论文部分内容阅读
针对新靶标探索新颖的先导化合物是药物发现和设计过程中最重要的步骤之一。目前，获得先导化合物的途径主要有两种：一是通过基于实验的高通量筛选方法来筛选分子库从而获得有苗头的化合物；二是通过计算机模拟方法来探索靶标的结合位点以期利用全新药物设计或者基于分子对接的虚拟筛选来获得有苗头的化合物。虚拟筛选作为发现药物先导化合物的有效手段，节省了大量的时间和资金花费，并大大的加快了新药研发速率。分子对接的优劣和效率高低是虚拟筛选成功与否的关键，可见分子对接在计算机辅助药物分子设计中具有举足轻重的地位。
本文针对目前分子对接算法及其打分函数存在的问题，基于本课题组已开发完成的Cyndi V1.0小分子构象生成系统以及基于知识的打分函数KScore，从分子对接构象优化算法和基于知识的打分函数的探索和研究入手，开发出PBDock--基于知识打分的对接的算法与程序。鉴于遗传算法快捷、简便及容错性强的特征，PBDock采用该优化算法作为小分子构象优化方法，并将受体大分子视为刚性，使用基于知识的目标函数KScore，以蛋白质-化合物分子原子对间的潜势之和作为打分函数来指导优化搜索方向。
最后，本文采用Dock5中所采用的114晶体复合物作为有效性评价测试集，通过统计测试结果发现：其中对接精度在1A以内的复合物有12对，对接精度在2A以内的复合物有46对，对接精度在3A以内的复合物有68对，这说明PBDock在一定程度上可以正确预计分子的对接模式；另外还将本软件与其他对接软件，诸如DOCK6.0、Glide、Gold及GAsDock的部分测试结果进行了对比，也证实了本软件具有一定的构象识别能力。