有哪些常用的基于靶点结构的药物设计技术？

一、分子对接（Molecular Docking）

1. 准备靶点结构：从蛋白质数据库（PDB）获取靶点的三维结构（需去除配体、水分子，修复缺失氨基酸等）。
2. 准备配体库：构建或导入小分子化合物库（如 ZINC、DrugBank），进行电荷、构象优化。
3. 对接计算：使用对接软件（如 AutoDock、DOCK、SYBYL-X）模拟配体在靶点口袋中的取向和结合能。
4. 结果筛选：根据对接分数（如结合能、RMSD 值）和相互作用模式（如氢键、疏水作用、π-π 堆积）排序，筛选高潜力化合物。
   应用：

• 虚拟筛选（Virtual Screening）：从海量化合物中快速识别潜在抑制剂。
• 先导化合物优化：优化现有分子的结合模式以提高亲和力。

二、分子动力学模拟（Molecular Dynamics, MD）

1. 构建复合物模型：基于分子对接结果或已知晶体结构，建立药物 - 靶点初始模型。
2. 能量最小化：优化原子坐标以消除不合理的空间冲突。
3. 模拟运行：在特定力场（如 AMBER、CHARMM）和溶剂条件下，进行长时间模拟（纳秒至微秒级）。
4. 结果分析：
   • 轨迹分析：计算均方根位移（RMSD）、均方根波动（RMSF）评估复合物稳定性。
   • 结合自由能计算（如 MM/GBSA、MM/PBSA）：量化药物与靶点的结合强度。
   • 识别关键相互作用位点（如动态氢键、疏水口袋变化）。
     应用：

• 预测药物 - 靶点的动态结合模式，排除不稳定复合物。
• 解释耐药性机制（如靶点突变导致的结合位点构象变化）。

三、基于结构的药物设计优化技术

1. 基于结构的药物设计（SBDD 优化策略）

• 片段药物设计（Fragment-Based Drug Design, FBDD）：
  • 利用小分子片段（分子量 < 300 Da）与靶点弱结合的特性，通过晶体学或核磁共振（NMR）筛选结合位点，再将片段连接或融合成高亲和力分子。
  • 工具：Cryo-EM、X 射线晶体学、NMR。
• 基于配体的药物设计（LBDD）与 SBDD 结合：
  • 结合配体相似性（如药效团模型）和靶点结构信息，提高虚拟筛选准确性。

2. 基于结构的全新药物设计（de novo Drug Design）

• 骨架跃迁（Scaffold Hopping）：保留已知药物的核心药效团，替换外围骨架以改善成药性。
• 生长法（Build-up）：从活性位点的关键相互作用点（如氢键受体 / 供体）开始，逐步添加原子或基团构建分子。
• 连接法（Linking）：将两个结合于靶点不同亚口袋的片段通过 linker 连接，形成双位点结合分子。
  工具：分子设计软件（如 LigandScout、COMBINE、SPARK）。

四、自由能微扰计算（Free Energy Perturbation, FEP）

1. 定义微扰路径：如将配体中的甲基替换为乙基，设计 “甲基→乙基” 的虚拟过渡态。
2. 分子动力学模拟：对每个过渡态进行模拟，计算自由能变化（ΔG）。
3. 结果分析：ΔG 负值越大，表明基团替换后结合力增强。
   应用：

• 精细优化先导化合物的取代基，提高亲和力（如从 IC₅₀ nM 级优化至 pM 级）。
• 预测突变对药物 - 靶点结合的影响（如耐药突变的 ΔG 变化）。

五、结构 - 活性关系（SAR）与基于结构的 QSAR

• 结合靶点结构信息，将化合物的三维构象与活性关联，建立统计模型（如 CoMFA、CoMSIA）。
• 步骤：
  1. 对化合物进行构象叠合（基于靶点结合模式）。
  2. 计算分子场（静电场、疏水场等），关联活性数据建立模型。
  3. 预测新化合物活性并指导结构优化。

六、常用工具与数据库

七、技术挑战与趋势

1. 靶点结构局限性：
   • 许多靶点（如膜蛋白、动态构象靶点）缺乏高分辨率结构，需结合冷冻电镜（Cryo-EM）、同源建模或 AI 预测（如 AlphaFold2）。
2. 动态结合模式：
   • 传统对接基于静态结构，需结合分子动力学或机器学习预测构象变化。
3. 多靶点药物设计：
   • 针对复杂疾病（如癌症、神经退行性疾病），需同时考虑药物与多个靶点的相互作用。
4. AI 与 SBDD 结合：
   • 深度学习模型（如 Graph Neural Networks）可预测结合亲和力、生成全新分子（如 AlphaFold-Docking、ChemBERTa）。

总结