草莓av|日本高清视频色视频免费|婷婷丁香五月
<dd id="2go2i"><input id="2go2i"></input></dd>
  • <dd id="2go2i"><u id="2go2i"></u></dd>
  • Cresset的核心技術

    Cresset的核心技術

    Cresset應用程序基于堅實的科學,提供您可信賴的結果。我們的目標是幫助您發現、設計和優化最好的分子。我們相信計算方法能幫助我們更好地理解化學結構和蛋白質的性質和行為。優秀的科學是我們所做的一切的核心,我們總是優先考慮科學的嚴謹性而不是易用性和更快的運行時間。

    Cresset技術簡介

    Cresset技術集中于XED力場在設計新的小分子生物活性化合物中的應用。XED方法通過復雜的原子描述來模擬遠離原子中心的電荷,從而改進了傳統的分子力學。這使得能夠更詳細地描述靜電并優異地重現分子間相互作用。XED力場由Andy Vinter博士開發,在Cresset改進,它正確地模擬了取代基對芳香族化合物的效應、復雜芳香族化合物中電荷密度的變化以及小分子、水和蛋白質之間的分子間相互作用。

    用XED力場計算靜電

    分子識別的最重要影響因素是靜電,但它也受形狀和疏水性的影響。Cresset方法將配體或蛋白質周圍的靜電環境描述為分子相互作用電勢(MIP)或場。MIP可以描述配體與蛋白間的所有能量上重要的相互作用、用于觀察MIP或蛋白質,提供了為什么一些配體比其它配體結合更強的清楚見解。用靜電而不是結構來描述分子使我們能夠靈活地比較不同系列的分子。

    靜電相似性的計算用于小分子的發現

    Cresset擁有比較兩個分子間相互作用勢并計算相似性的專利方法。場相似性可用于:

    • 設計新的分子
    • 骨架躍遷在化學空間中發現新的區域
    • 理解并破譯SAR
    • 找到新的先導化合物結構

    XED力場

    Cresset聚焦于用靜電來描述分子。為了使其有效,靜電模型必須是精確的。量子力學計算可以給出非常精確的靜電勢,但是在大多數情況下仍然太慢。因此,需要一種在分子力學環境中計算靜電勢的精確方法。

    大多數標準力場使用原子中心電荷(ACC)近似來處理:分子的靜電由放置在原子核上的一組點偏電荷(point partial charge)來近似處理。計算這些偏電荷的方法很多(Gasteiger-Hückel,AM1-BCC等), 但基本模型是每個原子一個點電荷。該方法可以很好地處理總的長程靜電勢(例如偶極矩),但是在描述分子表面附近的靜電勢時表現較差。這是因為原子不是帶電的球體:它們有孤對電子,π 軌道,Sigma洞(Sigma hole)等等。此外,原子和分子是可極化的,并且對外部電場產生響應并改變靜電行為。ACC模型不包括這些影響中的任何一個。諸如AMOEBA之類的較新的力場通過在原子上放置顯式多極和極化函數來解決這個問題,這確實給出了更真實的靜電勢。雖然這些力場在蛋白質上表現良好,但是存在參數可遷移的問題,這使得它們在很大程度上不適合于配體的模擬。

    苯與丙酮的XED模型及其外加的點電荷

    苯與丙酮的XED模型及其外加的點電荷

    XED力場是解決這些靜電問題的第一個主要嘗試者,它并不是通過在原子上放置顯式多極(explicit multipoles),而是通過在原子周圍放置額外的單極(monopoles)。該技術最初由Hunter和Sanders[1]引入以模擬芳香-芳香相互作用,并由Cresset的創始人Andy Vinter(JCAMD 1994)[2]擴展到完全通用的力場中。

    附加單極點或XEDS(擴展電子分布),在力場內被處理為具有零范德華半徑的原子。它們沒有被放置在相對于它們的母原子的剛性幾何形狀中。相反,它們具有鍵拉伸和角彎曲電勢,并且可以在外部(和分子內)靜電電勢的影響下移動,從而允許對極化率進行直接建模。更復雜的內部靜電模型允許在不引入特定扭轉參數的情況下對分子內靜電/軌道相互作用(例如,同系物效應)進行建模:同系物效應自然地落在靜電模型之外,并且不需要在之后添加。

    已經證明XED力場為芳香-芳香相互作用的能量提供了優異的定量結果。Cresset的學術合作者使用XED模型來研究和預測特定的分子間相互作用。例如,Chris Hunter教授使用NMR和計算化學(取代基對芳族堆疊相互作用的影響)研究了一系列二芳基酰胺的二聚體。他發現XED模型精確地預測了實驗觀察到的結合常數。

    二芳基酰胺二聚體及其結合常數

    二芳基酰胺二聚體(左)與實驗觀測到的結合常數

    芳香族相互作用的優良模型用于設計連接膠原模擬纖維的芳族”拉鏈”(血栓形成的膠原模擬肽:由疏水性相互作用驅動的三重螺旋基纖維的自組裝)。

    XED力場提供了苯基和五氟苯基相互作用定性和定量的正確結果

    XED力場提供了苯基和五氟苯基相互作用定性和定量的正確結果

    在過去20年中XED力場經歷了多次改進。與大多數其它力場不同,XED力場盡可能地用實驗數據(微波構象能量、小分子晶體結構等)進行參數化,而不是完全依賴于從頭計算。2012年發布的XED3提供了對氮的改進處理,以及許多其他方面的增強。XED 3力場不再需要為三角形或四面體氮分配單獨的原子類型,而是在計算中確定適合于任何給定分子環境的金字塔化程度,從而允許從完全平坦的N到完全金字塔的N的連續體。此外,XED 3改進了對鹵素的描述,正確地描述了較重鹵素中的”σ 孔”(Sigma hole)并給出了良好的鹵素鍵合結果。Cresset將持續在此基礎上進行開發和改進力場。

    用XED模擬取代苯的靜電

    計算場并用于評估分子間相互作用

    Cresset的3D配體相似性技術基礎是:用分子靜電相互作用電勢(molecular electrostatic interaction potentials,MIPs)或場(Field)來比較分子。分子的MIP是標量場,空間中每個點的值是帶電探針原子(具有范德華參數的氧)與分子的相互作用能,是使用XED力場計算的。由于分子內部的相互作用能定義得很差,所以在范德華相互作用能為正且大于靜電能絕對值的任何地方將場值設置為零。

    處理全部的3D標量勢在計算上是很困難的。您可以采集網格上的值,但是會遇到測量尺度差異(Gauge variance)以網格間距等問題從而導致不可再現性。相反,Cresset所做的是詢問”最大/最小場在哪里?”,每個這樣的極值被稱為“場點”(Field point),并且對于任何給定的分子構象,場點的集合是唯一的。場點通常被顯示為彩色球體,其中每個場點的可視范圍由場的大小確定,場越強則球越大。這讓你一眼就能看到分子在哪里可以與另一個分子產生局部最大的靜電作用。論文《Molecular Field Extrema as Descriptors of Biological Activity: Definition and Validation[3]詳細介紹了場的定義和計算場點位置的算法。

    PDB 1UDT提取出西地那非的場點

    從PDB 1UDT提取出的西地那非的分子場點

    作為XED力場開發的一部分Cresset的場已被驗證過,并且一直與小分子晶體結構的實驗數據進行了廣泛地比較。氫鍵供體和受體在官能團周圍的分布是相互作用勢的良好代表,并且計算獲得的場點模式與該信息一致。場對于描述芳香體系的性質也是特別有用的(建立在XED力場對這些性質極好描述的基礎上):芳香環周圍的場表面含有大量的信息,包括電子的富/缺信息、電荷密度的排列方式,π-堆積相互作用的強度等等。下圖展示了幾個環的實驗數據。

    Isostar plot of oxazole, pyridine, fluorobenzene.

    Isostar plot of oxazole, pyridine, fluorobenzene

    無論何時,正確地處理形式電荷狀態對分子的靜電描述是至關重要的。 Cresset有一套復雜的基于規則的系統用于分配形式電荷,雖然不是完整的pKa預測器,但可以正確地給絕大多數類藥分子分配在pH 7時的質子化狀態。然而,僅僅只是分配正確的形式電荷狀態是不夠的。比起中性分子,對離子來說溶劑化要重要得多,因此需要做更多的努力來解決這個問題。我們處理小分子形式電荷的完整算法在博客文章《如何計算帶電分子周圍的靜電環境》中有詳細介紹。

    蛋白的場

    Cresset的場和場點在小分子結構上得到了廣泛的驗證。將該方法擴展到蛋白則更加困難,因為需要更多地關注體系準備、電荷狀態和溶劑化效應。 Flare,我們基于結構的藥物設計平臺,解決了這些問題,特別是通過仔細的蛋白結構準備和基于Mehler改進介電函數[4]的使用。

    所得的相互作用勢(PIP,protein interaction potential,以便將它們與配體MIP區分開)對于分析蛋白質活性位點和確定配體上何處需要改變性質以實現最佳結合是極其有用的-參見算例《比較Btk抑制劑的配體和蛋白靜電勢》。

    4L6與4Z3V蛋白的相互作用勢與靜電場

    配體4L6與4Z3V蛋白相互作用勢的疊加。左上:”干”的活性位點,不包括結晶水分子。右上方:”濕”的活性位點,包括穩定的水分子。底部:配體4L6的場。繪圖方法:蛋白質相互作用勢等值圖isolevel=3; 配體場的等值圖isolevel =2。

    場相似性用于基于配體的設計

    高質量的靜電勢可用這種電荷結構的高級表示來計算,接著就可以用來比較兩個構象間的靜電相似性。你可以通過比較兩個分子的場點來做到這一點,這就產生了一種類似藥效團的技術。然而,更好的解決方案是考慮全部的靜電勢。

    吡啶的靜電場

    完整的靜電勢包含的信息不僅只是氮原子是個受體這個事實

    相似性需要根據潛在的靜電勢來計算,而不僅僅是根據場點來計算。雖然計算困難,但Cresset優雅、高效地解決了這個問題。僅在其中一個構象具有場點的地方比較兩個個分子的場; 讓場計算的數量有限,但是必須確保至少一個構象表明場該是重要的地方(即,在場點處)被計算。完整的算法見Cheeseright等人的文獻(JCIM 2006)[3]。
    相似性打分

    通過在A的場點所在的位置確定B的場勢來計算構象A到構象B的分數。還可以通過計算相反的B到A分數并對兩者取平均值的進行對稱操作獲得綜合打分。然而,僅僅對特定的疊合方式進行評分是不夠的:您需要能夠找到最佳的疊合方式。這是一個困難的全局優化問題。Cresset的解決方案是通過計算兩個構象的場點集合之間的匹配來生成一套初始的疊合:匹配考慮場點類型和所有的場點間距離匹配(在距離容限內)。每個匹配生成一個疊合 (通過3D場點匹配的最小二乘擬合),再根據上述場相似性算法對疊合進行打分。然后,將打分最高的疊合視為這兩個構象的”正確”疊合。

    當然,在許多情況下,不知道分子應該處于哪種構象。如果比較兩種已知的生物活性構象,例如來自蛋白晶體結構,則可以直接用場相似性算法。更常見的情況是其中一個分子具有未知的構象:最好的例子是虛擬篩選-利用查詢分子的3D構象進行搜索,但是不知道被搜索分子的先驗構象是否將是恰當。在這種情況下,進行構象搜索,產生一套表示分子的可及構象空間的構象集。它們中的每一個都與查詢分子進行疊合,并將得分最好的疊合作為分子的整體得分。

    在某些情況下,有必要在不知道任何分子的生物活性構象的情況下比較它們。在這種情況下,計算兩個分子的構象分布,并將第一個分子的每一個構象與第二個分子的每一個構象進行比較。這也是我們FieldTemplatter技術進行藥效團識別的流程。

    場相似性算法是一種快速算法。將一個分子的查詢構象與另一個分子的100個構象比較在單個CPU(1核心)上花費大約1-2秒。這已被證明是非常有效的虛擬篩選。對Cresset相似性算法的性能評估表明,我們的Blaze虛擬篩選軟件的性能顯著優于分子對接技術(Cheeseright等人的JCIM 2008)[5]。該算法可以通過將其與形狀相似性計算(Grant等人)組合來增強:總體相似性是場相似性和形狀相似度的加權組合。在大多數情況下,使用相等的權重(50%形狀,50%場),但這可由用戶針對特定情況自行設定。

    場相似性計算的增強包括添加場約束、藥效團約束和排除體積。場約束用于將場的特定區域標記為比其它區域更重要,藥效團約束要求特定類型的原子彼此接近,而排除體積能夠利用蛋白結構信息將疊合限制于可及的空間內。所有的這些都顯著地提高疊合和打分的精度。

    靜電互補(Electrostatic Complementarity,EC)

    Cresset將配體靜電的分析與蛋白靜電的分析結合起來,以產生配體-蛋白質復合物的靜電互補性(EC)的視覺評估和數值評估。 Cresset EC方法在計算上是廉價的,并且可以應用于大的數據集。通過將該方法應用于一系列文獻數據集,我們分析了視覺和數值分量,表明它與報道的生物活性差異相關,并能夠預測報道的生物活性差異–參見我們在J.Med Chem 2019[6]中的論文。

    EC分析也已應用于激酶選擇性預測、鏈霉親和素突變分析和蛋白質環境中配體質子化狀態的選擇。本工作的結果表明,評估EC可以是用于分析和優化蛋白-配體靜電相互作用的有力工具,使得量化靜電驅動SAR和預測靜電靶標選擇性成為可能。

    下圖展示了生物素-鏈霉抗生物素蛋白復合物在配體和蛋白SAS上的ESP和EC,顯示了蛋白和配體的正和負靜電勢區域的密切匹配如何導致良好的EC。

    下面,我們計算EC分值,它對去溶劑化效應做了近似校正,并且允許EC在蛋白質或配體溶劑可及表面上的局部可視化,其中積分在配體SAS、ESPL和ESPP、配體和蛋白質ESP值以及MAX(ESPL, ESPP, k)上,蛋白質或配體ESP值與零或常數k的偏差較大,則ESP越大。配體和蛋白質ESP值被封端到觀察到的水分子的最大ESP值,以近似校正去溶劑化。 EC分數范圍從1到-1,分別對應于完美的EC或完美的靜電沖突。由于配體的溶劑暴露部分貢獻較少的蛋白-配體復合物的靜電互補性的信息,距離任何白質原子大于3?的配體SAS區域通過距離依賴性因子按比例縮小。

    Cresset蛋白-配體EC是通過比較生成的配體或蛋白質溶劑可及表面(SAS)的所有頂點處的蛋白和配體的靜電勢(ESP)值來計算的 [7,8]。完美的靜電互補性意味著在每個頂點處配體ESP值與具有相反符號的相同量值的蛋白質ESP值配對。

    EC Score

    Cresset EC方法已應用于已報道的XIAP-BIR3數據集,結果表明該方法可檢測并對導致生物活性改變的XIAP配體中的靜電差異進行定量。參見《Investigating the SAR of XIAP ligands with Electrostatic Complementarity maps and scores》。

    煉金術FEP計算結合自由能(FEP)

    自由能方法作為一種計算配體與蛋白結合的絕對或相對自由能的方法,在藥物發現中的應用越來越廣泛。通過模擬水盒中的蛋白和配體,可以捕獲相互作用的動力學,從而提供比更便宜的方法(如分子對接打分函數或MM/GBSA)更加準確的結合能估計。得益于誤差消除,一般來說相對自由能估計明顯比絕對自由能估計更容易計算且更可靠。

    煉金術法自由能計算化合物A相對于參比化合物B的結合能涉及在溶劑中蛋白環境下將化合物A轉化為B的熱力學循環(圖1)。

    圖1. 相對自由能計算中的熱力學循環

    圖1. 相對自由能計算中的熱力學循環

    A 和 B 的對應狀態需要在它們的勢能分布上有顯著的重疊,否則為 A 采樣的構型對于 B 的概率可能很低,這導致自由能變化的收斂緩慢,甚至不能獲得計算結果。通常通過引入耦合參數λ來克服此限制,該參數取0到1之間的值,以插入到終態的勢能函數中。然后通過不同數量的人工(“煉金術”)狀態實現從A到B的轉換,這些狀態以中間λ值(所謂的λ窗口)為特征,改善了與相鄰狀態之間勢能分布的重疊(圖2)。

    圖2. 配體A到B的煉金術轉化經由一系列非物理中間體結構

    圖2. 配體A到B的煉金術轉化經由一系列非物理中間體結構

    Cresset 相對自由能計算的實現基于一套開源工具(圖 3),特別是 SIRE 工具包的 SOMD 模塊。SOMD 包已成功應用于一系列片段、類藥物小分子、碳水化合物和主-客體系統的相對和絕對結合自由能研究。

    圖3. Flare FEP用到的開源工具

    圖3. Flare FEP用到的開源工具

    Flare FEP用Wang 等人9的基準數據集進行測試,結果如圖4、5所示。關于Flare FEP方法以及如何執行此基準測試的更多詳細信息,請參閱我們的論文10。

    圖4. 預測值-實驗值的相關性

    圖4. 預測值-實驗值的相關性

    圖5. 預測值-實驗值的MUE

    圖5. 預測值-實驗值的MUE

    設置FEP計算最復雜的部分之一是創建網絡(拓撲構造)。由于FEP方法在計算密切相關分子的相對活性時最可靠和準確,因此謹慎設置網絡非常重要。理想情況下,每個分子應該通過至少兩個連接(以提供冗余)連接到網絡的其余部分,這些連接應該是密切相關的分子,所有分子都應該在一個小循環中,以便可以進行循環閉合分析獲得誤差,并且圖的整體直徑不能太大,以避免從圖的一側到另一側的系統誤差。Flare使用 LOMAP工具 (https://github.com/MobleyLab/Lomap) 的修改版本來執行此分析,從而生成如圖6所示的圖。LOMAP程序已經過優化,使其打分與我們FEP方法的已知行為保持一致,允許3D坐標用于原子映射,并正確處理分子之間的手性反轉。

    圖6. 在Flare中LOMAP創建FEP網絡的例子

    圖6. 在Flare中LOMAP創建FEP網絡的例子

    Flare V5是Flare的最新版本,已經對FEP 方法進行了一些重大改進。首先,系統設置和積分器的改進使我們能夠將計算速度比Flare V4(圖 7)中的等效計算速度提高 2.5-3 倍。

    圖7. Flare V5比Flare V4在計算速度上的提升

    圖7. Flare V5比Flare V4在計算速度上的提升

    此外,還開發了一種算法,可以使用一個很短的預計算自動確定每個鏈接 λ 值的最佳規劃(圖 8)。此過程允許獲得一組 λ 值,在最小化計算次數的同時,保持模擬之間良好的相位空間重疊。 在測試中,這通常會導致需要執行的 λ 窗口模擬數量減少30%。

    圖8. 為鏈接規劃最佳λ的算法總結

    圖8. 為鏈接規劃最佳λ的算法總結

    最后,在某些情況下,特定配體的最近鄰居可能距離太遠而無法進行有效計算。Flare FEP可以很好地處理配體之間多達8-9個原子的情況下工作良好,盡管如果添加或移除的原子是高度極性的,則該數量會減少。在近鄰的差異大于此值的情況下,引入中間結構通常很有用,因為從兩個保守鏈接中獲得的 ΔΔG 估計值比從一個激進的鏈接中獲得的 Δ Δ G估計值更佳。在之前版本的Flare中,用戶需要手動設計和引入此類中間體。從 Flare V5 開始,添加了啟發式算法來自動生成合理的中間結構(圖 9)。

    圖9. 自動添加中間體結構以使得對大結構變化的ΔΔG評估更加健壯。

    圖9. 自動添加中間體結構以使得對大結構變化的ΔΔG評估更加健壯。

    文獻

    1. Hunter, C. A.; Sanders, J. K. M. The Nature of .Pi.-.Pi. Interactions. J. Am. Chem. Soc. 1990, 112 (14), 5525–5534. https://doi.org/10.1021/ja00170a016.
    2. Vinter, J. G. Extended Electron Distributions Applied to the Molecular Mechanics of Some Intermolecular Interactions. II. Organic Complexes. J. Comput. Aided. Mol. Des. 1996, 10 (5), 417–426. https://doi.org/10.1007/BF00124473.
    3. Cheeseright, T.; Mackey, M.; Rose, S.; Vinter, A. Molecular Field Extrema as Descriptors of Biological Activity: Definition and Validation. J. Chem. Inf. Model. 2006, 46 (2), 665–676. https://doi.org/10.1021/ci050357s.
    4. E. L. Mehler, The Lorentz-Debye-Sack theory and dielectric screening of electrostatic effects in proteins and nucleic acids, in Molecular Electrostatic Potentials: Concepts and Applications, Theoretical and Computational Chemistry Vol. 3, 1996
    5. Cheeseright, T. J.; Mackey, M. D.; Melville, J. L.; Vinter, J. G. FieldScreen: Virtual Screening Using Molecular Fields. Application to the DUD Data Set. J. Chem. Inf. Model. 2008, 48 (11), 2108–2117. https://doi.org/10.1021/ci800110p.
    6. Bauer, M. R.; Mackey, M. D. Electrostatic Complementarity as a Fast and Effective Tool to Optimize Binding and Selectivity of Protein-Ligand Complexes. J. Med. Chem. 2019, acs.jmedchem.8b01925. https://doi.org/10.1021/acs.jmedchem.8b01925.
    7. Xu, D.; Li, H.; Zhang, Y. Protein Depth Calculation and the Use for Improving Accuracy of Protein Fold Recognition. J Comput Biol 2013, 20 (10), 805–816. https://doi.org/10.1089/cmb.2013.0071.
    8. Xu, D.; Zhang, Y. Generating Triangulated Macromolecular Surfaces by Euclidean Distance Transform. PLoS ONE 2009, 4 (12), e8140. https://doi.org/10.1371/journal.pone.0008140.
    9. Wang, L.; Wu, Y.; Deng, Y.; Kim, B.; Pierce, L.; Krilov, G.; Lupyan, D.; Robinson, S.; Dahlgren, M. K.; Greenwood, J.; et al. Accurate and Reliable Prediction of Relative Ligand Binding Potency in Prospective Drug Discovery by Way of a Modern Free-Energy Calculation Protocol and Force Field. J. Am. Chem. Soc. 2015, 137 (7), 2695–2703. https://doi.org/10.1021/ja512751q.

    10. Kuhn, M.; Firth-Clark, S.; Tosco, P.; Mey, A. S. J. S.; Mackey, M.; Michel, J. Assessment of Binding Affinity via Alchemical Free-Energy Calculations. J. Chem. Inf. Model. 2020, 60 (6), 3120–3130. https://doi.org/10.1021/acs.jcim.0c00165.
    草莓av
    <dd id="2go2i"><input id="2go2i"></input></dd>
  • <dd id="2go2i"><u id="2go2i"></u></dd>