蛋白质-小分子柔性对接采样算法的研究

发布时间：2020-06-22 23:59

【摘要】：理解蛋白质与配体的相互作用对于新药的研发至关重要。研究蛋白质-小分子(Protein-Ligand,P-L)对接的目的在于通过已知配体小分子和目标蛋白质3D结构来预测和评估其复合物的3D构象。随着已解析蛋白质单体结构的数量不断增加,促使运用计算方法预测P-L对接后复合物高精度3D构象成为药物发现过程中的关键环节。相对于传统的刚性对接,P-L柔性对接具有采样空间巨大的特点。因此,本文在对P-L柔性对接关键技术分析基础之上,侧重于柔性对接关键技术重要组成部分的采样算法展开了如下研究:1、分析了P-L柔性对接过程中的关键技术问题。提出P-L柔性对接过程中构象空间采样和候选复合体判别打分两个中心问题,并把这两个中心问题进一步细分为Protein的柔性、Ligand的准备、构象空间的采样方法、打分函数、对复合物对接结果的重打分与后期处理等子问题,着重强调了采样算法在整个P-L柔性对接过程中的重要性。2、在Rosetta平台上应用集合对接协议。对传统Rosetta Ligand协议使用集合对接的方法进行扩展。通过联合几何距离约束(geometric distance constraints,GDC)和重新优化重组受体侧链(repacking receptor side-chain,RRSC)的方法生成和选择有代表性结构作为对接模板。实验结果表明,使用集合对接协议对于那些传统方法不能过获得满意预测结果的目标,能够产生和识别出更多正确的复合物构象。3、基于传统Rosetta Ligand协议使用副本交换蒙特卡罗(replica exchange Monte Carlo,REMC)增强采样算法进行扩展。通过引入多目标优化帕累托(Pareto)边沿信息,选择非绝对占有优势低能量构象集合中最具代表性的结构作为交换的副本,有效地调整副本交换的策略,促使传统REMC算法快速收敛到较低能量状态。通过对蒙特卡罗(Monte Carlo,MC)、REMC、多目标REMC(multi-objective optimizationREMC,MO-REMC)和混合MO-REMC(hybrid MO-REMC,HMO-REMC)四种采样算法的预测结果进行深度分析后表明。本文提出的MO-REMC和HMO-REMC增强采样算法在Rosetta Ligand协议中表现出高效的性能,在基于绑定能评估的柔性对接结构预测中有着令人印象深刻的准确性。4、对传统Rosetta Ligand协议使用自适应温度REMC(adaptive temperature REMC,AT-REMC)算法进行扩展。AT-REMC算法使用相邻链之间平均接受率信息作为衡量指标及时调整传统REMC算法运行过程中的温度参数,促使REMC采样算法能够在不断迭代过程中以较快的速度平稳收敛。本文还对MC、自适应温度MC(adaptive temperature MC,AT-MC)、REMC以及AT-REMC四种采样算法生成的预测结果进行性能分析。实验结果表明,AT-REMC采样算法能够在迭代过程中不断地调整相应的温度参数,在P-L柔性对接过程中能够明显提高预测构象的精度,加快采样收敛的速度。本文的贡献主要体现在以下四个方面:首先,相对于刚性对接,提出了在P-L柔性对接关键技术中构象空间采样和候选复合体判别打分两个中心问题,并把这两个问题进一步细分为多个切实可行的子问题逐一加以解决。其次,从Protein的柔性表达出发,使用GDC和RRSC方法分别生成和选择有代表性结构作为初始构象对接模板,对传统Rosetta Ligand协议使用集合对接的方法进行扩展。第三,从P-L柔性对接构象空间的采样方法入手,原创性地提出MO-REMC和HMO-REMC增强采样算法,极大地提高了现有协议构象空间的采样效率。最后,使用AT-REMC采样算法对原有Rosetta Ligand柔性对接协议进行扩展。实验结果表明,这些手段和方法对P-L柔性对接过程中复合物的成功预测起到了有益的推进作用,对后续相关研究具有重要的参考价值。
【学位授予单位】：苏州大学
【学位级别】：博士
【学位授予年份】：2018
【分类号】：R91

【参考文献】