 Hans Journal of Chemical Engineering and Technology 化学工程与技术, 2012, 2, 53-60 http://dx.doi.org/10.12677/hjcet.2012.22010 Published Online April 2012 (http://www.hanspub.org/journal/hjcet) 3D Pharmacophore Model Construction of DPP-Ⅳ Inhibitors* Tianjiao Han1, Yueqing Li1#, Junfeng Gu2, Zhi Cao1, Weijie Zhao1, Xicheng Wang2 1School of Pharmaceutical Science and Technology, Dalian University of Technology, Dalian 2State Key Laboratory of Structure Analyses for Industrial Equipment, Dalian University of Technology, Dalian Email: #yueqingli@dlut.edu.cn Received: Jan. 4th, 2012; revised: Mar. 5th, 2012; accepted: Mar. 12th, 2012 Abstract: The 3D pharmacophore model of DPP-Ⅳ inhibitors was established using the Discovery Studio software with the training set of 20 DPP-Ⅳ inhibitors. The best pharmacophore hypothesis (Hypo 1) consists of one hydro- gen-bond acceptor, one hydrophobic point, one positive ionizable group, one aromatic ring as well as five excluded volumes. Fischer’s validation clearly shows that proposed Hypo 1 has highly predictive ability and can be efficiently used as a 3D query for virtual screening to retrieve potential inhibitors from ZINC databases. The hit compounds sub- sequently were docked into the DPP-Ⅳ active site and 21 compounds were obtained based on PLP2 scoring function. Therefore, this study could provide scientific basis for denovo design of DPP-Ⅳ inhibitors. Keywords: Type Diabetes; ⅡDipeptidyl-Peptidase Ⅳ; Pharmacophore Model; Database Searching DPP-Ⅳ抑制剂三维药效团模型构建* 韩天佼 1，李悦青 1#，谷俊峰 2，曹 志1，赵伟杰 1，王希诚 2 1大连理工大学制药科学与技术学院，大连 2大连理工大学工业装备结构分析国家重点实验室，大连 Email: #yueqingli@dlut.edu.cn 收稿日期：2012 年1月4日；修回日期：2012 年3月5日；录用日期：2012 年3月12 日 摘 要：以20 个文献报道的二肽基肽酶Ⅳ(DPP-Ⅳ)抑制剂作为训练集，利用Discovery Studio 构建了DPP-Ⅳ抑 制剂的三维药效团模型。所得最优药效团模型Hypo1 具有一个氢键受体，一个疏水基团，一个可离子化正电中 心，一个芳香环和 5个排除体积，Fischer 交叉验证结果表明该模型具有较高的置信度。Hypo 1对测试集中 20 个DPP-Ⅳ抑制剂活性进行了预测，结果显示有较好的预测能力。利用该模型进行ZINC数据库搜索，得到预测 活性小于 10 nmol·L–1 的化合物1369 个。将这些化合物对接到DPP-Ⅳ的活性位点并根据 PLP2 评分函数筛选出 21 个评分较高的化合物，为设计和合成新型的DPP-Ⅳ抑制剂提供了理论参考。 关键词：Ⅱ型糖尿病；二肽基肽酶Ⅳ；药效团模型；数据库搜索 1. 引言 二肽基肽酶Ⅳ (dipeptidyl peptidase Ⅳ，DPP-Ⅳ) 是一类丝氨酸蛋白酶[1]，能快速地降解胰高血糖素样 肽1(GLP-1，glucagon-like peptide-1)。而GLP-1 能够 促进胰岛素的合成和分泌，降低餐后血糖[2]。抑制 DPP-Ⅳ能增强内源性GLP-l 的作用，从而提高血液中 胰岛素的水平，降低糖尿病人的血糖水平[3]。因此 DPP-Ⅳ抑制剂被认为是一种新型的抗糖尿病治疗药 物[4]。2006年默克公司的抗糖尿病治疗药物西他列汀 (sitagliptin)作为首个 DPP-Ⅳ抑制剂成功上市，随后诺 华公司的维格列汀(vildagliptin)在2007年也获得欧 *资助信息：国家重点基础研究发展计划(973)项目，批准号： 2009CB918501。 #通讯作者。 Copyright © 2012 Hanspub 53  DPP-Ⅳ抑制剂三维药效团模型构建 盟、美国等国的批准。目前大量文献报道了许多结构 不同的 DPP-Ⅳ抑制剂，现有DPP-Ⅳ抑制剂类型大致 分以下几类：1) 氨基吡咯烷类[5]；2) 氨基哌啶类[6]； 3) 嘧啶酮类[7]；4) 哌嗪并三唑[8]；5) 噻唑烷类[9]。 以上各种 DPP-Ⅳ抑制剂结构虽有较大的差异，但 已有文献报道了抑制剂应具有的立体结构[2]，即应有 两个口袋区(S1、S2)和一个连接区(P1)，其 中S1口袋区 应空间体积比较狭小并且具有极性亲电取代的基团， S2区应引入体积比较大的基团以形成 π-π共轭或范德 华的方式与受体结合，P1区应包含一个氨基，与 Glu205 和Glu206 残基末端的羧基以盐桥的形式紧密 结合。2008 年，Lu [10]等人利用 CATALYST 构建了 DPP- Ⅳ抑制剂的药效团模型，具有 1个氢键供体、2个氢 键受体、一个疏水性基团和三个排除体积，作者认为 抑制剂中的氨基是作为氢键供体与 Glu205 和Glu206 残基末端的羧基相互作用。参照PDB 晶体复合物中 抑制剂与受体相互作用模式图，发现氨基会以季铵盐 的形式与 Glu205或Glu206 作用，我们分析认为两者 之间的作用应是盐桥或较强的静电吸引作用。为了建 立一个充分包含 DPP-Ⅳ抑制剂与受体 Glu205 和 Glu206 残基相互作 用信息的药效团模型， 本文利用 Discovery Studio(DS)从一组结构不同的抑制剂出发， 引入可离子化正电中心，构建了一个含有可离子化正 电中心的 DPP-Ⅳ抑制剂药效团模型。希望提供一个有 效的数据库搜索工具，同时为探索DPP-Ⅳ抑制剂与受 体的结合模式提供新的理论参考。 2. 材料与方法 药效团模型方法是一种利用已知化合物三维结构 信息进行药物发现和设计的方法。采用 Accelry 公司 的Discovery Studio 2.5软件包进行 DPP-Ⅳ抑制剂药效 团模型的构建。在 DS 中有两种产生药效团的方法： HipHop和Hypogen。HipHop 通过对一组具有活性的 化合物进行结构共同特征的比对来自动生成药效团模 型；Hypogen则通过识别训练集中活性较好的化合物 并根据其来产生药效团模型。由于利用 Hypogen 构建 的药效团模型具有活性预测功能，因此本文选择 Hypogen 来产生 DPP-Ⅳ抑制剂的药效团模型。 2.1. 训练集化合物的选择 为了确保生成的药效团模型具有较高的可信度， 选择训练集时应遵循以下几点：分子结构兼具多样 性；活性分子的活性值至少跨越4个数量级；每个活 性数量水平的化合物分子数量至少为 3个，总数在 18~25个；结构类似的化合物之间活性相差至少一个 数量级，活性相似的化合物之间结构不同。根据以上 原则，从已报道的各种文献中[5-9,11-17]搜集到20种结 构不同的 DPP-Ⅳ抑制剂作为训练集(图1)，包含已上 市药物西他列汀(化合物 10)和维格列汀(化合物 2)。训 练集 IC50 值范围为0.92 nmol·L–1~54,000 nmol·L–1，跨 越了 5个数量级，且所挑选的活性较好的抑制剂对 DPP-Ⅳ的作用强度远远大于对 DPP8、DPP9 等酶的作 用，具有较好的选择性。用MDL ISIS Draw 2.5画图 软件构建 20 个抑制剂的 2D 结构，分别将其导入 DS 中转化为 3D结构，加氢，用 Dreiding力场优化至局 部最小能量，完成训练集准备工作。 2.2. 药效团模型构建 选择氢键受体(hydrogen-bond acceptor，HBA) 、 氢键供体(hydrogen-bond donor，HBD)、疏水基团 (hydrophobic point，HY)、正电离子化基 团(positive ionizable，PI)、芳香环(ring aromatics，RA)、排除体 积(excluded volumes，EV)6 个药效团特征元素来产生 药效团模型。考虑到本文所采取的化合物分子来自不 同作者的实验数据，并且活性测试存在一定误差，因 此将所有抑制剂的活性数值不确定度(activity uncer- tainty) Uncert值设为 2。由于所选抑制剂有结构较简 单的分子，将药效团各元素间最小距离 Minimum Interfeature Distance设置为 0.5。利用 BEST Confor- mation Generation产生构象，最大构象数为255，能 量阈值设为 4.0，其它参数采用默认值。设置完参数 后，利用 DS 中的 Hypogen 即3D QSAR Pharmacophore Model Generation 模块产生药效团模型。 2.3. 药效团模型评价 DS 利用费用函数(cost function)评价药效团模型。 每个药效团模型均有一个Total cost 值，并计算了两个 理想化模型的cost 值：一个是最好模型，该模型cost 值即 Fixed cost，活性值相关曲线的斜率为1；另一个 是最差模型，模型的 cost 值即 Null cost 值，活性值相 关曲线的斜率为0，这两个模型的cost 值相差越大， Copyright © 2012 Hanspub 54  DPP-Ⅳ抑制剂三维药效团模型构建 Copyright © 2012 Hanspub 55 NN NNH N O S O 2 N 1 OH N H N O N 2(vildagliptin ) F F F N NH 2 N N N N 5 NH 2 O N F ON 6 F F N O Cl Cl NN N CF 3 NH 2 9 N O F F F NN N CF 3 NH 2 10(sit agliptin) NH 2 O N F F 13 O N N N 14 N H HO HN NN N O O NNH 17 O N H N O OCOOH NH 2 18 NH 2 O N F 3 N NN NH NH 2 O N F ON 4 N N NNH 2 OCN 7 N N N OCN 8 F F F F N NH 2 N N NCF 3 11 NH 2 O N F F 15 Cl H 2 N O H N O 16 H N O N N 19 N F O H 2 N CF 3 F 20 O N H N O OCOOH 12 FH 2 N Figure 1. The chemical structures of DPP-IV inhibitors in the training set 图1. 训练集化合物的结构 得到的较优模型的概率越高[18,19]。较优药效团模型 Total cost 值最小，且应与Fixed cost 值最接近，与Null cost值差距(Δcost)最大[18,19]。当 Δcost > 60 时，说明药 效团模型在统计学意义上有大于 90%的可能反映了 客观的情况，40 < Δcost < 60 有75%~90%的可能反映 了客观的情况。Configuration cost是另一个重要的参 数，由模型的空间复杂程度决定，一般认为较好模型 的Configuration cost值应不大于 17[18,19]。为了达到 95%的置信水平，进行 Fischer 交叉验证，需要产生 19 个随机的药效团模型[20]。根 据DS中的这些量化指 标来评价药效团模型的优劣。 效团模型Hypo 1 具有一个氢键受体(HBA)，一个疏水 基团(HY)，一个可离子化正电中心(PI)，一个芳香环 (RA)和5个排除体积(EV)，见图2。其 RMS(root mean square deviation)值、Correlation值(r)、Δcost 值、Config 值分别为 0.948、0.977、172.622、13.936。因此可说 明模型 Hypo 1 是DPP-Ⅳ抑制剂的一个较优模型。 3.2. 药效团模型可靠性验证 Hypogen通过对训练集中化合物的构象和药效团 模型进行匹配并打分，通过打分值FitValue 的大小对 训练集中各个化合物进行活性预测。Hypo 1 与训练集 各化合物匹配情况列于表 2，结果显示预测值和实测 值之间有较好的相关性，相关系数(r，correlation coef- ficient)为0.97(图3)，Error 值 ≤ 5，说明该模型有较 高的可信度。化合物 1与Hypo 1叠合程度最好，叠 合结果见图2，FitValue 值为 8.01，其预测活性IC50 = 0.47 nmol·L–1，实验活性IC50 = 0.92 nmol·L–1。 3. 结果与讨论 3.1. 结果 根据 DS计算结果，得到了10 个药效团模型，列 于表 1。所得 10 个药效团模型的Total cost值范围为 83.774~117.433，Fixed cost值为 73.1225，Null cost 值为 256.397，Configuration cost 值为 13.9366。其中 药 利用 Fischer Validation在95%置信度水平下对训  DPP-Ⅳ抑制剂三维药效团模型构建 练集化合物进行随机交叉验证，产生19 个药效团模 型，该 19 个药效团模型小于最优药效团模型的相关 系数，而Costs值大于最优药效团模型(表3)，交叉验 证结果表明所得到的药效团模型Hypo 1具有较高的 置信度。 为了进一步验证所建立的 DPP-Ⅳ抑制剂药效团 模型的适用性，选择了训练集外20个文献[21-23]报道 的DPP-Ⅳ抑制剂(化合物21-40)组成测试集(见图4)。 测试集化合物采用与训练集同样的构象优化处理，利 用DS 中的 Ligand Pharmacophore Mapping模块与最 佳药效团模型Hypo1 进行了叠合，并对其活性进行了 预测，计算[24]预测值和实际值的相关系为0.97。化合 物23 的Fitvalue 值最高为 7.4，其实验活性为 4 nmol·L–1，预测活性为 1.94 nmol·L–1，可见Hypo1对 训练集外的化合物也有较好的预测性。 Table 1. Results of the top 10 pharmacophore hypotheses 表1. 10个得分最高的药效团模型 Number RMSa r ∆Cost Featuresb Hypo1 0.948 0.977 172.623 HBA, HY, PI, RA, EV Hypo2 1.010 0.973 172.539 HBA, HY, PI, RA, EV Hypo3 1.396 0.949 162.599 HBA, HBD, RA, EV Hypo4 1.827 0.912 145.932 HBA, HY, PI, RA, EV Hypo5 1.886 0.906 145.161 HBA, HBD, RA, EV Hypo6 1.924 0.902 143.5 HBA, HBD, RA, EV Hypo7 1.986 0.895 141.802 HBA, HBD, RA, EV Hypo8 1.961 0.898 140.378 HBA, HBD, RA, EV Hypo9 2.072 0.885 139.956 HBA, HBD, RA, EV Hypo10 1.972 0.897 138.964 HBA, HY, PI, RA, EV a: RMS, root mean square deviation, the deviation of the log (estimated activities) from the log (experimental activities) normalized by the log (uncertainties)10; b: HBA: hydrogen-bond acceptor; HY: hydrophobic point; PI: positive ionizable; RA: ring aromatic; EV: excluded volumes; HBD: hydrogen-bond donor. a: RMS，均方根偏差，为不确定度对数值归一化的实验活性对数值与预测活 性对数值的偏差；b: HBA：氢键受体；HY：疏水基团；PI：正电可离子化 中心；RA：芳香环；EV：排除体积；HBD：氢键供体。 HBA: green; HY: blue; PI: red; RA: yellow; EV: gray Figure 2. The optimal pharmacophore model Hypo 1 and superpo- sition with compound 1 图2. 最佳药效团模型Hypo 1及其与化合物 1的叠合 Table 2. The matching of training set compounds with Hypo 1 表2. 训练集中化合物与模型Hypo 1的匹配程度 NameAct Est FitvalueAct scale Est scale ErroraRefer. 1 0.92 0.47 8.01 +++ +++ –1.958 2 3.5 3.14 7.19 +++ +++ –1.1111 3 6 9.13 6.73 +++ +++ +1.525 4 7.5 10.456.67 +++ +++ 1.3912 5 26 10.786.65 +++ +++ –2.416 6 13 13.146.57 +++ +++ +1.0112 7 13 16.926.47 +++ +++ +1.307 8 4 17.446.44 +++ +++ +4.367 9 23 20.046.38 +++ +++ –1.154 10 18 30.776.19 +++ +++ +1.7013 11 22 33.396.16 +++ +++ +1.526 12 33 49.215.99 +++ +++ +1.4914 13 1100440.95.04 ++ ++ –2.495 14 1110467.65.02 ++ ++ –2.3715 15 480 486.95.00 ++ ++ +1.015 16 280 698.74.84 ++ ++ +2.5016 17 3900981.94.69 ++ ++ –3.9717 18 720089333.73 ++ ++ 1.2414 19 18600169403.46 + + –1.1011 20 54000509552.98 + + –1.065 a: The Error column shows the ratio of estimated activity to measured activity (or the ratio of Active/Estimate, if that gives a number greater than 1, in which case the number is negative). a：Error 值是实验活性和预测活性的比值。当实验活性比预测活性大时，为 实验活性/预测活性，且为负值；反之，为预测活性/实验活性，为正值。 R = 0.97 -2 0 2 4 6 8 10 12 -202 4 6 81012 logActive logEstimate Figure 3. The correlation curve of the experimental activities and estimated activities in training set 图3. 训练集中实测活性与预测活性的相关曲线 Table 3. Results from Fischer validation 表3. Fischer交叉验证结果 Trial No. Total costr Trial No. Total costr Unscrambled 83.774 0.977 - - - 1 134.147 0.857 11 138.48 0.841 2 109.908 0.943 12 102.778 0.959 3 138.202 0.837 13 149.002 0.832 4 148.47 0.805 14 111.153 0.914 5 130.47 0.855 15 150.166 0.789 6 111.709 0.896 16 139.607 0.845 7 108.463 0.944 17 120.153 0.887 8 157.041 0.819 18 170.508 0.743 9 121.551 0.873 19 107.181 0.929 10 205.767 0.578 - - - Copyright © 2012 Hanspub 56  DPP-Ⅳ抑制剂三维药效团模型构建 Copyright © 2012 Hanspub 57 NN N F F F N ONH 2 CF 3 NN 21 NH 2 N O F N O NH O22 N NN NH 2 F F FN 25 N N O NNH 2 N Cl Cl 26 N N N NH 2 F F F N N 27 N N O NNH 2 N Cl 30 N NH 2 F F F N N 31 N NN NH 2 F F F N N 32 N O H 2 NF F FF 35 NH 2 O N 36 N OH N B HO OH 37 N O F NH 2 Cl 38 NN N F F F N ONH 2 CF 3 F 23 N NN N NH 2 F F FN 24 N NH 2 F F FN N 28 N N O NNH 2 N F N O 29 N NH 2 F F FN 33 N NH 2 F F FN 34 N NH 2 F F F 39 N O F NH 2 Br 40 Figure 4. The chemical structures of the test set compounds 图4. 测试集化合物结构式 3.3. 数据库筛选 ZINC[25]是一个免费的虚拟筛选数据库，包含460 万个具有类药性的化合物。利用药效团模型 Hypo 1 对 ZINC 数据库中87,337个化合物通过Ligand Pharma- cophore Mapping 模块进行匹配，设置 Maximum Omitted Feature 值为0，寻找可能具有DPP-Ⅳ抑制活 性的化合物，初步得到预测活性小于 10 nmol·L–1 的化 合物 1369 个。 由于得到的活性化合物较多，为了进一步分析这 些化合物与DPP-Ⅳ活性位点相互作用，将其利用DS 中LigandFit 模块对接到DPP-Ⅳ的活性位点。选取 PDB 数据库中的 DPP- Ⅳ晶体复合物(PDB ID: 2HHA)。利 用LigandFit中提供的 Find Sites as Volume of Selected Ligand定义活性位点。根据-PLP2评分函 数筛选出分数 ≥ 90的化合物 21个(表4)。其中打分 函数最高的化合物ZINC52961142 与药效团匹配结果 如图 5，与DPP-Ⅳ活性位点对接结果如图 6，预测活 性为 0.05 nmol·L–1。该化合物的抑制活性有待进一步 研究。 利用药效团模型进行数据库搜索，其计算速度要 比半柔性分子对接快，因此本文先利用得到的较优药 效团模型进行数据库搜索以得到有可能作用于 DPP-Ⅳ活性位点的化合物，接着再将这些化合物与活 性位点进行分子对接，大大缩短了计算时间，提高了 筛选效率。本文整个虚拟筛选的流程图见图 7。 Table 4. The results of the top 21 compounds and their estimated activities given by Hypo 1 表4. 虚拟筛选得到的21 个化合物及其预测活性 Name Estimate Fitvalue -PLP2 ZINC52961142 0.049915 8.98707 102.46 ZINC14988730 0.102882 8.67296 95.91 ZINC33334472 0.594758 7.91096 95.28 ZINC20859138 0.61609 7.89566 94.53 ZINC13769326 0.198493 8.38756 94.24 ZINC13787128 0.40912 8.07345 93.73 ZINC12024495 0.489004 7.99599 93.63 ZINC02645227 0.930201 7.71672 93.16 ZINC14538834 0.497576 7.98844 93.03 ZINC08630534 0.94546 7.70966 92.83 ZINC52961143 0.109409 8.64625 92.44 ZINC16523709 0.98261 7.69292 91.97 ZINC27549215 1.20592 7.60398 91.75 ZINC23983636 2.31882 7.32003 91.3 ZINC46129896 6.65433 6.8622 91.16 ZINC39659538 5.6556 6.93282 91.1 ZINC16523707 0.762057 7.80331 91.05 ZINC15100317 0.557344 7.93918 91.01 ZINC52961071 0.21232 8.35831 90.4 ZINC06549740 0.881553 7.74005 90.3 ZINC40105446 0.140271 8.53833 90.1  DPP-Ⅳ抑制剂三维药效团模型构建 Figure 5. The superposition of compound ZINC52961142 with Hypo 1 图5. 化合物ZINC52961142 与模型Hypo 1的叠合情况 The overlay of compound ZINC52961142 (gray) and the inhibitor (yellow) in X-ray crystal structure (PDB code: 2HHA) shows the same orientation in the DPP-IV active site. Figure 6. The orientation of compound ZINC52961142 in the active site of DPP-Ⅳ 图6. 化合物ZINC52961142 在DPP-Ⅳ活性位点的分布 ZINC 数据库中 87337 个 类药 性化合物 20 个DPP-Ⅳ抑制剂 Hypogen 较优模型 Hypo1 虚拟筛选 预测活性﹤10 nmol·L –1 的 化合物 1369 个 分子对接 DPP-Ⅳ晶体复合物 (PDB ID: 2HHA) 打分函数≥90 的化 合物 21个 Figure 7. The flow chart showing sequential virtual screening methods used in this study 图7. 本文虚拟筛选整体流程图 3.4. 抑制剂与 DPP-Ⅳ活性部位相互作用 Yoshida[9]等人对吡咯烷γ位取代的噻唑烷类化 合物进行系统研究时，得到了活性最好的化合物 1(IC50 为0.92 nmol·L–1)，该类化合物在 S2口袋区引入 了一个芳基哌嗪基团，增强了与 Tyr547，Phe357和 Arg358 残基的疏水作用，提高了活性。李祎亮[2]等人 在综述 DPP-Ⅳ抑制剂时也曾提出了S2口袋区空间体 积相对比较宽松，引入体积大的基团有利于化合物活 性的提高。本文提出的药效团模型较 Lu[10]等人的模 型相比，在 S2区多了一个芳香环(AR)的特征性元素， 与Yoshida 等人研究结果相符，更直观的强化了S2口 袋区的疏水作用在抑制 DPP-Ⅳ活性时的重要性。 Hypo1 与晶体复合物 2HHA 活性位点匹配情况见图 8， 图8(a)中疏水基团 HY和芳香环AR 分别指向 Phe357 和Tyr547，证明了模型的正确性。在S1口袋区引入电 负性较强的基团能与受体 Ser630，Tyr662和Asn710 等残基之间形成氢键。从图8(a)中可以看出，氢键受 体HBA恰恰处于Ser630 和Asn710 之间，虽与 2HHA 中抑制剂的羰基有一定距离，但仍能较好的匹配。连 接S2、S1的P1区应包含一个氨基与 Glu205和Glu206 等残基相互作用[2]，Lu[10]等人的模型中也提出了氢键 供体这一特征元素。我们通过参照晶体复合物中的相 互作用，发现抑制剂中氨基大多数是以铵盐的形式与 Glu205 和Glu206 中羧基形成盐桥或较强的静电吸引 作用。可离子化正电中心既可以是带有电荷的原子， 也可以是在生理pH 下会发生电离的中性基团。本文 引入可离子化正电中心这一特征性元素来占据受体 中的 P1区。图 8(a)显示，可离子化正电中心 PI 占据 抑制剂的氨基位置，且处于 Glu205 和Glu206 的中间。 另外，在构建药效团模型时还加入了排除体积。 配体和受体相互作用时，在配体的某些取代位置上存 在某些原子或基团可能会和受体产生不利的原子碰 撞，这些位置上的原子或基团占有的位置就构成排除 体积。Hypo 1 共包含了5个排除体积，由图 8(b)可以 看出，EV1 占据了残基Tyr666所在的位置，EV2接 近于 Phe357，EV3 接近于 Tyr547，EV4 和EV5 分别 处于 Ser630 和Asn710 的周围。 由此可见，本文提出的药效团模型与目前研究的 DPP-Ⅳ抑制剂构效关系基本相符，能够明确地描述抑 制剂与受体的相互作用，为发现新型的DPP-Ⅳ抑制剂 提供了理论参考。 4. 结论 本文利用 Accelry 公司 Discovery Studio 2.5软件包 构建了一个新的具有高可信度的 DPP-Ⅳ药效团模型 Copyright © 2012 Hanspub 58  DPP-Ⅳ抑制剂三维药效团模型构建 (a) (b) Figure 8. Alignment of Hypo 1 to DPP-Ⅳ active site and the ligand in crystal complex 2HHA 图8. 最佳模型Hypo 1与DPP-Ⅳ活性位点匹配 Hypo 1。模型中的芳香环和疏水基团代表能与 Tyr547，Phe357 和Arg358 等残基形成疏水作用，对 抑制活性非常重要。可离子化正电中心表示与受体中 Glu205 和Glu206 残基中羧基形成盐桥，亦可增强抑 制活性。该模型与目前报道的DPP-Ⅳ抑制剂构效关系 基本相符。训练集化合物活性实验值和预测值相关系 数为 0.97，显示了较好的预测能力，基于Fischer交 叉验证结果表明该模型具有较高的置信度。利用该模 型进行 ZINC 数据库搜索，得到预测活性小于 10 nmol·L–1 的化合物 1369 个。将这些化合物对接到 DPP- Ⅳ的活性位点并根据 PLP2评分函数筛选出 21 个评分 较高的化合物，其中打分最高的化合物 ZINC52961142 预测活性为0.05 nmol·L–1。该药效团模型的提出为进 一步的设计DPP-Ⅳ抑制剂、结构优化和虚拟筛选提供 了重要的理论参考。 5. 致谢 特别感谢国家重点基础研究发展计划(973) 项目 给予的基金支持(批准号：2009CB918501)。 参考文献 (References) [1] H. Sakashita, F. Akahoshi, H. Kitajima, et al. [(S)-γ-(Arylamino) prolyl]thiazolidine compounds as a novel series of potent and stable DPP-Ⅳ inhibitors. Bioorganic and Medicinal Chemistry, 2006, 14(11): 3662-3671. [2] 李祎亮, 王菊仙, 吴香玫等. 二肽基肽酶Ⅳ抑制剂的研究进 展[J]. 中国新药杂志, 2008, 17(20): 1739-1744. [3] T. Kondo, I. Sugimoto, T. Nekado, et al. Design and synthesis of long-acting inhibitors of dipeptidyl peptidase IV. Bioorganic and Medicinal Chemistry, 2007, 15(7): 2715-2735. [4] C. F. Deacon, J. J. Holst. Dipeptidyl peptidase IV inhibitors: A promising new therapeutic approach for the management of type 2 diabetes. The International Journal of Biochemistry and Cell Biology, 2006, 38(5-6): 831-844. [5] J. Y. Xu, L. Wei, R. Mathvink, et al. Discovery of potent and selective phenylalanine based dipeptidyl peptidase IV inhibitors. Bioorganic and Medicinal Chemistry Letters, 2005, 15(10): 2533- 2536. [6] J. M. Cox, B. Harper, A. Mastracchio, et al. Discovery of 3- aminopiperidines as potent, selective, and orally bioavailable dipeptidyl peptidase Ⅳ inhibitors. Bioorganic and Medicinal Chemistry Letters, 2007, 17(16): 4579-4583. [7] J. Feng, Z. Y. Zhang, M. B. Wallace, et al. Discovery of alogliptin: A potent, selective, bioavailable, and efficacious inhibitor of dipeptidyl peptidase Ⅳ. Journal of Medicinal Chemistry, 2007, 50(10): 2297-2300. [8] D. Kim, J. E. Kowalchick, S. D. Edmondson, et al. Tria- zolopiperazine-amides as dipeptidyl peptidase Ⅳ inhibitors: Close analogs of JANUVIATM (sitagliptin phosphate). Bioor- ganic and Medicinal Chemistry Letters, 2007, 17(12): 3373- 3377. [9] T. Yoshida, H. Sakashita, F. Akahoshi, et al. [(S)-γ-(4-Aryl-1- piperazinyl)-L-prolyl]thiazolidines as a novel series of highly potent and long-lasting DPP-IV inhibitors. Bioorganic and Me- dicinal Chemistry Letters, 2007, 17(9): 2618-2621. [10] I. L. Lu, K. C. Tsai, Y. K. Chiang, et al. A three-dimensional pharmacophore model for dipeptidyl peptidase IV inhibitors. European Journal of Medicinal Chemistry, 2008, 43(8): 1603- 1611. [11] E. B. Villhauer, J. A. Brinkman, G. B. Naderi, et al. 1-[[(3- Hy- droxy-1-adamantyl)amino] acetyl]-2-cyano-(S)-pyrrolidine: A po- tent, selective, and orally bioavailable dipeptidyl peptidase IV inhibitor with antihyperglycemic properties. Journal of Medici- nal Chemistry, 2003, 46(13): 2774-2789. [12] S. D. Edmondson, A. Mastracchio, J. L. Duffy, et al. Discovery of potent and selective orally bioavailable β-substituted phenyla- lanine derived dipeptidyl peptidase Ⅳ inhibitors. Bioorganic and Medicinal Chemistry Letters, 2005, 15(12): 3048-3052. [13] D. Kim, L. P. Wang, M. Beconi, et al. (2R)-4-Oxo-4-[3-(trifluoro- methyl)-5,6-dihydro[1,2,4]triazolo[4,3-a]pyrazin-7(8H)-yl]-1-(2, 4,5-trifluorophenyl)butan-2-amine: A potent, orally active dipep- tidyl peptidase Ⅳ inhibitor for the treatment of type 2 diabetes. Journal of Medicinal Chemistry, 2005, 48(1): 141-151. [14] S. D. Edmondson, A. Mastracchio, M. Beconi, et al. Potent and selective proline derived dipeptidyl peptidase Ⅳ inhibitors. Bio- organic and Medicinal Chemistry Letters, 2004, 14(20): 5151- 5155. [15] S. W. Wright, M. J. Ammirati, K. M. Andrews, et al. Cis-2,5- dicyanopyrrolidine inhibitors of dipeptidyl peptidase IV: Syn- Copyright © 2012 Hanspub 59  DPP-Ⅳ抑制剂三维药效团模型构建 Copyright © 2012 Hanspub 60 thesis and in vitro, in vivo, and X-ray crystallographic charac- terization. Journal of Medicinal Chemistry, 2006, 49(11): 3068- 3076. [16] S. M. Sheehan, H. J. Mest, B. M. Watson, et al. Discovery of non-covalent dipeptidyl peptidase Ⅳ inhibitors which induce a conformational change in the active site. Bioorganic and Me- dicinal Chemistry Letters, 2007, 17(6): 1765-1768. [17] M. Eckhardt, E. Langkopf, M. Mark, et al. 8-(3-(R)-amino- piperidin-1-yl)-7-but-2-ynyl-3-methyl-1-(4-methyl-quinazolin-2-y lmethyl)-3,7-dihydropurine-2,6-dione (BI 1356), a highly potent, selective, long-acting, and orally bioavailable DPP-4 inhibitor for the treatment of type 2 diabetes. Journal of Medicinal Chem- istry, 2007, 50(26): 6450-6453. [18] 鲍红娟, 张燕玲, 乔延江. HMG-CoA 还原酶抑制剂三维药效 团的构建[J]. 物理化学学报, 2008, 24(2): 301-306. [19] F. G. Osman. Pharmacophore perception, development, and use in drug design. International University Line, 2000: 259-260. [20] S. Sakkiah, S. Thangapandian, S. John, et al. 3D QSAR phar- macophore based virtual screening and molecular docking for identification of potential HSP90 inhibitors. European Journal of Medical Chemistry, 2010, 45(6): 2132-2140. [21] J. E. Kowalchick, B. Leiting, K. D. Pryor, et al. Design, synthe- sis, and biological evaluation of triazolopiperazine-based β- amino amides as potent, orally active dipeptidyl peptidase Ⅳ (DPP-4) inhibitors. Bioorganic and Medicinal Chemistry Letters, 2007, 17(21): 5934-5939. [22] D. Ferraris, Y. S. Ko, D. Calvin, et al. Ketopyrrolidines and ketoazetidines as potent dipeptidyl peptidase Ⅳ (DPP Ⅳ) in- hibitors. Bioorganic and Medicinal Chemistry Letters, 2004, 14 (22): 5579-5583. [23] Y. Hu, L. F. Ma, M. Wu, et al. Synthesis and structure-activity relationship of N-alkyl Gly-boro-Pro inhibitors of DPP4, FAP, and DPP7. Bioorganic and Medicinal Chemistry Letters, 2005, 15(19): 4239-4242. [24] http://www.changbioscience.com/stat/corr.html [25] J. J. Irwin, B. K. Shoichet. ZINC—A free database of comer- cially available compounds for virtual screening. Journal of Chemical Information and Modeling, 2004, 45(1): 177-182. |