【原创】蛋白变构位点的从头识别

变构药物设计中识别靶标蛋白变构位点是筛选和优化变构调节剂的基本先决条件（见“药物设计与变构之历史”）。原则上，和蛋白底物活性位点空间上不同的任何功能性位点都可以被认为是变构位点。我们从实验设计角度总结过去10年变构位点筛选的主要方法（见“蛋白变构位点的设计与筛选”），但实际操作中一个关键问题是，这些筛选方法必须在对蛋白上的变构位点大致区域已知的前提下才能进行设计。如果未知一个蛋白是否存在变构位点或位点位置没有任何先验知识，就无法通过之前的实验方法从头合理进行变构位点及其化合物的发现。

随着变构数据中心ASD（http://mdl.shsmu.edu.cn/ASD）[1]对已知变构位点经验的不断总结，变构位点在蛋白上出现的规律逐步显现。发展药物设计方法进行从头变构位点识别，然后验证变构位点大致区域，进一步结合变构位点实验筛选方法，可以为任意蛋白都提供发现变构位点进行药物发现的标准化流程。近5年来，变构位点的识别方法在多个靶标体系中获得了成功，今天和大家一起来总结一下当前可以在线使用的这些方法和其识别的变构位点。

1Allosite

根据变构蛋白数据中心ASD分析，变构位点在分布空间、残基组成、拓扑结构和理化性质上与传统的底物活性位点具有显著差别[2]。上海交通大学医学院张健教授课题组通过结构特征差异出发，设计一系列特异性变构位点描述符，通过结构位点扫描和机器学习方法在2013年建立了首个可以公开使用的变构位点识别方法Allosite（http://mdl.shsmu.edu.cn/AST） [3]，2017年他们又通过动态诱导技术提升了该算法的准确性，并可以识别隐藏的变构位点[4]。对外公开五年来，这个方法发现并实验验证了CDK2，CK2a等多个蛋白上可靶向的新变构位点。以CK2a为例，Allosite方法预测了CK2a上K75，I78，P109等包绕的全新变构位点并通过突变验证，且该位点在激酶家族中具有高度特异性，为克服CK2a激酶抑制剂开发中一直困扰的选择性问题开辟了新的解决方案[5]。

2Go Model

北京大学来鲁华教授课题组建立了粗粒度双状态Go模型来识别变构位点[6]。这个方法通过评估给定蛋白结构的两个构象(如空的蛋白和底物结合蛋白的构象)能量差异，确定优势的能量构象。随后用微扰的方法对利用CAVITY（http://www.ligbuilder.org/cavity/home.php）预测的潜在位点进行诱导，再计算这两个构象之间的能量差异，如果这个位点微扰的诱导导致两个构象的能量差异发生变化，那么这个微扰的位置很可能是一个变构位点。这种方法在大肠杆菌磷酸甘油酸乳酸脱氢酶（PGDH）中预测出两个潜在的变构位点，并在其中一个变构位点上筛选到变构抑制剂。

3PARS

Panjkovich和Daura发展了通过Normal Mode Analysis（NMA）识别变构位点位置的方法PARS（http://bioinf.uab.cat/pars）[7]。这个方法也是建立在先用LIGSITE来预测蛋白上潜在的所有结合位点，然后通过在每个位点上施加原子探针，利用NMA评价探针结合后蛋白的柔性改变程度（如B-factor），进而预测这个位点是否为变构位点。这个方法成功地回顾性识别了多个已发现的变构位点。

4SPACER

Berezovsky等发展了一种基于Monte Carlo（MC）模拟和NMR结合的变构位点识别方法SPACER（http://allostery.bii.a-star.edu.sg）[8]。这种方法是先用MC模拟获得蛋白上潜在的所有位点，对每一个位点上化合物在这个位点的结合前后进行NMA分析，比较这个位点上的残基在化合物结合前后的相互作用频率和方向的变化，从而判断是否变构位点。利用这个方法他们成功发现了YU158在MMP-12蛋白上的变构位点。

参考文献

1. Shen Q, Wang G, Li S, Liu X, Lu S, Chen Z, Song K, Yan J, Geng L, HuangZ, Huang W, Cheng G, Zhang J. ASD v3.0: unraveling allosteric regulation withstructural mechanisms and biological networks. Nucleic Acids Res. 2016,44(D1): D527-535.

2. Huang Z, Zhu L, Cao Y, Wu G,Liu X, Chen Y, Wang Q, Shi T, Zhao Y, Wang Y, Li W, Li Y, Chen H*, Chen G,Zhang J. ASD: a comprehensive database of allosteric proteins and modulators.Nucleic Acids Res. 2011, 39(D1): D663-669.

3. HuangW, Lu S, Huang Z, Liu X, Mou L, Luo Y, Zhao Y, Liu Y, Chen Z, Hou T, Zhang J.Allosite: a method for predicting allosteric sites. Bioinformatics. 2013,29(18): 2357-2359.
   

4. Song K, Liu X, Huang W, Lu S, Shen Q, Zhang L, Zhang J. Improved methodfor the identification and validation of allosteric sites. J ChemInf Model. 2017, 57(9): 2358-2363.

5. Jiang H, Dong J, Song K, Wang T, Huang W, Zhang J, Yang X, Shen, Y, ZhangJ. A novel allosteric site in casein kinase 2α discovered using combiningbioinformatics and biochemistry methods. ActaPharmacol Sin 2017, doi: 10.1038/aps.2017.55.

6. Qi Y, Wang Q, Tang B, Lai L. Identifying allosteric binding sites inproteins with a two-state Go model for novel allosteric effector discovery. J. Chem. Theory Comput. 2012, 8,2962–2971.

7. Panjkovich, A. and Daura, X. (2014) PARS: a web server for the predictionof protein allosteric and regulatory sites. Bioinformatics30, 1314–1315

8. Goncearenco A, Mitternacht S, Yong T, Eisenhaber B, Eisenhaber F,Berezovsky IN (2013) SPACER: server for predicting allosteric communication andeffects of regulation. Nucleic AcidsRes. 41, W266–W272

长按下图二维码，关注药物分子设计