引言

药物发现是一个花费成本非常高并且漫长的过程，许多治疗项目都在临床试验过程中夭折。后期失败花费尤其高，而缺乏有效的先导化合物是主要原因之一。主要的问题可能是可使用的靶标的原因，因为并非所有的靶点是治疗可用的（“可成药性”），变构区缺乏明显结合位点的靶点长时间被认为是无法作为成药靶点的。

然而这种观点现在发生了转变，一些之前被认为棘手的靶点成功被小分子所识别，极大的增加了可成药性靶点的范围。许多棘手的靶点具有配体可结合的口袋，但从未结合配体蛋白中并未观察到或者只有当配体结合以后才会显现。例如原癌基因K-RAS一度认为无可成药性（undruggable），然而，最近，通过结合化合物发现了一个新的隐秘口袋并成功靶向，隐秘口袋形成的机制并不清楚。由于这些不确定性及其隐藏性质，通过实验和计算方法难以识别隐藏的口袋。

成果简介

仅当药物结合才显现的隐秘口袋，为药物开发提供了经典结合位点以外另一种选择。为此，伦敦大学学院的Francesco L. Gervasio教授在《J. Am. Chem. Soc.》发表了题为"Understanding Cryptic Pocket Formation in Protein Targets by Enhanced Sampling Simulations"的文章，研究通过分子动力学增强采样调查三个药理相关的靶点隐秘位点的自然和动态性质，研究发现隐蔽位点与未结合配体的蛋白质构象自由能景观中的局部最小值不对应。因此在所有分子动力学模拟中，无论使用何种力场，隐秘口袋它们都会迅速关闭。作者通过增强采样观察建议隐秘位点形成包含两种经典机制:诱导契合和构象选择。通过这个观察，作者发展了一个新型哈密尔顿重复交换基础的方法"SWISH"(通过缩放哈密尔顿采样水表面，一种哈密尔顿重复交换CV基础的增强采样)，与探针结合使用，为隐秘位点发现提供了一种很有前景的通用方法。作者的模拟，其累积采样时间超过200μs，有助于澄清口袋形成的分子机制，为选择有效的计算方法提供坚实的基础。

图文解读

1.png

图1.TEM1（TEM1 β-内酰胺酶 TEM1 β-lactamase）（A），IL2（白细胞介素2 interleukin-2）（B）和PLK1( 马球样激酶1 Polo-like kinase-1)（C）的晶体结构复合物，展示配体结合隐藏位点，以及未结合配体（apo）结构的相对应区域，在apo结构中口袋是无法分辨的。蛋白表面着色和对应的含义分别为:青色-碳，红色-氧，蓝色-氮，黄色-硫。

2.png

图2.TEM1隐藏位点在未结合配体中的稳定性(A)在无偏差平行温度模拟中在不同温度下口袋暴露分布小提琴(Violin)绘图。红色与绿色虚线分别表示apo与holo参考值。(B)口袋暴露的二维自由能表面绘图，横纵坐标分别为apo与holo的RMSD值。(C)重新加权的自由能作为口袋暴露的函数，口袋衬里原子的图像用于估计该变量，可视化为橙色棒中所示的表面和配体。 所有上述结果都表明隐秘口袋构象的不稳定性

3.png

图3.小提琴图展示在不同缩放因子λ下（A）TEM1，（B）IL2和（C）PLK1模型系统的无偏差自由配体SWISH模型系统的口袋暴露分布。相应的apo和holo晶体结构的参考值分别用红色和绿色虚线表示。 随着λ增加，所有三个系统都显示出具有暴露的隐蔽位点的状态。

4.png

图4.小提琴图显示了在不同缩放比例λ下苯片段的无偏SWISH模拟期间的口袋暴露分布：（A）TEM1，（B）IL2和（C）PLK1。 在每种情况下，相应的apo和holo结构的参考值分别用红色和绿色虚线表示。 在存在探针的情况下，即使在“中性”（λ= 1.0）模拟中，我们也观察到显着的隐蔽位点群。 对于每个系统，左侧显示了与苯探针结合的暴露的隐蔽位点的结构轨迹快照，对应于λ= 1.0处的最大口袋暴露。 显示方式与图1类似。

总结与展望

作者的研究通过使用苯环以及更像药物的配体CBT结合TEM1阐述了隐藏结合位点的打开中诱导契合所扮演的作用，并在一些情况下显示混合作用。通过缩放蛋白水的联系，作者提出SWISH方法能够打开已知的隐藏结合位点（TEM1，IL2以及PLK1体系），将SWISH方法与合适的探针分子相结合被证明是最有效和最可靠的方法。与基于CV的增强采样算法不同，它不需要先前的站点知识或最佳CV的定义来发现隐藏位点。作者首次使用增强采样技术与碎片分子模拟相结合已探索隐秘口袋。同时作者提出SWISH方法可能适用于广泛的蛋白质采样问题，包括蛋白质折叠。

文献链接

Understanding Cryptic Pocket Formation in Protein Targets by Enhanced Sampling Simulations
Vladimiras Oleinikovas, Giorgio Saladino, Benjamin P. Cossins, and Francesco L. Gervasio
Journal of the American Chemical Society 2016 138 (43), 14257-14263
DOI: 10.1021/jacs.6b05425

团队简介

5.png

Gervasio教授的研究重点是开发计算方法，以研究分子识别和生物分子的大规模构象变化。 他的H-index指数为34，引用率为3483，在高影响力期刊上发表了80多篇，包括 Cancer Cell, PNAS, JACS, Angew. Chem. Acc. Chem. Res., PRL等知名期刊

作者主页:

https://www.ucl.ac.uk/chemistry/people/professor-francesco-l-gervasio

标签: none