和212個(gè)滿足ADME特征.由于DrugBank數(shù)據(jù)庫(kù)為FDA認(rèn)證的數(shù)據(jù)庫(kù)，因此2514個(gè)分子被認(rèn)為全部符合ADME要求.

將DrugBank和TCM@Taiwan數(shù)據(jù)庫(kù)中2514和212個(gè)分子分別與CDK2/Cyclin A2靶點(diǎn)對(duì)接.以DrugBank數(shù)據(jù)庫(kù)中分子與靶點(diǎn)的對(duì)接數(shù)據(jù)建立機(jī)器學(xué)習(xí)模型，預(yù)測(cè)ChEMBL數(shù)據(jù)庫(kù)中9697個(gè)分子與靶點(diǎn)的對(duì)接打分.以數(shù)據(jù)庫(kù)中化合物的理化性質(zhì)作為特征，將DrugBank的數(shù)據(jù)以8∶2分成訓(xùn)練集和驗(yàn)證集.分別對(duì)隨機(jī)森林［42］、神經(jīng)網(wǎng)絡(luò)［43］和XGBoost［44］3種回歸模型的預(yù)測(cè)效果進(jìn)行評(píng)估，結(jié)果如表S2（本文支持信息）所示.發(fā)現(xiàn)XGBoost模型效果最佳，在訓(xùn)練集和驗(yàn)證集中的R2分別為0.97和0.93，如圖1所示.故采用該模型預(yù)測(cè)ChEMBL top 500分子的打分并進(jìn)行對(duì)接驗(yàn)證，發(fā)現(xiàn)其對(duì)接打分絕對(duì)值均在19.1以上，其中有95個(gè)分子在23.9以上，如表1所示.

Fig.1 Scatter plots of predicted and validated docking scores between molecules of DrugBank database and CDK2/Cyclin A2 target based on XGBoost machine learning model

Table 1 Total counts of top 500 molecules predicted by XGBoost model and the number verified by docking in ChEMBL database

為了確保篩選得到的化合物具有化學(xué)多樣性和代表性，將每個(gè)數(shù)據(jù)庫(kù)對(duì)接打分前10%的分子進(jìn)行聚類分析.根據(jù)Morgan指紋［45］將分子劃分成50個(gè)簇并將模型可視化，如圖S2（本文支持信息）所示.DrugBank，ChEMBL和TCM@Taiwan數(shù)據(jù)庫(kù)分子的結(jié)構(gòu)最大聚類距離分別為35，14和70，差距較大.因此，將3個(gè)數(shù)據(jù)庫(kù)分子分別聚類.選取每個(gè)數(shù)據(jù)庫(kù)中對(duì)接打分絕對(duì)值大于25.1的top 4苗頭化合物共12個(gè).發(fā)現(xiàn)屬于DrugBank數(shù)據(jù)庫(kù)的4個(gè)分子的官能團(tuán)種類較少，結(jié)構(gòu)相對(duì)簡(jiǎn)單；ChEMBL數(shù)據(jù)庫(kù)中的4個(gè)分子含有羥基、氰基、環(huán)丙基等取代基；TCM@Taiwan數(shù)據(jù)庫(kù)中的4個(gè)分子含有復(fù)雜的母環(huán)結(jié)構(gòu)，且官能團(tuán)的數(shù)目較多，表現(xiàn)出較大的結(jié)構(gòu)多樣性.對(duì)12個(gè)苗頭化合物進(jìn)行毒性預(yù)測(cè)，結(jié)果（表S3，本文支持信息）表明，全部分子的LD50在200~1500 mg/kg區(qū)間內(nèi)，屬于低毒性到中等毒性范圍.

2.2 小分子與CDK2/Cyclin A2復(fù)合物的分子動(dòng)力學(xué)模擬驗(yàn)證

對(duì)這12個(gè)分子以及陽(yáng)性藥Roscovitine與靶點(diǎn)形成的13個(gè)復(fù)合物體系分別進(jìn)行50 ns的MD模擬，通過(guò)RMSF、RMSD、質(zhì)心分析以及自由能形貌圖（FEL）評(píng)估結(jié)合穩(wěn)定性，分別如圖2、圖S3和圖S4（本文支持信息）所示.由圖2（A）~（C）可見(jiàn)，這12個(gè)復(fù)合物的RMSF與陽(yáng)性藥相近，介于0.05~0.5 nm之間.由圖2（D）~（F）可見(jiàn)，DrugBank-8482和TCM-37233的RMSD較大，分別為1.0和0.8 nm；而其余10個(gè)分子的RMSD值與陽(yáng)性藥Roscovitine分子大致相同，位于0.15~0.5 nm，且均已經(jīng)達(dá)到平衡狀態(tài).說(shuō)明蛋白能與這10個(gè)配體形成穩(wěn)定的復(fù)合物.

Fig.2 RMSF(A-C)and RMSD(D-F)plots of complexes under MD simulations

通過(guò)質(zhì)心分析（Centroid analysis）研究不同配體與蛋白弱作用的區(qū)域.由圖S3可見(jiàn)，經(jīng)過(guò)MD模擬后的配體均定位在同一結(jié)合位點(diǎn)，說(shuō)明上述10個(gè)苗頭化合物與Roscovitine和CDK2/Cyclin A2靶點(diǎn)的結(jié)合位點(diǎn)一致.由圖S4所示的自由能形貌圖可見(jiàn)，這10個(gè)苗頭化合物的吉布斯自由能最低點(diǎn)的Rg值均在2.02~2.05 nm之間，遠(yuǎn)小于陽(yáng)性藥物Roscovitine的2.59 nm.說(shuō)明10個(gè)苗頭化合物與蛋白質(zhì)的結(jié)合相對(duì)緊密.

綜合考慮RMSF、RMSD、質(zhì)心分析和自由能形貌圖，發(fā)現(xiàn)潛在的10個(gè)對(duì)CDK2/Cyclin A2復(fù)合蛋白有抑制作用的分子，分別為DrugBank-754，DrugBank-2004，DrugBank-583，ChEMBL-4267，ChEMBL-5254，ChEMBL-7613，ChEMBL-7122，TCM-29473，TCM-676和TCM-7671.

2.3 小分子與CDK2/Cyclin A2復(fù)合物的結(jié)合自由能的分解分析和aNCI分析

進(jìn)一步采用MM/PBSA方法計(jì)算陽(yáng)性藥物Roscovitine以及上述10個(gè)候選分子與復(fù)合蛋白的結(jié)合自由能，發(fā)現(xiàn)DrugBank-2004，DrugBank-583和ChEMBL-7122的結(jié)合自由能分別為?157.0，?145.3和?150.6 kJ/mol，絕對(duì)值明顯高于Roscovitine的123.6 kJ/mol，而其余7個(gè)分子結(jié)合自由能的絕對(duì)值均小于Roscovitine.如表2和圖S5（本文支持信息）所示.因此在后面分析中只考慮上述這3個(gè)分子.

從表2可見(jiàn)，這3個(gè)分子與靶點(diǎn)的靜電作用分別為?76.7，?115.9和?142.0 kJ/mol，絕對(duì)值均大于Roscovitine的57.4 kJ/mol.通過(guò)結(jié)構(gòu)分析，發(fā)現(xiàn)Roscovitine上的母環(huán)是嘌呤基結(jié)構(gòu)，容易與殘基形成氫鍵作用.形成氫鍵后，芳環(huán)的位置被固定，導(dǎo)致環(huán)上的取代基與部分殘基間產(chǎn)生較大的排斥作用；而DrugBank-2004，DrugBank-583和ChEMBL-7122均含有多個(gè)無(wú)雜原子的芳環(huán)結(jié)構(gòu)，不易與殘基形成氫鍵，構(gòu)型相對(duì)容易改變，因此與CDK2/Cyclin A2之間能產(chǎn)生較強(qiáng)的靜電作用.

Table 2 Decomposition of binding free energy between hit molecules,the inhibitor Roscovitine and the target protein

截取最后10 ns MD軌跡進(jìn)行能量分解分析，考察每個(gè)殘基對(duì)總能量的貢獻(xiàn).發(fā)現(xiàn)3個(gè)先導(dǎo)分子和Roscovitine與復(fù)合蛋白具有相似的相互作用.如圖3（A）~（H）所示，與Roscovitine類似，Ile10，Glu81，Gln85和Leu134為3個(gè)先導(dǎo)分子與靶蛋白作用的主要?dú)埢?值得注意的是，這3個(gè)先導(dǎo)化合物和Roscovitine與Leu134之間的作用自由能均很大，尤其DrugBank-2004分子，達(dá)到?11.0 kJ/mol.綜上所述，3個(gè)先導(dǎo)分子較陽(yáng)性藥物Roscovitine具有更高的親和力.

采用MM/PBSA方法進(jìn)行殘基能量分解，對(duì)比上述候選化合物及陽(yáng)性藥物Roscovitine與CDK2和CDK2/Cyclin A2蛋白作用的差異，結(jié)果如圖3和圖S5所示.可見(jiàn)，Roscovitine與CDK2的結(jié)合自由能較與CDK2/Cyclin A2蛋白的結(jié)合自由能大，這是由于CDK2/Cyclin A2結(jié)合口袋變大，降低了Roscovitine與殘基間的親合作用.而與陽(yáng)性藥物不同，候選化合物與復(fù)合蛋白的結(jié)合自由能較與CDK2的結(jié)合自由能大，原因是CDK2/Cyclin A2結(jié)合口袋變大，削弱了配體與蛋白的Lys33，Glu55，Asp86，Lys129和Asp145殘基的排斥作用.

為了直觀地顯示配體和受體之間的弱相互作用區(qū)域,對(duì)DrugBank?2004,DrugBank?583,ChEMBL?7122和Roscovitine與CDK2/Cyclin A2形成的復(fù)合物進(jìn)行了aNCI分析.由圖4（A）~（D）可見(jiàn),上述4個(gè)分子與CDK2/Cyclin A2蛋白之間等值面的顏色主要是綠色和藍(lán)色,表明配體與CDK2/Cyclin A2復(fù)合蛋白的Ile10,Val18和Leu134殘基主要通過(guò)范德華力和氫鍵結(jié)合.盡管3個(gè)候選分子與蛋白的相互作用類型和陽(yáng)性藥物Roscovitine一致,但范德華力和氫鍵作用明顯較Roscovitine強(qiáng).

Fig.3 Decomposition of binding free energy on per?residue basis into contributions in each systems based on MM/PBSA method

Fig.4 aNCI analysis between CDK2/Cyclin A2 and candidate drug molecules

綜上所述，本文通過(guò)藥效團(tuán)模型、ADME、分子對(duì)接、聚類和毒性預(yù)測(cè)，從DrugBank，ChEMBL和TCM@Taiwan 3個(gè)數(shù)據(jù)庫(kù)90萬(wàn)個(gè)分子中篩選出12個(gè)苗頭化合物.基于MD模擬和自由能形貌圖結(jié)果，發(fā)現(xiàn)其中10個(gè)分子與CDK2/Cyclin A2復(fù)合物能穩(wěn)定結(jié)合.采用MM/PBSA方法發(fā)現(xiàn)其中3個(gè)先導(dǎo)化合物DrugBank-2004，DrugBank-583和ChEMBL-7122的結(jié)合自由能絕對(duì)值高于陽(yáng)性藥Roscovitine.利用能量分解和aNCI對(duì)自由能貢獻(xiàn)進(jìn)行分析，發(fā)現(xiàn)先導(dǎo)分子的結(jié)合自由能主要是由范德華力和靜電作用構(gòu)成.由于先導(dǎo)化合物含有多個(gè)無(wú)雜原子的芳環(huán)結(jié)構(gòu)，不易與殘基形成氫鍵，有利于配體的構(gòu)象轉(zhuǎn)變.因此與靶蛋白的靜電作用比Roscovitine強(qiáng)，提高了結(jié)合穩(wěn)定性.通過(guò)對(duì)比先導(dǎo)分子與CDK2/Cyclin A2和CDK2兩種靶點(diǎn)的結(jié)合能力，發(fā)現(xiàn)它們與CDK2/Cyclin A2形成更穩(wěn)定的復(fù)合物.這是由于CDK2/Cyclin A2的結(jié)合位點(diǎn)空間變大，使配體分子與Lys33，Asp86，Lys129和Asp145殘基之間的排斥作用減小.本研究的高通量篩選工作能為發(fā)現(xiàn)針對(duì)CDK2/Cyclin A2靶點(diǎn)的藥物研究提供理論依據(jù).

支持信息見(jiàn)http：//www.cjcu.jlu.edu.cn/CN/10.7503/cjcu20210405.