夜雨聆风
虚拟筛选已被证明是寻找配体命中和协助结构型药物开发项目中引线优化的非常成功方法。通过将大量化合物库对接到目标受体的一个或多个高分辨率结构中，通常需要较少的化合物进行实验筛选，以识别潜在的导向优化候选化合物。除了识别可能良好结合于蛋白质靶点的小分子外，对接方法还被应用于多种情境，如多肽和大环态预测、蛋白质-配体复合几何预测，以及通过自由能微扰（MM-GBSA）等方法准备同类序列以预测结合亲和力。超越结构型虚拟筛选中常见的刚性受体近似，诱导拟合结合协议预测配体对蛋白质结构的影响。
一、刚性感受器对接与滑移
滑翔对接与计分方法
此前已详细描述过Glide HTVS、SP和XP对接方法。Glide的HTVS和SP使用一系列层级过滤器，寻找配体在受体结合位点区域的可能位置。受体的形状和性质通过不同的场集合在网格上表示，这些场能逐步精确地计分配体态。对配体扭转的详尽枚举会产生一组配体构象，并在对接过程中进行检查。根据这些配体构象，初始筛选会在配体可用相空间内确定性地进行，以定位有前景的配体态。通过初步筛选选定的态态，配体在受体场的扭转空间中利用OPLS3进行精炼（滑翔SP和XP）或OPLS2005（滑翔HTVS），采用距离依赖介质模型。最后，在受体场内以完全配体柔韧性最小化少量姿态（对接后最小化，PDM）。这一过程被称为对接漏斗，如图1所示。
图1：滑翔HTVS和SP对接漏斗
Glide HTVS可以以大约2秒的速度对接复合材料，并且用取样呼吸换取更高的速度。Glide SP执行详尽采样，是速度与准确度之间的推荐平衡，约需10秒/复合器。Glide XP 采用锚定与增长采样方法，以及 GlideScore 的不同函数形式。它能以大约2分钟的速度对接化合物。这三种对接模式在速度与精度之间提供了多种选择，适用于大多数情况下。
Glide使用Emodel评分函数用于在给定配体的蛋白质-配体复合物与GlideScore之间进行选择功能是通过等级顺序区分强结合的化合物（活性物质）和不结合的（非活性化合物）。Emodel评分函数主要由蛋白质-配体库仑-vdW能量定义，GlideScore对其贡献较少。GlideScore是一种经验评分函数，旨在最大化对具有强结合亲和力的化合物与几乎没有结合能力的化合物的分离。作为经验评分函数，它由描述结合过程物理的项组成，包括亲脂-脂溶项、氢键项、可旋转键惩罚以及蛋白质-配体库仑-vdW能量的贡献。除了这些术语外，GlideScore还包括用于考虑疏水性围栏的术语，即配体将水分子从含有许多近端亲脂蛋白原子的区域置换出来。特别有利于结合的是在疏水包覆区域内形成一个或多个蛋白质-配体氢键，如图2和图3所示。
图2：Boehringer活性为1kv2，结合于人体p38图激酶。萘基团获得疏水性封闭奖励。
图3：生物素与链霉亲和定结合。在疏水封闭区域中识别出环中三联的相关氢键，以及该环内与羰基配体的三个氢键，都显著提升了该紧密结合复合物的GlideScore（∆Gexp = -18.3 kcal/mol）。
二、滑翔对接精度与浓缩性能
第一篇Glide文章是2ND截至2016年2月，是《药物化学杂志》引用次数最多的论文，许多文献引用其在药物发现项目中的应用。Glide能够持续识别关键点以优化先导，并引导理解影响蛋白-配体结合的关键相互作用和脱溶效应，推动了其广泛应用。获得最高质量的结合结果的前提是使用蛋白质制备向导和LigPrep的最佳实践方法制备的蛋白质和配体结构。作为对接方法的无偏比较的一部分，我们利用Astex评估了Glide SP用于结合模式预测自对接测试组，以及在虚拟筛选环境中使用DUD数据集进行丰富.数据集、评估指标和实验均根据241年对接与评分研讨会的条件制定ACS会议在阿纳海姆举行。
在这些回顾性实验中，Glide SP在85%的Astex案例中重现了晶体复杂几何形状，<为2.5 Å RMSD，如图4所示。Glide还有效丰富已知活性成分的筛选数据库，在97%的DUD靶中击败随机选择，并在所有39个靶系统中平均获得0.80的AUC。早期浓缩表现显示，筛查前列的0.1%、1%和2%的已知活性物平均可回收12%、25%和34%。鉴于DUD数据集中活性配体与诱饵配体结构的相似性，这一富集尤为显著并且用现代硬件将配线与SP Glide对接仅需约10秒。
图4：Astex 对接实验中 Glide SP RMSD 的图，分别是排名最高的 Emodel 姿态（蓝色）和最低 RMSD 精细姿态（浅蓝灰色）。显示了排名前列Emodel姿势中符合不同RMSD分数线的比例。
表1：采用最佳实践准备结构的早期完整滑动SP富集结果，适用于40个系统的DUD数据集。
三、利用滑翔“保持靠近实验”
Glide广泛的约束使人们能够“紧贴实验”，这在罗氏受计算化学积极影响的制药项目中被报道为常见主题。氢键约束要求与受体上特定官能团形成氢键，位置约束可以强制对接姿态以将特定化学物质置于相对于受体的空间中，金属约束则要求配位几何形状。核心约束对于强制执行同类级数的预期结合模式尤为重要，用于准备对接姿态以通过MM-GBSA（自由能扰动）预测结合亲和力。
四、对接大周期
高效采样环构象对于对接实验中的实验结合模式至关重要，尤其是在宏周期中，可能存在数百种低能构象。Glide依赖庞大的环构象数据库来采样低能态，否则不采样宏环环系统。生成宏周期环模板显著提升了原生姿态预测。
一个代表性例子是图中所示的2QKZ大周期，其中原生配体将大环埋入一个大部分封闭的口袋中。要在该囊中结合，需要特定的环构象，形成与配体羰基和质子化胺基团的关键相互作用。使用环模板，该宏周期的停靠姿态RMSD较低为0.22 Å。没有大环环模板，即使大环原子的环构象为RMSD 0.71 Å，Glide仍将环置于口袋外，导致极大的RMSD达到10.23 Å。
图5：计算出的2QZK宏环构象（紫色）与晶体结构（绿色）叠加。
五、结合多肽
肽和肽组拟药作为药物的使用增加，带来了对多肽复杂几何形态与受体结合准确预测的需求。滑行SP-肽模式该技术旨在满足这一需求，因为默认对此类配体应用Glide会导致基准组中24%肽成功对接。为了提高结合模式预测，Glide采样算法被系统性地修改，系统性地改变了控制肽构象如何通过Glide漏斗的所有参数。应用这些参数的最优组合将姿势预测准确率提升至41%。此外，我们利用了Glide此前报道的对输入构象的敏感性，并通过运行多个独立的Glide工作并合并结果，提高了抽样量。这使姿势预测的准确率提升到了53%。最后，通过对每个预测姿势应用MM-GBSA评分，准确率进一步提升至58%。这种方法接近了像 FlexPepDock 这样的暴力破解方法（本数据集为 63%）的准确性，计算成本仅为 Glide 协议的 24 CPU 小时。
表2：利用Glide进行肽结合的结果。肽类被对接在全息结构上。结果被按对接精度分类。A类肽可以轻松且可靠地对接。B类肽的预测性末端与晶体结构不同。C类（聚脯氨酸）和D类（杂项结构）肽的预测准确性较差。对于19个测试用例中的每个，10次滑翔运行产生最多1000个总姿态（每次最多100个），整个组合中iRMSD<2.0 Å的姿态数显示在第三列。我们还测量了整个集合中最低的iRMSD（第四列）和排名前十的结构（第五列）。最后四栏列出了研究肽的结构性质，表明当肽段短且延伸且具有少量可电离侧链时，结合肽的精度通常更高，通常精度更高。
六、哪些肽类处理得最好？
Glide可以对接多达300个原子和50个可旋转键的配体。由于许多肽配体可能超过这些限制，这实际上限制了对约残基或更少肽的结合应用。在某些情况下，需要将酰胺键以反式结构冻结，以结合更长长度的肽。肽的结构特征与其精确对接能力之间存在强烈相关性。例如，我们发现肽段长度缩短、延长性增加以及可电离基团数量减少，提高了肽正确对接的概率。此外，我们注意到，B因子低的肽段预测质量与高B因子（通常是N端和/或C末端）与晶体结构有显著偏差，表明这些终极预测可能实际上是溶液中的可达态。
图6：利用肽定制版Glide预测蛋白-肽复合物。左侧预测的1NLN和3D1E复合物（绿色）与实验X射线结构（橙色）相比非常有利。1ER8的最高预测（右上角，黄色）在考虑整个肽段时准确度较低。然而，高RMSD主要由肽段中具有高B因子的片段引起（右下角）。此外，该肽（绿色）得分较低的预测在所有区段的RMSD较低。肽的两种构象可能都代表可达态。
七、诱导配合对接
蛋白质复合物的活性位点几何结构高度依赖于结合配体引起的构象变化。然而，解析蛋白质-配体复合物的晶体结构需要大量时间投入，且通常不可行甚至不可能完成。薛定谔的诱导拟合（IFD）方案通过利用Glide和Prime方法，全面考虑可能的结合模式及受体活性位点内相关的构象变化，解决了这一问题。这一独特工艺使化学家能够以极低的成本快速预测活性位点几何，即使是对于像hERG同源模型这样具有挑战性的系统。
诱导配合协议开始时，将活性配体与Glide对接。为了生成多样化的配体态集合，该程序采用降低范德华半径和增加库仑-vdW截断，并在对接步骤中暂时去除高度柔韧的侧链。对于每个姿态，随后使用素数结构预测来适应配体，方法是重新定向附近的侧链。这些残基和配体随后被最小化。最后，每个配体重新对应的低能蛋白结构，并根据结合GlideScore和Prime能量的评分函数对复合物进行排序。
诱导拟合方法在现实研究中得到了充分完善，既被初学者也方便使用，无论是初学者还是专家建模者。如表3所示，对于一系列需要蛋白质构象变化才能结合的靶点，诱导拟合的预测非常准确。除了适用于多种系统的默认设置外，诱导配合界面还提供可自定义的高级选项，以解决更具挑战性的案件。计算在台式机上可在数小时内完成，或在多个处理器上分散计算时仅需30分钟。
表3：诱导拟合返回的顶级态态RMSD。3 RMSD（不包括配体部分溶剂暴露甲基-2-吡啶酰氨基尾部中含有极高B因子（>60 Ų）原子的10个原子。4RMSD（不含配体部分溶剂暴露甲基噠唑尾部的13个原子）5RMSD（不含在IFD结构中翻转180°的对称二羧酸盐中6个原子。受体列列出了配体所处的刚性受体，配体为其他共结晶结构则诱导构象变化。在诱导配合治疗前，对接结果与刚性受体返回要么无姿态，要么RMSD偏高。随着诱导契合准确预测活性位点几何形状，配体姿态显著改善
八、共价配体对接
近年来，人们对与目标蛋白形成共价键的药物设计兴趣日益增长，近30%的上市药物靶向已知通过共价抑制作用的酶.与目标蛋白的共价相互作用具有延长生物效应持续时间和潜在提升选择性的优势。共价药物靶向的蛋白质示例包括与β内酰胺和β内酯类抗生素结合的丝氨酸青霉素结合蛋白（PBPs）、被乙烯基磺酮、环氧化物、异硫唑酮和酮胺酰胺等共价修饰的半糖蛋白酶如卡特普辛B、K和S，以及其他化学基团，以及丙型肝炎病毒（HCV）蛋白酶，它能共价结合博西普韦和特拉普韦的酮酰胺基团。
为此，需要一套共价对接协议，CovDock开发出具有良好结合模式预测精度，并能利用SMARTS图谱自动检测反应原子。结合Glide对接和Prime优化的工作流程，CovDock-VS（虚拟筛选）和CovDock-LO（导线优化）模式分别使共价对接在大规模虚拟筛查或导线优化项目中得以应用。这两种方法的工作流程如图7所示。主要由于采样减少，CovDock-VS模式的运行速度比CovDock-LO快10到40倍。
CovDock的对接精度良好，CovDock-VS的平均RMSD为1.9Å，CovDock-LO为1.5Å，结果见表4。结合相互作用滤波器（在此情况下为氢键约束），CovDock-VS在回顾性实验中也展现出优异的富集效果，如表5所示。在最近的一项测试中，它分别能在诱饵文库5%范围内提取71%、72%和77%的卡西普辛K、HCV NS3蛋白酶和EGFR已知活性。即使在无法使用相互作用过滤器的情况下，如XPO1，CovDock-VS仍能检索诱饵化合物中95%的已知活性成分，其中33%的已知化合物位于诱饵化合物的前1%。
图7：CovDock 利用 Glide 和 Prime 对共价结合配体进行对接和采集。
表4：对接精度来自CovDock-VS和CovDock-LO。α对于未满足对接后氢键滤波器的配体，报告了GlideScore最低姿态的RMSD。这些因素不计入平均RMSD计算。β-OMe 和 -CF3 群的翻转。c共晶配体自耦合到VS中使用的蛋白质结构。
表5：早期富集结果是CovDock-VS结合氢键约束作为相互作用滤波器。
