[发明专利]基于深度学习和计算模拟的蛋白质变构调节剂的识别方法

说明书

本发明公开了基于深度学习和计算模拟的蛋白质变构调节剂的识别方法，获取结合内源性激动剂的蛋白质复合物的MD模拟轨迹；将MD模拟轨迹进行初步分类生成聚类标签；将MD模拟轨迹和聚类标签输入MDCNN中寻找到每个构象态的关键残基，挑选有价值的构象态输入FTSite进行变构位点预测，找到潜在的变构位点；针对预测得到的潜在的变构位点使用基于结构的虚拟筛选得到结合最稳定的潜在药物分子；借助动态网络分析揭示潜在药物分子的变构调控机制，确认潜在药物分子的性质。借助分子动力学模拟、深度学习、虚拟筛选和动态网络分析，以识别蛋白质潜在的变构位点、筛选出潜在的变构调节剂和研究其变构调节机制。

技术领域

本发明涉及G蛋白偶联受体变构调节剂的识别技术领域，具体的说，是一种基于深度学习和计算模拟的蛋白质变构调节剂的识别方法。

背景技术

变构机制提供了一种调节受体功能的新范例，因此变构调节剂的合理设计越来越受到关注。蛋白质的正构位点是内源性激活配体结合的位点。正构位点的强进化保守性导致正构配体的交叉反应性问题，这可能导致不良的治疗副作用。而变构调节剂结合到一个与正构位点在拓扑上不同的位点，因此不与正构配体竞争。变构位点的进化保守性低于正构位点，变构调节剂可能在亚型选择性和特异性方面表现出更优的特性，与正构配体相比可能会减少副作用。蛋白质的变构调节是相当精细的。例如，正变构调节剂可以通过四种不同的方式增强下游信号传导：(1)促进正构激动剂结合亲和力但不直接影响信号传导，(2)直接增强信号传导而不影响正构激动剂结合，(3)增加正构配体结合亲和力并同时增加自身的信号传导，以及(4)降低正构配体结合亲和力但自身增加信号传导。负变构调节剂可以使用类似的组合来减少下游信号。变构调节剂稳定了蛋白质集合的独特构象，为受体提供了新的药理学。因此，越来越多的变构调节剂被发现作为潜在的药物。

然而，由于发现过程非常具有挑战性，只有少数变构调节剂被批准作为药物或用于临床试验。这是因为从药理学实验中检测调节剂的变构行为是一个具有挑战性的过程，而且使用突变实验确定变构调节剂的结合位点经常观察到假阳性。自2013年以来，解析复合物结构一直是识别GPCR中变构调节剂结合位点和姿势的最成功方法，然而其耗费巨大。近年来，结构生物学和计算技术的发展已经揭示了大量靶点的变构机制，这使得合理设计变构调节剂成为药物发现的新途径。

变构位点的识别是基于结构的变构调节剂虚拟筛选的前提，然而变构位点通常是神秘的，在被解析的蛋白质结晶中难以被发现。未结合配体的apo结构中通常不存在变构口袋，并且只有在配体存在时，变构位点松弛状态才在构象集合中占主导地位。分子模拟是成为生成构象集合和探索这些位点的有效方法。将位点预测与基于MD的GPCR构象集合结合起来可能检测到静态实验结构中不明显的位点，这对于发现新的变构位点很有吸引力。

尽管计算机辅助变构调节剂的设计已经有了一些应用，但是仍旧存在以下问题：

变构效应通常通过微秒(μs,10^-6)或毫秒(ms,10^-3)时间尺度内发生，经典的常规分子动力学模拟(cMD)一般只能捕捉纳秒(ns,10^-9)时间尺度的构象变化，因此可能难以捕捉到隐秘的变构位点。

为了捕捉到隐秘的变构位点需要进行广泛的分子动力学模拟，这将产生大量的模拟数据。以人工方式分析这些数据是非常困难耗时且带有一定的先验知识偏差。筛选获取有价值的构象中间态是快速有效预测变构位点的先决条件。

虚拟筛选可以筛选出结合得最稳定的小分子，但是无法确定该小分子的属性及其变构调节机制。而变构调节剂的作用机制则是相关研究中最为关心的一个课题，并且由于其复杂性难以在实验中被揭示。

发明内容

本发明的目的在于提供一种基于深度学习和计算模拟的蛋白质变构调节剂的识别方法，识别蛋白质潜在的变构位点、筛选出潜在的变构调节剂，进而研究其变构调节机制。

本发明通过下述技术方案解决上述问题：