邹庆 张骥

【摘 要】運用计算机模拟的方法，基于非锌螯合的基质金属蛋白酶MMP-13活性分子，首先构建多个药效团模型，再使用模型对天然产物数据库进行虚拟筛选，然后利用分子对接的方法对目标分子的抑制原理进行分析和评价，发现靶标MMP-13潜在的天然产物抑制剂。

【关键词】基质金属蛋白酶;非锌螯合;药效团;虚拟筛选

【中图分类号】R563.1 【文献标识码】B 【文章编号】1002-8714（2020）03-00-02

骨关节炎（OA）是一种退化性关节疾病，其特征是关节软骨的损失不断增加，导致慢性疼痛和活动能力下降[1]。传统的给药途径不能直接将药物靶向关节软骨。因此，有必要开发一种持续性的减少或逆转软骨破坏的药物。基质金属蛋白酶（MMPs）是锌依赖性内肽酶，具有20多种金属蛋白酶成员，这些成员参与细胞迁移过程中细胞外基质的降解，被认为是有前景的OA治疗靶标[2]。然而广谱MMPs抑制剂常受到肌肉骨骼综合症（MSS）的疼痛副作用的限制。MSS是由于非选择性地抑制多种MMP造成的。NMR和X射线结构表明，MMP在S1'口袋中有显著差异，特别是MMP-13具有最大的S1'特异性口袋，因此利用此特性设计选择性的MMP-13抑制剂非常有意义。本研究首先从文献中搜集选择性MMP-13抑制剂。随后，我们构建了多个药效团模型，并通过严格的标准进行验证。接下来，进行虚拟筛选，将药效团模型与分子对接相结合，从中筛选出选择性的MMP-13抑制剂。

1.1药效团的构建与验证

我们从不同的文献中收集了20种结构多样化的MMP-13抑制剂[3-5]，其中9种被选作训练集以构建药效团模型，11种活性化合物包括在测试集中。使用DS 3.0软件的HipHop程序，只用少数选择性MMP-13非锌螯合抑制剂就可以获得多种合理的药效团模型。训练集中的分子被单独或者组合用来提取共同特征，HipHop程序根据各个模型的排名分数和最佳拟合值选择最佳模型。测试集可以评估药效团模型的质量好坏。通过使用测试集分别计算每个模型的敏感性（sensitivity）和特异性（specificity），我们可以定量评估药效团模型的质量。其中两个指标均大于0.5的药效团模型予以保留。

1.2虚拟筛选

AnalytiCon Discovery是全球领先的天然产物数据库使用DS 3.0的Ligand Profiler模块对AnalytiCon Discovery数据库进行虚拟筛选。首先按照Lipinski成药五规则对数据库进行初筛，然后使用经验证的药效团模型进行并行筛选。最后，对这些具有成药性的化合物进行分子对接筛选。

2.1药效团模型的构建与验证

利用9种活性MMP-13抑制剂进行两两组合提取共同特征，产生多个药效团模型。将测试集分子用来评估以上药效团模型，最后一共有3个药效团模型能够满足特异性与敏感性均大于0.5。这3个药效团模型均能在识别出活性分子的同时又辨别出非活性分子。

2.2天然数据库的筛选

分别使用3个经过验证的药效团模型作为提问结构来搜索AnalytiCon Discovery数据库。首先，使用Lipinski五规则筛选数据库中的5152种天然产物，总共获得4473个分子。然后使用上一节的3个药效团模型搜索刚才得到的类药性分子。3个模型分别筛选数据库得到172，143和138个化合物。接下来，保留fitvalue大于 0.7的化合物， 368个天然产物将进行最终的分子对接筛选。

2.3分子对接

将之前得到的368个化合物进行分子对接筛选，以进一步排除假阳性化合物。对接完成后，要求构象稳定外，以及化合物与MMP-13蛋白间结合充分。按以上条件，我们最终筛选出了4个有潜在活性的MMP-13非锌螯合的天然产物抑制剂。

在理论上对这4个天然产物进行相互作用机理的研究。四种天然产物在进入MMP-13的S1'口袋的同时，又没有与催化锌离子螯合，而且都与残基形成了两到三个氢键和π-π作用。因此，它们能特异性地抑制MMP-13，可以作为MMP-13非锌螯合抑制剂进行下一步的优化与改造。

结论：本文首先基于配体构建并验证得到了3个药效团模型，经过药效团与类药性筛选，从天然数据库得到368个分子进行分子对接研究。最终得到4个骨架全新的MMP-13非锌螯合抑制剂分子，将来用于进一步的结构修饰与研究。

参考文献

[1] Buckwalter JA， Martin JA， Osteoarthritis， Advanced Drug Delivery Reviews 58： 150-167， 2006.

[2] Neuhold LA， Killar L， Zhao W， Postnatal expression in hyaline cartilage of constitutively active human collagenase-3 （MMP-13） induces osteoarthritis in mice， J Clin Invest 107： 35-44， 2001.

[3] Yang S-Y， Pharmacophore modeling and applications in drug discovery： challenges and recent advances， Drug Discovery Today 15： 444-450， 2010.

[4] Yessica KG， Sean M， Flexible CDOCKER： Development and application of a pseudo-explicit structure-based docking method within CHARMM， J Computational Chemistry 37： 753-762， 2016.

[5] Engel CK， Pirard B， Structural basis for the highly selective inhibition of MMP-13， Chemistry & Biology 12： 181-189， 2014.