当知道确切的靶点蛋白后，需要对化学空间多样化的小分子化合物库进行系统的筛选，获得可能有活性的苗头分子。本工具提供基于深度学习算法的蛋白-小分子对接工具用于化合物库筛选，给出潜在活性小分子列表。

产品功能：(1) 根据用户上传的靶点蛋白质三维PDB结构文件以及内置化合物数据库，进行虚拟筛选。(2) 对小分子库采用基于知识的对接打分函数以及深度学习模型打分函数进行打分排序，给出潜在活性分子列表。

输入：受体蛋白质PDB结构文件，指定化合物数据库；

输出：最佳的1000个小分子对接构象，经典对接打分文件，及深度学习打分文件（可选）。

根据化合物库的大小确定需耗费的算力以及消耗的点数，预计2000点起，时间周期12小时起。

磷酸二酯酶Ⅱ型(PDE2)是一种双底物特异性酶，能双重水解cAMP和cGMP，作为中枢神经系统(CNS)疾病(包括阿尔茨海默病)的治疗靶点而备受关注^[1]。虚拟筛选工具提供了包括药物库，ChemDiv库和Specs库等的多个结构多样性化学小分子库，用户仅需提供靶点信息或结构并选择感兴趣的小分子库即可进行在线筛选。本实例以PDE2抑制剂的筛选为例进行说明，具体步骤如下所示。

第一步:进入虚拟筛选界面，开始运行。

第二步：输入任务名；

第三步：选择对接算法；

目前提供了两种分子对接算法，一种为Autodock Vina^[2]，一种为Psdock，用户可以选择其中的任何一种算法进行虚拟筛选。

第四步：蛋白结构准备；

蛋白结构可通过两种方式获得：1. 使用内置靶标库，用户可通过PDB_ID，TDD_ID，Gene_name，Protein_name，UniprotID，Accession number搜索，随后选定蛋白及其对接位点，示例如下：

          内置靶标库中的4HTX 是一个四条链的多聚体结构，每条链上均有小分子结合位点，因此需用户选定某条链进行分子对接，如本例中我们选取A链进行对接。

2.用户自定义蛋白结构。如下图所示，用户可通过输入PDB_ID选定一个pdb文件或从本地上传PDB文件；随后通过点击相应原子选择对接位点，通常选择复合物结构中的小分子配体上的原子为对接位点；选定后点击“Apply”生成对接盒子。

第五步：确认对接参数；

第六步：选择化合物库及是否需要AI打分。普美瑞云平台提供Drug，Specs和Chemdiv化合物库供选择：Drug库包含3110个已知药物分子，Spes库包括约20万个小分子，Chemdiv库包含160万个小分子。用户可根据自身需求选择对应化合物库。若用户有其他感兴趣化合物库可联系普美瑞云平台定制。虚拟筛选默认打分为vina对接打分（选择autodock vina为对接程序时），或基于统计势的打分函数（选择Psdock为对接程序时），以及机器学习方法修正的vina对接打分函数RF score^[3]作为参考。普美瑞云平台还特别提供了基于AI模型的打分函数，可通过勾选“AI score”进行额外的打分项计算，如图所示：

第七步：阅读免责声明，同意后提交；

第八步：确认信息参数，确认无误后提交；任务一经提交则不得修改参数，请用户认真核对。

结果输出:根据用户选择或上传得靶蛋白和小分子库预测输出小分子对接构象，对接打分文件，以及基于不同打分函数的潜在活性小分子列表。具体输出结果说明如下。

第一步：查看结果

第二步：查看结果报告；

第三步：查看、下载报告；

第四步：结果分析；结果输出所选化合物库中排名靠前的小分子对接构象（最多输出10万个对接构象）及其打分，包括对接打分，AI Pose打分，AI亲和力打分和RF score。对接打分（Docking Score）对应化合物的结合自由能值，单位为kcal/mol，数值越低结合能力越强（室温下Docking Score≈1.37logIC50)；AI Pose打分（AI Pose Score）介于0-1之间，判断pose是否正确，越接近1对接构象越接近真实构象；AI亲和力打分（AI Affinity Score）与亲和力正相关，拟合的是-log(Kd)值(IC50≈Kd)，打分越高则亲和力越好；RF Score拟合的是-log(Kd)值，打分越高则亲和力越好。

第五步：查看分子视图

下载文件包说明

1. 文件夹rawdata：用户上传参数和文件：（1）args.txt —用户上传参数信息；（2）rec.pdb—用户选择或上传的靶蛋白文件；

2. rec.pdb：此次对接所用的靶蛋白文件

3. result_score：本次任务进行分子对接实验后得到的总表信息，根据每个靶标最低对接打分排序获得，包括小分子ID (Internal_ID)，小分子名称（Molecule_Name），靶标对接打分（Best Dock Score），AI pose打分(Best AI Pose Score), AI亲和力打分（AI Affinity Score，提交文件前勾选“AI Score”获得，如不勾选则不给出）和机器学习打分（Best_RFScore)。

4. Sorted_by_AI_affnity_score.sdf：本次对接任务获得的以AI亲和力打分排序的所有小分子构象文件；

5. Sorted_by_AI_affnity_score_TOP500.sdf：本次对接任务获得的AI亲和力打分排名靠前的500个小分子构象文件；

6. Sorted_by_docking_score.sdf：本次对接任务获得的以对接打分排序的所有小分子构象文件；

7. Sorted_by_docking_score_TOP500.sdf：本次对接任务获得的对接打分排名靠前的500个小分子构象文件；

8. Sorted_by_RF_score.sdf：本次对接任务获得的以RF打分排序的所有小分子构象文件；

9. Sorted_by_RF_score_TOP500.sdf：本次对接任务获得的RF打分排名靠前的500个小分子构象文件；

参考文献

[1] Zhu J, Yang Q, Dai D, Huang Q. X-ray crystal structure of phosphodiesterase 2 in complex with a highly selective, nanomolar inhibitor reveals a binding-induced pocket important for selectivity. J Am Chem Soc. 2013 Aug 14;135(32):11708-11.

 [2] TROTT O, OLSON A J. AutoDock Vina: improving the speed and accuracy of docking with a new scoring function, efficient optimization, and multithreading. J Comput Chem, 2010, 31(2): 455-461.

[3] Li, H., Leung, KS., Wong, MH. et al. Correcting the impact of docking pose generation error on binding affinity prediction. BMC Bioinformatics 17, 308 (2016). 

发表您的评价