Hans Journal of Computational Biology 计算生物学, 2012, 2, 1-9 http://dx.doi.org/10.12677/hjcb.2012.21001 Published Online March 2012 (http://www.hanspub.org/journal/hjcb) Reconstruction of Erwinia carotovora subsp. atroseptica SCRI1043 Metabolic Network and Its Application in Screening Potential Targets Jun Wang, Cheng Wang, Dexin Kong, Lingling Chen* College of Life Science and Technology, Huazhong Agricultural University, Wuhan Email: *llchen@mail.hzau.edu.cn Received: Feb. 10th, 2012; revised: Feb. 25th, 2012; accepted: Mar. 2nd, 2012 Abstract: Erwinia carotovora subsp. atroseptica SCRI1043 (Eca SCRI1043) is a widespread phytopathogen that causes blackleg and soft rot d isease in potato es. In this paper, we reconstructed the metabolic network of Eca SCRI1043 based on its genomic information. Through the topology and flux balance analysis, hub nodes of the network were selected. After that TTD database was used to screen those hubs and find out the candidate targets. Undecaprenyl pyrophosphate synthetase (Upps) was chosen to do homology modeling and virtual screening by using the comercialize compounds database provided by specs company. Finally, 73 co m pounds were screened manually in the top scoring 400 compounds. Keywords: Erwinia carotovora subsp. atroseptica SCRI1043; Metabolic Networks; Flux-Balance Analysis; Homology Modeling; Virtual Screening 胡萝卜软腐欧文氏菌代谢网络重构及其在靶标筛选中的应用 王 君,王 成,孔德信,陈玲玲* 华中农业大学生命科学技术学院,武汉 Email: *llchen@mail.hzau.edu.cn 收稿日期:2012 年2月10 日;修回日期:2012 年2月25 日;录用日期:2012 年3月2日 摘 要:欧文氏杆菌(Erwinia)是一类重要的农作物致病细菌,侵染宿主范围广,在世界范围内造成了严重的经 济损失,其中 Erwinia carotovora subsp. atroseptica SCRI1043 (Eca SCRI1043) 可导致马铃薯感染黑胫软腐病,危 害极大。本文构建了 Eca SCRI1043基因组的代谢网络,并进行拓扑结构和流平衡分析,以此筛选出网络的中心 节点。若中心节点所代表的酶收录在 TTD 数据库中,则此酶可作为农用杀菌剂的候选靶标。随后选取靶标十一 异戊二烯焦磷酸酶(Upps),采用 specs 公司的商品化合物数据库作为小分子数据库,对靶标进行高通量虚拟筛选, 对综合打分结果最好的前 400 个化合物进行目筛后得到 73 种先导化合物,这 73 种先导化合物可以进一步进行 后续生测实验以确定其杀菌活性。 关键词:胡萝卜软腐欧文氏菌;代谢网络重构;流平衡分析;同源模建;虚拟筛选 1. 引言 细菌性软腐病作为一种分布极广的植物病害,在 全球造成了严重的经济损失,其中胡萝卜软腐欧文氏 菌(Erwinia carotovora subsp. atroseptica SCRI1043, Eca SCRI1043)是其主要病原菌,可危害胡萝卜、马铃 薯、大白菜等农作物,并引起储存期蔬菜的腐烂[1]。 *通讯作者。 Copyright © 2012 Hanspub 1 胡萝卜软腐欧文氏菌代谢网络重构及其在靶标筛选中的应用 Eca SCRI1043是在土壤中传播的植物致病菌,可借助 昆虫、地下害虫或灌溉水传播,从根茎部伤口或地上 叶片气孔及水孔侵入,主要侵害地下部肉质根,病组 织通常表现为软腐与湿腐,如果侵染维管束组织,能 阻碍水分输送而导致地上茎叶出现萎蔫等症状[2]。对 于这种土传病害,目前尚无很好的治疗手段,急缺高 效可靠的杀菌剂。 随着基因组及生物化学数据的大量累积,通过基 因组学方法构建物种的代谢网络,可从系统角度出 发,筛选对维持物种生存所必须的酶或核酸作为靶 标,提高药物开发的效率[3]。较农用杀菌剂而言,药 物的研发流程相对成熟,积累了大量的实验方法和靶 标数据,借鉴药物研发的策略来研究农用杀菌剂也是 一种捷径,其中基于靶标的药物设计也必将成为农药 杀菌剂研发的重要方向。 2. 材料与方法 2.1. 代谢网络的重构 全基因组尺度代谢网络的重构包括重构、模拟、 评估及修正。其中模型的重构最为关键,它包括基因 注释、代谢反应及反应列表的建立、代谢网络的建立、 计量学矩阵的建立以及代谢途径的优化。近几年,国 际上对代谢网络重构的研究如火如荼,出现了多种代 谢网络重构工具,如GEM System[4]、metaSHARK[5]、 MODEL SEED[6]等。其中 MODEL SEED依托于比较 基因组数据库 SEED 及其高精度基因组注释工具 RAST ,可生成包含有完整的 Gene-Protein-Reaction (GPR)反应列表的初始代 谢草 图。不过 目前 的网络 构 建工具都只能生成初始草图,还需要对 GPR 反应列 表进行进一步的验证和修正,而这一阶段仍然只能通 过手工完成,所以说成功构建一个高精度的代谢网络 是一个劳动密集的手工产物。Christopher S Henry利 用MODEL SEED构建了 130个细菌的代谢网络,计 算这 130 个网络的准确性得知:草图的准确性平均为 66%,优化后的网络的准确性为 87%[6]。考虑到 SEED 数据库中含有Eca 的基因组注释信息,故本文采用 MODEL SEED生成胡萝卜软腐欧文氏菌(SCRI104)的 代谢草图。 2.1.1. 反应方向的修正 代谢草图中的反应信息源于KEGG,而 KEGG 作 为网络重构的主要数据库,其反应方向存在很多错 误。Ma 和Zeng 对KEGG数据库的所有反应信息进行 核查,并根据一定的生理学规则,提出了确立反应方 向的 11 条规则[7]。由于 Eca与大肠杆菌属于肠杆菌科 (Enterobacteriaceae)的不同属,亲源关系很近,本文即 根据 MA 和Zeng 提出的方法,并同时参考大肠杆菌 等模式生物的反应方向,结合 BioCYC 等数据库来确定 胡萝卜软腐欧文氏菌的反应方向。若现有的信息和方法 都无法最终确定反应方向,则默认该反应是可逆的。 2.1.2. 通用代谢物的剔除 通用代谢物一般是用于电子转移以及一些功能 基团的转移,如磷酸基团、氨基基团、一碳单元、甲 基基团等。除了上述物质外,我们认为 H2O、NH3、 O2、CO2、Phosphate 也是通用代谢物[8]。通用代谢物 参与众多反应,导致这些节点的连接度偏高,从而使 得通用代谢物成为网络的中心节点,而无法挖掘出真 正有用的数据。考虑到当通用代谢物在反应中充当原 始反应物时不能去除,故需手工对涉及通用代谢物的 反应进行审查。 2.1.3. 网络的可视化 目前绝大多数代谢网络都是用节点代表代谢物, 节点之间的连线代表代谢物之间的反应,而反应方向 则由箭头表示。如 Ma 等人对可逆反应 R00006:2C00022 C00900 + C00011 表示为 C00022 C00900和C00022 C00011,其中 C00022、C00900、C00011为均 KEGG 编号的化合物 [7]。考虑到本文构建代谢网络的主要目的是筛选合适 的杀菌剂靶标,故在进行代谢网络可视化时,将催化 反应的酶也用节点来表示,以便在后续拓扑筛选时, 便于提取靶标信息。例如反应 A + B C是由酶EC 催化的,则可表示为 A EC,B EC,EC C。若一个反应是由多个酶催化的,则将反应拆分为 多个,其中每个子反应有单一酶所控制。利用这种方 式,可将整个菌种的代谢反应整理为 Excel 表格,便 于利用 cytoscape 实现网络的可视化。 2.2. 拓扑分析 生物网络作为复杂网络,可以运用图论理论进行 分析。其中连接度和中介性这两个参数可以反应节点 Copyright © 2012 Hanspub 2 胡萝卜软腐欧文氏菌代谢网络重构及其在靶标筛选中的应用 在网络中的影响力和重要性[9],故在对胡萝卜软腐欧 文氏菌的代谢网络进行拓扑结构分析时,认为最佳靶 标应同时具有较高的连接度和中介性。 3.1.1. 小世界效应 2.3. TTD数据库筛选 TTD 数据库收集了成功的和正在研究的靶标以 及靶标对应的疾病、药物、序列等信息[10]。对拓扑分 析筛选到的靶标,将其蛋白序列与 TTD 数据库进行 序列比对,进一步筛选被 TTD数据库收录的靶标。 2.4. 流平衡分析 Flux Balance Analysis (FBA)是一种分析代谢网络 的数学工具,不需要代谢物浓度或者酶动力学信息便 可预测生物必需的代谢反应。本文中采用 Crobra Toolbox v2.0[11],对通过拓扑分析和 TTD 数数据库筛 选的靶标,计算代谢网络的流平衡。 2.5. 靶标的同源模建及虚拟筛选 SYBYL-X 是Tripos 公司研发的一个相当全面的 药物与分子设计专业工具,提供了综合的分子模拟工 具,同源模建采用的是 SYBYL-X 1.2中的 Orchestrar 模块。虚拟筛选则先用 Dock 6.4进行初筛[12],随后用 Autodock 4.2进行精筛[13],小分子数据库采用 specs 公司提供的商品化合物数据库,以保证化合物的可购 买性。 3. 结果与讨论 3.1. 代谢网络的分析 Eca 的代谢网络用上述“反应物–酶–生成物” 的表示方式整理为 cytoscape 可读的 Excel 格式,利用 cytoHubba 插件舍弃孤立反应后含有 1416 个节点, 2041 条边(见图 1)。为验证本文构建的代谢网络在结 构上符合代谢网络的基本规律,故对网络的节点度分 布和平均路径长度进行了分析。 目前的研究表明,代谢网络具有典型的“小世 界”和“无标度”特征,也就是说代谢网络具有较小 的网络平均路径长度,且节点的度符合幂律分布。分 析Eca SCRI1043的代谢网络,结果显示,采用“反 应物–酶–生成物”的方式表示的代谢网络也符合 “小世界”及“无标度”的规律。 Jeong 等人对 43 种不同物种的代谢网络进行研究 后发现无论是古菌、原核还是真核,其代谢网络的平 均路长都约为 3.2,表明任何两种代谢物之间平均只 需3步即可完成转化[14]。但他们的研究并未去除通用 代谢物,故平均步长过低,与实际生化反应不一致。 Ma 等人去除通用代谢物后重构了80 个物种的代谢网 络,研究表明原核的平均路径长度为 7.73(不包含寄生 虫),且平均路径长度随着网络节点的增加逐渐增大 [7]。本文构建的胡萝卜软腐欧文氏菌的代谢网络的节 点包含了反应的信息,故节点数目较大为 1416,依 据 Ma 等人的研究可知,本文构建的代谢网络的平均路 长为 9.26 符合平均路径长度随着网络节点的增加逐 渐增大的结论,很好地反映了代谢网络的结构信息。 几种典型的模式物种的代谢网络的平均步长也很好 的验证了这点(见表1)。 Figure 1. Metabolic network of Eca SCRI1043 图1. Eca SCRI1043的代谢网络 Table 1. Average distance and diameter of multi-bacteria 表1. 模式物种及Eca SCRI1043的代谢网络的平均路径长度 物种 平均路径长度 网络直径 B. subtilis 8.48 23 E. coli 8.20 23 H. influenzae 8.35 27 H. pylori 7.91 24 S. typhimurium 8.22 24 Eca SCRI1043 9.26 28 Copyright © 2012 Hanspub 3 胡萝卜软腐欧文氏菌代谢网络重构及其在靶标筛选中的应用 从表 1中可以看出,胡萝卜软腐欧文氏菌代谢网 络的平均路径长度为 9.26,直径为 28,仍在代谢网络 规定的对数尺度范围内。考虑到Eca 代谢网络节点的 数目,本文构建的代谢网络符合小世界的基本规律。 平均路径长度和网络的直径是评价网络节点间 信息交流速度的重要依据。这表明,胡萝卜软腐欧文 氏菌代谢网络的大多数代谢物只需通过10 步之内的 反应就可以完成相互转化,从而可以保证代谢物浓度 的变化能迅速的传到整个网络。整个网络的直径为 28,说明网络中相距最远的两个代谢物也只需28 步 就可完成相互转换。这两个指标意味着代谢物和酶的 浓度的变化信息能够很快的传递给整个网络,使得整 个菌种能够迅速的对外界环境的变化作出反应。 3.1.2. 无标度网络 代谢网络节点度的概率密度函数为 p(k) = ak–r, 其中 a与k为常数,幂指数 r约为 2.2。符合这一条件 即为无标度网络。无标度网络的关键节点控制着整个 网络的结构,使得网络对随机改变(如突变、环境的变 化等)有很强的鲁棒性[15]。Ma 和Zeng 的研究表明所 有代谢网络的中心节点相似[7],它们控制着网络的整 体结构。鉴于本文研究目的的不同,所构建的代谢网 络中节点除了表示代谢物外,还包含了反应信息,以 便筛选靶标信息。对 Eca SCRI1043代谢网络的节点 度分布取对数后进行统计分析(节点度参数见附录 1), 节点度分布符合公式:p(k) = 1324.778 k–2.233。Eca SCRI1043 代谢网络节点度的幂指数为 2.233,符合无 标度网络的幂律分布(见图2)。 从图中可以看出,连接度高的节点数目较少,绝 大多数节点的连接度都较低,也就是说,少数连接度 高的节点连接着为数众多的节点,这些高连接度的节 点控制着整个网络的结构,对维持网络的稳定性起着 重要的作用。 3.2. 靶标筛选 在对胡萝卜软腐欧文氏菌进行靶标筛选时,首先 筛选网络中节点的度和中介性都大于均值的节点,得 到111个候选酶。之后对这 111 个酶进行 TTD 数据库 筛选,得到 44 个候选靶标。随后用 FBA 验证这 44 个候选靶标对胡萝卜软腐欧文氏菌的生存是否重要, 得到 6个对菌种维持生命所必须的靶标(见表 2)。 Figure 2. Degree distribution of the metabolic network of Eca SCR I1043 图2. Eca SCRI1043代谢网络的度分布 Table 2. Information of potential targets 表2. 潜在靶标信息 酶号 名称 TTD中靶标状态 2.3.1.41 Beta-ketoacyl-ACP synthase Research target 2.4.1.227Glycosyltransferase MurG Research target 2.5.1.31 Undecaprenyl pyrophosphate synthetase Research target 2.5.1.9 Riboflavin synthase Research target 2.7.1.33 Pantothenate kinase Research target 3.1.3.1 Alkaline phosphatase Successful target 潜在靶标十一异戊二烯焦磷酸酶(酶号 2.5.1.31, 简称 Upps)在PDB数据库中有相似性很高的同源蛋白 的晶体结构,在宿主植物中的没有序列相似性高的同 源蛋白,因此选取Upps 作为潜在靶标,进行下一步 的虚拟筛选工作。 3.3. 靶标 Upps 的同源模建 十一异戊二烯焦磷酸酶 Upps 是由 253个氨基酸 残基组成的单亚基蛋白质。它催化反应的产物 UPP 是细菌细胞壁主要成份肽聚糖生物合成中的重要载 体,功能是运载N-乙酰胞壁酸五肽到细胞膜与N-乙 酰葡萄糖胺结合。作为一个新的潜在的抗生素靶标, 它的催化机制和结构构像得到了深入的研究[16-19],也 有关于基于结构的抑制剂的筛选的报道[18]。 在同源模建中,模板的选择至关重要,对结果的 准确性起着决定性的影响。本文从 PDB数据库中选 Copyright © 2012 Hanspub 4 胡萝卜软腐欧文氏菌代谢网络重构及其在靶标筛选中的应用 取了 Escherichia coli的Upps结构1X06 作为胡萝卜软 腐欧文氏菌Upps 的模板,二者是高度同源蛋白,序 列全同性(Identity)为80.3%,1X06 的晶体结构具有较 高的分辨率(1.9 Å),包含 3个配体小分子,分别为镁 离子,反应底物 IPP 以及 FPP结构类似物FSPP[19], 故1X06 是Eca SCRI1043的Upps 进行同源模建的一 个很好模板。 利用SYBY Figure 4. The homology modeling of Upps in E 图4. Eca SCRI1043中Upps 的同源模建结构图 ca SCRI1043 L-X1.2的同源模建模块 ORCHESTRAR 对E 旋 和ß Upps 与底物 类似 ca SCRI1043的Upps 进行同源模建,模建的结果 采用 Procheck 进行评价,拉氏图结果表明模建蛋白的 主链结构合理:主链二面角 φ、ψ落于中心区域和“可 接受区域”的残基占 100%,绝大多数 φ – ψ角均在正 常范围内,没有落在不允许区域内的残基(图3)。 模建蛋白的结构显示 Upps 是一个主要由 a螺 折叠组成的单体蛋白质分子(图4)。从图4中可以 看到 Upps 的活性口袋是一个狭长的疏水通道,由4 个ß折叠(黄色的条带)和2个a螺旋(红色的螺旋)组成 了一个桶装空间结构。活性口袋中结合的配体小分子 从上到下依次是镁离子,FSPP和IPP。 Asp25 是Upps 的反应催化位点[19], Figure 5. Interactions between Upps and substrate analogue FSPP 图5. Upps与底物类似物 FSPP 的相互作用图 3.4. 对 SCRI1043 Upps 为受 活性。 specs 数据库的虚拟筛选 物FSPP 的相互作用图(图5)显示 Asp25 与FSPP 作用密切,此外可以看出 FSPP的活性部位是焦磷酸 基团,而 Upps 的活性空腔中 Arg29,His42 和Arg76 也是焦磷酸基团作用的位点。 使用 Dock 6.4以同源模建的 Eca 体蛋白质,对 specs 数据库中的 10 万多个化合物 进行初筛,采用 autoMS 产生分子表面,再对活性口 袋部位分子表面的位点进行聚类,并以配体 FSPP 周 围4 Å半径范围内的氨基酸残基来确定口袋部位的球 集。然后用 GRID 获取口袋部位的网格点数据,并对 初筛结构进行打分(Dock 6.4中的对接参数见附录 2), 取打分前 1600 的化合物分子用 Autodock 4.2进行精 筛(Autodock 4.2中的对接参数见附录 3),分子对接的 网格是以配体 FSPP为中心,长宽高分别为 38 Å,20 Å,52 Å,网格间距 0.375 Å,包含了底物结合的全部 空间,取打分前 400位的化合物进行目筛,在目筛时 没有考虑化合物和蛋白的结合能,筛选标准如下:1) 小分子占据和 FPP 尽量相同的结合位置,去掉大部分 露在活性空间外的分子;2) 考虑小分子和活性空间的 亲水和疏水空间及小分子和受体之间的氢键结合情 况。最终得到73 个潜在活性化合物。在后续工作中 可进一步对这些化合物进行生测测实验,鉴定其抑菌 Figure 3. Rmaahcnadrna map of Upps in Eca SCRI1043 图3. Eca SCRI1043中Upps 同源模建的Rmaahcnadrna 图 Copyright © 2012 Hanspub 5 胡萝卜软腐欧文氏菌代谢网络重构及其在靶标筛选中的应用 Copyright © 2012 Hanspub 6 了胡萝卜软腐欧文氏菌的代谢网络,通 分析并结合 TTD 数据库和 FBA成功筛 到6个Eca SCRI1043维持正常生命活动所必须的酶, 为研制杀菌剂提供了潜在的 。 酶s建和,并 73个 潜在的活录 4)。本文的研究表明利用 谢网络和靶标筛选的策略研发农药杀菌剂具有可行 性, 的工作将对筛选物质进行相应的 抑菌试验,以验证其活性。 本文由国家自然科学基 (31071659) 资助。 感谢 ,戢风琴博士和马彬广副教授的悉心 导。 献 (References) [1] 远方, 屈淑平, 崔崇士. 一株新的胡萝卜软腐欧文氏菌 离和鉴定 44(2): 136-140. 杀菌剂对胡萝卜软腐欧文氏 菌的毒力测定[J]. 长江大学学报(自然版), 2010, 7(3): 3-5. s. Proceeding ation and analysis of genome-scale metabolic r various ic networks. 782. drug discovery. d models: ues to model RNA—small m olecule Complexes. RNA, 2009, mated docking with selective receptor le organization of metabolic networks. Nature, 2000, probed by substrate analogues. Biochemical ics simulations to identify rarely sampled ligand-bound ential activities against Helicobacter pylori and , 4. 结论 本文重构 过拓扑结构选 o 作用靶标 并对其中的 Upp 进行了同源模虚拟筛选 获得了 性杀菌剂(见附 下一步 到的活性 5. 致谢 金 靶IE 代[ 张红雨教授指 fl 参考文 的分 a [J]. 微生物学报, 2004, [2] 雷玉明, 张建朝, 邢会琴. 几种 conf [3] B. Elhanan, K. Martin, W. Marcus, et al. Large-scale reconst ru cti on and phylogenetic analysis of metabolic environment of the National Acade my of Science USA, 2008, 105(38): 14482- 14487. [4] K. Arakawa, Y. Yamada, K. Shinoda, et al. GEM System: Automatic prototyping of cell-wide metabolic pathway models from genomes. BMC Bioinformatics, 2006, 7: 168. [5] J. W. Pinney, M. W. Shirley, G. A. McConkey, et al. metaSHARK: Software for automated metabolic network prediction from DNA sequence and its application to the genomes of Plasmodium falciparum and Eimeria tenella. Nucleic Acids Research, 2005, 33(4): 1399-1409. [6] C. S. Henry, M. DeJongh, A. A. Best, et al. High-throughput generation, optimiz models. Nature Biotechnology, 2010, 28(9): 977-984. [7] H. Ma, A. P. Zeng. Reconstruction of metabolic networks from genome data and analysis of their global structure fo rganisms. Bioinformatics, 2003, 19(2): 270-277. [8] M. Huss, P. Holme. Currency and commodity metabolites: Their identification and relation to the modularity of metabol T Systems Biology, 2007, 1(5): 280-285. [9] 王卓, 陈琦, 刘雷. 代谢网络进化过程中拓扑结构与功能之 间的关联[J]. 科学通报, 2009, 54(5): 776- 10] F. Zhu, Z. Shi, C. Qin, et al. Therapeutic target database update 2012: A resource for facilitating target-oriented Nucleic Acids Research, 2012, 40(D1): D1128-1136. [11] J. Schellenberger, R. Que, R. M. Fleming, et al. Quantitative prediction of cellular metabolism with constraint-base The COBRA toolbox v2.0. Nature Protocols, 2011, 6(9): 1290- 1307. [12] P. T. Lang, S. R. Brozell, S. Mukherjee, et al. DOCK 6: Combining techniq 15(6): 121 9-1230. [13] G. M. Morris, R. Huey, W. Lindstrom, et al. AutoDock4 and AutoDockTools4: Auto exibility. Journal of Computational Chemistry, 2009, 30(16): 2785-2791. [14] H. Jeong, B. Tombor, R. Albert, Z. N. Oltvai and A. L. Barabási. The large-sca 407(6804): 651-654. [15] S. H. Strogatz. Exploring complex networks. Nature, 2001, 410 (6825): 268-276. [16] Y.-P. Lu, H.-G. Liu, K.-H. Teng, et al. Mechanism of cis-prenyl- transferase reaction nd Biophysical Research Communications, 2010, 400(4): 758- 762 [17] W. Sinko, C. Oliveira, S. Williams, et al. Applying molecular dynam ormational states of undecaprenyl pyrophosphate synthase, an antibacterial target. Chemical Biology & Drug Desigh, 201 1, 77 (6): 412-420 [18] C. J. Kuo, R. T. Guo, I. L. Lu, et al. Structure-based inhibitors exhibit differ Escherichia coli undecaprenyl pyrophosphate synthases. Journal of Biomedicine and Biotechnology, 2008: Article ID 841312. [19] R. T. Guo, T. P. Ko, A. P. Chen, et al. Crystal structures of undecaprenyl pyrophosphate synthase in complex with magnesium lsopentenyl pyrophosphate, and farnesyl thiopyrophosphate: Roles of the metal ion and conserved residues in catalysis. The Journal of Biological Chemistry, 2005, 280(21): 20762-20774. 胡萝卜软腐欧文氏菌代谢网络重构及其在靶标筛选中的应用 附录 1:Eca 代谢网络的连接度统计数据 Degree Number of nods 1 232 2 674 3 212 4 130 5 45 6 38 7 21 8 17 9 10 10 10 11 4 12 5 13 2 14 5 15 0 16 3 17 1 18 0 19 3 20 1 21 0 22 0 23 0 24 1 25 0 26 1 27 0 28 1 附录 2:Dock 6.4中的对接参数 ligand_atomol2 ile ted_spheres.sph g eres exp 12 min_anchor_size 40 pruning_use_clustering yes pruning_max_orients 100 0 er_score_cutoff 25.0 o ndary no ry no d_scale 1 ry no ry no no ondary no rs nverge verge .0 ions ions premin_iterations in no AMBER_p 9.defn x.defn _drive.tbl kout ions nformers max_ranked_ligands 1600 _file specs.m limit_max_ligands no skip_molecule no read_mol_solvationno calculate_rmsd no use_database_filter no orient_ligand yes automated_matchingyes receptor_site_f selec max_orientations 500 critical_points no chemical_matchinno use_ligand_sphno use_internal_energy yes internal_energy_rep_ flexible_ligand yes pruning_clustering_cutoff 10 pruning_conform use_clash_overlap n write_growth_tree no bump_filter no score_molecules yes contact_score_primary no contact_score_seco grid_score_primary conda yes grid_score_se grid_score_rep_ra grid_score_vdw_scale 1 grid_score_es_scale ix 1 grid_score_grid_prefgrid dock3.5_score_seconda continuous_score_seconda gbsa_zou_score_secondary secgbsa_hawkins_score_ amber_score_secondaryno minimize_ligand yes minimize_anchor yes minimize_flexible_growth yes use_advanced_simplex_parameteno simplex_max_cycles 1 simplex_score_co0.1 simplex_cycle_con1.0 simplex_trans_step 1.0 simplex_rot_step 0.1 simplex_tors_step 10 simplex_anchor_max_iterat500 simplex_grow_max_iterat500 simplex_grow_tors_0 simplex_random_seed 0 simplex_restraint_m atom_model all vdw_defn_file vdw_ arm9 flex_defn_file fle flex_drive_file flex ligand_outfile_prefix doc write_orientatno num_scored_co1 rank_ligands yes Copyright © 2012 Hanspub 7 胡萝卜软腐欧文氏菌代谢网络重构及其在靶标筛选中的应用 odock 4.2中的对接 dock_parameter.2 # usate paramet e r se # diagnostic output level # calculate internal electrostatics DPF> ime # seeds for random generator or.maps.fld eptor.HD.map A.map p ap p 8 or random (relative) or random 0000 ; max number of retries ze 150 lation als 2500000 energy evaluations tions 27000 generations t generation 0.02 pha 0.0 y distribution meters for GA or LGA rations of Solis & Wets local search o rho 1.0 06 dividual ters el bound A-LS runs 附录 3:Aut 参数 DPF> auto_versi on 4ed by autodock to validt DPF> outlev 1 DPF> intelec seed pid t DPF> ligand_types HD OA # atoms types in ligand DPF> fld recept# grid_data_file DPF> map rec# atom-specific affinity map DPF> map receptor.O# atom-specific affinity map DPF> elecmap receptor.e.ma# electrostatics map DPF> desolvmap recept o r.d.m# desolvation ma DPF> move ligand.pdbqt # small molecule DPF> about 0.378 0.6623 0.64# small molecule center DPF> tran0 random # initial coordinates/A DPF> axisangle0 random # initial orientation DPF> dihe0 random # initial dihedrals DPF> tstep 2.0 # translation step/A DPF> qstep 50.0 # quaternion step/deg DPF> dstep 50.0 # torsion step/deg DPF> torsdof 0 # torsional degrees of freedom DPF> rmstol 2.0# cluster_tolerance/A DPF> extnrg 1000.0 # external grid energy DPF> e0max 0.0 1# max initial energy DPF> ga_pop_si# number of individuals in popu DPF> ga_num_ev# maximum number of DPF> ga_num_genera# maximum number of DPF> ga_elitism 1 # number of top individuals to survive to nex DPF> ga_mutation_r a t e # rate of gene m ut ati on DPF> ga_crossover_rate 0.8 # rate of crossover DPF> ga_window_size 10 # DPF> ga_cauchy_al# Alpha parameter of Cauchy distri b ut i on DPF> ga_cauchy_beta 1.0 # Beta parameter Cauch DPF> set_ga # set the above para DPF> sw_max_its 300 # ite DPF> sw_max_succ 4 # consecutive successes before changing rh DPF> sw_max_fail 4 # consecutive failures before changing DPF> sw_rho # size of local search space to sample DPF> sw_lb_rho 0.01 # lower bound on rho DPF> ls_search_freq 0.# probability of performing local search on in DPF> set_psw1 # set the above pseudo-Solis & Wets parame DPF> unbound_mod# state of unbound ligand DPF> ga_run 10 # do this many hybrid G DPF> analysis # perform a ranked cluster analysis Copyright © 2012 Hanspub 8 胡萝卜软腐欧文氏菌代谢网络重构及其在靶标筛选中的应用 附虚拟筛 化合物 录4:选获得的 73 个候选 idnumberfologp logsname 7257007 C14.41-4.273 1-phenyl-5-{5-[4 azole AK-968/11369248 C17H18N2O5S2.37-3.799 N-{4-[(acetylamino)sulfonyl]phenyl}-4-ethoxybenzamide henyl}-1,3,4-thiadiazol-2-yl)-2-[(5-methyl-4H-1,2,4-triazol-3-yl)sulfanyl]acetami rmula AG-401/3 7H10F3N5O-(trifluoromethyl)phenyl]-4-isoxazolyl}-1H-tetra d AG-690/15433317 C13H11N7O3S22.63-3.136 N-(5-{4-nitrop AG-690/15435795 C23H23NO54.43-5.766 2-(4-methylphenyl)-2-oxoethyl 2-(1,3-dioxo-1,3-dihydro-2H-isoindol-2-yl)hexanoate AG-690/15436763 C16H12BrNO2S4.22-5.855 N-(3-bromophenyl)-2-naphtha lenesulfonamide AG-690/15436768 C20H23NO2S4.57-5.994 N-(2-adamantyl)-2-naphthalenesulfonamide AG-690/15437728 C21H22N2O3S4.21-4.807 N-(2,4-dimethylphenyl)-2-(1,3-dioxo-1,3-dihydro-2H-isoindol-2-yl)-4-(methylsulfanyl)butanamid AG-690/15440295 C18H21ClN2O3S3.88-5.478 N-(4-chlorophenyl)-2-[4-isopropyl(methylsulfonyl)anilino]acetamide AG-690/15442007 C18H20N4O23.76-4.136 N-[2-(4-methoxyphenyl)-6-methyl-2H-1,2,3-benzotriazol-5-yl]-2-methylpropanamide AG-690/40135635 C16H12N2O3S3.76-4.646 2-{[(6-methyl-1,3-benzot hiazol-2-yl)amino]carbonyl}benzoic acid AE-641/40790040 C20H17N3O3S4.1-5.408N-(1,3-benzothiazol-2-yl)-2-(1,3-dioxo-1,3-dihydro-2H-isoindol-2-yl)-3-methylbutanamide AK-105/40832021 C17H14Cl2N25.41-5.997 N-(2,4-dichlorobenzylidene)-N-[2-(1H-indol-3-yl)ethyl]amine AG-670/40725019 C21H25N3O2S6.16-5.993 4-tert-butyl-N-(4-{[(propionylamino)carbothioyl]amino}phenyl)benzamide AH-487/40936238C18H14BrFN2O43.17-5.763 5-{2-bromo-4-[(2-fluorobenzyl)oxy]-5-methoxybenzylidene}-2,4-imidazolidinedione AH-487/40935573 C23H18N2O3S25.61-6.321 4-{[5-[(3-methyl-2-thienyl)methylene]-4-oxo-2-(phenylimino)-1,3-thiazolidin-3-yl]methyl}benz o AK-918/40909289 C23H21NO44.2-4.508 4-methylphenyl 4-(3,5-dioxo-4-azatricyclo[5.2.1.0~2,6~]dec-4-yl)benzoate AG-205/41004595 C18H15NO5S1.57-1.626 6-(ethylsulfonyl)-3-(2-oxo-2-phenylethylidene)-3,4-dihydro-2H-1,4-benzoxazin-2-one AG-205/41006043 C12H11Cl2N5O2S2.01-3.261 2-[(4-amino-6-methyl-5-oxo-4,5-dihydro-1,2,4-triazin-3-yl)sulfanyl]-N-(3,4-dichlorophenyl)acet a AG-205/41005081 C20H15BrF3N5O3S3.82-6.517 methyl 4-[({[4-[(4-bromobenzylidene)amino]-5-(trifluoromethyl)-4H-1,2,4-triazol-3-yl]sulfanyl} a AG-670/40987986 C18H19NO43.85-5.166 methyl 2-[(4-isopropoxybenzo yl)amino]benzoate AG-670/41019316 C22H21NO34.72-6.054 4-(benzyloxy)-N-(4-ethoxyphenyl)benzamide AG-670/41011160 C18H16ClN3O3S1.94-4.954 2-{2-[(2-chlorophenyl)imino]-4-hydroxy-2,5-dihydro-1,3-thiazol-5-yl}-N-(4-methoxyphenyl)acet AG-205/10365003 C18H19N3O9S2.41-4.39 2-{2-[2-nitro-4-({3-nitrophenyl}sulfonyl)anilino]ethoxy}ethyl acetate AE-848/11421830 C17H19NO3S4.86-5.3 ethyl 5-ethyl-2-[(3-methylbenzoyl)amino]-3-thiopheneca rboxylate AG-690/11763413 C16H20N2O43.6-2.837 2-{[4- (acetylam ino)anilino]carbonyl}cyclohexanecarboxylic acid AK-968/11840063 C18H16ClN3O2S2.59-4.18 2-(5-chloro-2-thienyl)-N-(4-morpholinyl)-4-quinolinecarboxamide AK-968/11842268 C20H16N2O22.6-4.272N-(4-pyrid inylmet hyl)-9H-xanthene-9- carboxamide AK-968/11842323 C19H17ClN2O2S3.94-5.42 2-(5-chloro-2-thienyl)-N-(tetrahydro-2-furanylmethyl)-4-quinolinecarboxamide AK-968/11986087 C22H19N3OS5.95-6.577 N-(4,6-dimethyl-2-pyridinyl)-2-(5-methyl-2-thienyl)-4-quinolinecarboxamide AJ-030/12105040 C19H16Cl2N2O23.95-6.044 4-{1-[(4-chlorobenzyl)amino]propylidene}-2-(4-chlorophenyl)-1,3-oxazol-5(4H)-one AK-918/13399079 C18H11Cl2NO34.29-5.336 2-(4-chloro phe n y l)-2-o x o e thy l 2-ch lor o - 4-q uinolinec a r bo x y late AJ-916/14717070 C22H15ClN2O53.99-5.024 ethyl 1-(4-chlorophenyl)-4-[(2-oxo-2H-chromen-3-yl)carbonyl]-1H-pyrazole-3-carboxylate AA-516/25012196 C18H13ClN2O3S25.42-6.592 2-[({[(3-chloro-1-benzothien-2-yl)carbonyl]amino}carbothioyl)amino]-5-methylbenzoic acid AJ-916/37249013 C19H13N3O2S4-4.15 1-[4-(1,3-benzothiazol-2-ylcarbonyl)-1-phenyl-1H-pyrazol-3-yl]ethanone AG-690/15436747 C14H16N2O3S1.49-3.066 N'-i sobutyryl-2 -naphth alenesulfonohydrazide AK-105/40836215 C18H25N3O33.69-4.777 3-[(1-pyrrolidinylcarbonyl)amino]phenyl cyclohexylcarbamate AF-399/40857327 C23H31N3OS3.79-5.805 N-[(4-benzyl-1-piperazinyl)carbothioyl]-1-adamantanecarboxamide AH-487/40935978 C19H16ClN3O3S5.32-5.759 4-[(anilinocarbonyl)amino]-N-(4-chlorophenyl)benzenesulfonamide AF-407/40919041 C14H14ClN5O4S1.22-2.664 3-(4-amino-3-{[2-(4-chloroanilino)-2-oxoethyl]sulfanyl}-5-oxo-4,5-dihydro-1,2,4-triazin-6-yl)pr o AG-670/41011459 C16H12BrN3O3S24.72-6.64 methyl 5-({[(3-bromobenzoyl)amino]carbothioyl}amino)-4-cyano-3-methyl-2-thiophenecarboxyl a AK-968/11968312 C21H15BrN2O25.57-6.601 N-[2-(4-bromophenyl)-1,3-benzoxazol-5-yl]-2-phenylacetamide AJ-916/13004022 C17H13BrN2O3S4.57-5.579 ethyl 1-(4-bromophenyl)-4-(2-thienylcarbonyl)-1H-pyrazole-3-carboxylate AH-484/31178007 C24H18N4O2S5.7-7.2283-oxo-3-phenyl-2-(phenylhydrazono)-N-(4-phenyl-1,3-thiazol-2-yl)propanamide AG-205/15424639 C18H14N4O44.17-5.774 5-{4-nitrophenyl}-2-furaldehyde N-phenylsemicarbazone AK-105/40690081 C15H11N3O31.9-2.7722-[(1H-be nzimidazol-1-ylamino)carbonyl]benzoic acid AK-105/40837666 C18H25N3O33.76-3.888 tert-butyl 2-tert-butyl-2-(1H-indol-2-ylcarbony l) hydrazinecarboxylate AG-670/40725010 C17H16ClN3O2S5.08-4.75 3-chl oro-N-( 3-{ [( propi onyl am in o)car both ioy l]a mi no}p henyl ) benz ami de AK-918/40711603 C18H18N2O4S1.96-2.785 (2-{2-[(4- m eth y lp henyl)s u lf ony l ]ethyl}-1 H-b enzim id azo l- 1 - yl)acet ic acid AG-670/40765640 C20H18ClN3O4S3.74-3.484 2-[({2-[(4-chlorophenyl)imino]-4-oxo-1,3-thiazolidin-5-yl}acetyl)amino]-4-methylphenyl acetat e AH-487/40785762 C20H18ClN3O3S5.26-6.331 4-[(anilinocarbonyl)amino]-N-(3-chloro-2-methylphenyl)benzenesulfonamide AG-670/40910925 C18H19ClN2O25.28-5.011 N-[3-(butyrylamino)phenyl]-2-chloro-4-methylbenzamide AE-848/40939019 C17H14N4O3S22.58-2.999 4-{[3-oxo-3-(2-thienyl)-1-propenyl]amino}-N-(2-pyrimidinyl)benzenesulfonamide AG-205/41004875 C21H13FO44.38-5.19 2-(4-fluoro-3-phenoxyphenyl)-3-hydroxy-4H-chromen-4-one AG-205/41005840 C20H27N3O44.37-6.386 N~1~,N~4~-dicyclohexyl-2-nitroterephthalamide AG-205/41005473 C11H11Cl2N5OS2.82-2.963 2-[(4-amino-5-methyl-4H-1,2,4-triazol-3-yl)sulfanyl]-N-(3,4-dichlorophenyl)acetamide AG-205/41005631 C20H27N3O21.77-3.902 3-(1-piperidinyl)-1-[4-(1-piperidinyl)phenyl]-2,5-pyrrolidinedione AG-205/41005649 C21H26N2O4S3.02-5.354 4-[(4-methyl-1-piperidinyl)sulfonyl ]-N-(2-phenoxyethyl )benzamide AG-205/41005732 C13H11NO6S1.47-2.925 2-hydroxy-5-[(4-hydroxyanilino)sulfonyl]benzoic acid AH-487/41033649 C17H12N4OS4.75-5.635 N-(1,2,3-benzothiadiazol-5-yl)-N'-(2-naphthyl)urea AH-487/41034388 C21H23N5O2.91-4.671 N-(2,3-dimethyl-6-quinoxalinyl)-4-phenyl-1-piperazinecarboxamide AH-487/41034721 C18H18N4O24.17-4.343 N-(2,3-dimethyl-6-quinoxalinyl)-N'-(3-methoxyphenyl)urea AG-670/41065165 C18H13ClN4O2S1.67-4.722 2-{2-[(2-chlorophenyl)imino]-4-hydroxy-2,5-dihydro-1,3-thiazol-5-yl}-N-(2-cyanophenyl)aceta m AE-641/10061047 C24H28N2O35-6.615ethyl 2-[(4-tert-butylbenzoyl)amino]-3-(1H-indol-3-yl)propanoate AK-968/11986066 C17H15NO3S3.43-4.807 4-methoxy-N-(2-naphthyl)benzenesulfonamide AJ-916/13841080 C22H17N3O34.2-5.3244-(2-furoyl)-1-(4-methylphenyl)-N-phenyl-1H-pyrazole-3-carboxamide AJ-916/12583126 C17H9Cl2NO34.72-4.978 [3-(4-chlorobenzoyl)-4-isoxazolyl](4-chlorophenyl)methanone AG-690/33057026 C23H17NO2S25.84-6.685 3-benzyl-5-(3-phenoxybenzylidene)-2-thioxo-1,3-thiazolidin-4-one AH-487/40936647C17H17Cl3N2O3S2N-{2-[(4-chlorophenyl)sulfanyl]ethyl}-2-[2,3-dichloro(methylsulfonyl)anilino]acetamide AJ-916/13841085 C21H14ClN3O31-(4-chlorophenyl)-4-(2-furoyl)-N-phenyl-1H-pyrazole-3-carboxamide AH-487/40936196C20H18N2S2N-phenyl-N'-{4-[(phenylsulfanyl)methyl]phenyl}thiourea AJ-916/13841092 C22H17N3O2S1-(4-methylphenyl)-N-phenyl-4-(2-thienylcarbonyl)-1H-pyrazole-3-carboxamide AG-205/41006072C17H14N4O34-[(3,4-dihydroxybenzylidene)amino]-3-methyl-6-phenyl-1,2,4-triazin-5(4H)-one AG-205/41005325 C15H19N5O3SN-{4-[(2-methyl-1-piperidinyl)sulfonyl]phenyl}-1H-1,2,4-triazole-3-carboxamide Copyright © 2012 Hanspub 9 |