不同分子对接软件比较.pptVIP

2015.05.11 1.分子对接 2.反向虚拟筛选 创新药物研发流程 靶标识别 与验证 计算机辅助技术可涉及的流程 反向虚拟筛选 反向药效团匹配 分子对接 QSAR ADMET预测 经济 高效 省力 虚拟筛选 药效团 相似性搜索 功能基因 研究 先导化合 物发现 先导化合 物优化 临床前 研究 临床研究 市场 背景 …… 小分子数据库 蛋白质靶标 用户提供 (A) 准备工作: 蛋白质-小分子对接 虚拟筛选 …… 蛋白质数据库 小分子化合物 反向虚拟筛选 作用于靶标的 小分子 小分子的 潜在靶标 内部提供 基于Autodock Vina (B) 筛选工作: (C) 结果文件: 采样蛋白质的构象空间； 采样小分子的构象空间 靶标蛋白质结构； 小分子化合物结构 3.排序： 1. 准备： 2.对接： 蛋白质相互作用能量， 如范德华、H建、疏水…… 分子对接 薛定谔公司 蛋白质 活性位点参数 蛋白质活性位点 蛋白质活性位点 小分子 小分子构象采样 打分排序： topN 小分子构象 分子对接AutoDock 相同：grid；type 不同：sampling ； scoring AutoDock和AutoDock Vina 精度 速度 测试集：1300 protein–ligands complexes from PDBbind 2007 database J Comput Chem 32: 742–755, 2011 分子对接比较 不同体系不同结果； DS（ligandfit），SYBYL（flexx，surflex），AUTODOCK结果相差不大 测试集：100 protein-ligand complexes DS SYBYL AUTODOCK 分子对接比较 J. Med. Chem. 2003, 46, 2287-2303 测试集： 10 complex Proteins 2007; 69:160–176. Glide 略好 分子对接比较 AUTODOCK DS SYBYL no single program performed well for all of the targets. For prediction of compound affinity, none of the docking programs or scoring functions made a useful prediction of ligand binding affinity. 分子对接比较 J. Med. Chem. 2006, 49, 5912-5931 1.方法相差不大（薛定谔Glide略好），没有一种方法适用于所有体系 ； 2.除了方法，人工视觉分析很重要（并非要取得分最高，而是经验上成药性最强）； 3.精度之外，保证筛选速度（虚拟筛选是初步过程，分子动力学、结构改造） 蛋白质-小分子对接 蛋白质数据库 小分子化合物 反向虚拟筛选 小分子的 潜在靶标 基于Autodock Vina 靶标数 PDB数 口袋数 Whole 140 960 2119 Part 506 2767 5487 Whole：5~6小时； Part：13~16小时 反向虚拟筛选平台构建 反向虚拟筛选 方法 数据库 是否疾病相关 数据库大小 服务 idTarget 改进的AutoDock 否 所有PDB 免费 广州市墨灵格 AutoDock Vina 否 2900 100元/次 我们 AutoDock Vina 是 646（140+506） 100元/次 疾病相关的、更加准确的靶标数据库 活性位点信息更精确 （技术过滤、文献调研） 可治疗性 反向虚拟筛选比较 idTarget： 广州市墨灵格： 我们： 反向虚拟筛选比较（页面） idTarget： 1.给出PDB ID，靶标名称，score，可视化pose，PDB链接 2.根据得分排序 3.根据靶标排序 反向虚拟筛选比较（结果） 广州市墨灵格： 1.给出PDB ID ，靶标名称，score，uniprot编号 2.根据得分排序 反向虚拟筛选比较（结果） 我们的结果： 反向虚拟筛选比较（结果） 1.给出PDB ID，靶标名称，score，uniprot，EC，Drugbank，CAS编号 2.根据得分排序 3.根据靶标排序 数据库 PDB编号 靶标 名称 Score 排序 靶标_Score 排序 Uniprot_ID Uniprot_AC 结合亲和力、相似性值等 可视化 Pubmed 分类 EC 我们 646个靶标7606个口袋 有 有 有 有 有 无 无 有 有 有 idTarget 整个PDB 数据库 有 有 有 有 无