聯芳基氨基噻嗪類BACE1抑制劑的3D-QSAR分析與分子對接研究Δ

劉景陶，倪敬軒，王曉，畢毅（1.河套學院理學系，內蒙古巴彥淖爾015000；.煙臺大學藥學院，山東煙臺 64005）

阿爾茨海默?。ˋlzheimer’s disease，AD），是一種常見的慢性神經退行性疾病，主要特征為記憶喪失和認知衰退[1]。截至2013年，全球各地超過4400萬人患有AD，經濟負擔約為每年604億美元，且預計在未來幾十年，AD患者的數量還將呈指數級增長[2]。目前雖已有多種AD治療藥物進入臨床，但仍未能獲得理想效果，因此亟需開發能有效治療AD的新藥。

AD的主要病理特征之一是由細胞外β-淀粉樣多肽（Aβ）的過度聚集而產生的老年斑（SPs），而Aβ能通過對腦神經細胞產生毒性而引起腦功能障礙[3]。研究表明，Aβ的過度聚集與纏結是導致AD的主要因素[4]，因此降低大腦中Aβ的水平是治療AD的重要研究方向。β-淀粉樣前體蛋白水解酶1（又稱β-分泌酶1，BACE1），是水解淀粉樣前體蛋白生成Aβ的關鍵限速酶[5]，因此減少BACE1的分泌或降低BACE1的表達已成為AD藥物治療的重要策略之一。目前已有多種結構類型的小分子BACE1抑制劑處于研究中，如氨基乙內酰脲類[6]、氨基噁唑啉類[7]、亞氨基嘧啶酮類[8]和氨基噻嗪類[9]等。2009年，美國禮來公司報道了一種聯芳基氨基噻嗪類BACE1抑制劑——化合物A（LY2811376），該化合物對BACE1表現出適度的抑制活性[半數抑制濃度（IC50）＝0.27 μmol/L]，口服給藥后能夠持續降低健康志愿者腦部的Aβ水平[9]。2016年，Wu YJ等[10]在化合物A的基礎上開發出化合物B，后者對BACE1的抑制活性更強（IC50＝0.7 nmol/L）?；衔顰、B的結構見圖1。由于聯芳基氨基噻嗪類BACE1抑制劑表現出較強的抑制活性，加之其具有分子骨架較小、代謝穩定性強等特征[11]，故該類化合物的衍生物成為BACE1抑制劑的主要研究對象之一。

圖1 化合物A、B的結構Fig 1 Structures of compoundAand B

定量構效關系（Quantitative structure-activity relationship，QSAR）法是通過分析化合物結構特征與其活性之間的相關性，以預測新化合物活性的方法[12]。三維定量構效關系（3D-QSAR）是引入了分子三維結構信息進行QSAR研究的方法，能間接反映化合物與大分子相互作用過程中的非鍵相互作用特征，有助于節省科研資源、加快新化合物和新藥物的開發進程[13]。比較分子場分析法（CoMFA）[14]和比較分子相似性指數分析法（CoMSIA）[15]是3D-QSAR法中的常用方法，其中CoMFA用于分析化合物的結構特性如立體場、靜電場與其活性之間的相關性[16]，而CoMSIA用于分析化合物的疏水性、氫鍵供體/受體以及空間/靜電特性與其活性之間的相關性[17]。

為獲得具有高效BACE1抑制活性的新型聯芳基氨基噻嗪類衍生化合物，筆者運用SYBYL-X 2.0軟件包，采用CoMFA與CoMSIA方法對41個聯芳基氨基噻嗪類衍生化合物進行3D-QSAR分析，獲得該類化合物的3DQSAR模型，并運用Surflex-dock分子對接方法分析該類化合物與BACE1的結合模式，為新型高效BACE1抑制劑的研發提供理論基礎。

1 材料與方法

1.1 軟件

采用Tripos公司SYBYL-X 2.0軟件包進行研究：采用“Minimize”功能模塊選擇力場、優化方法對分子結構進行優化，得到合理的構象；采用“CoMFA”與“CoMSIA”功能模塊建立3D-QSAR模型，然后以所建模型預測化合物的活性；采用“Surflex-dock”功能模塊進行配體小分子與受體大分子的對接，探索兩者間作用模式。

1.2 化合物及其活性數據

本研究選取的41個聯芳基氨基噻嗪類衍生化合物中，化合物1～19來自于文獻[10]，化合物20～31來自于文獻[18]，化合物32～37來自于文獻[19]，化合物38～41來自于文獻[20]。在建模過程中，根據活性梯度與取代基類型選取其中35個化合物（約占85%）作為訓練集用于建立3D-QSAR模型，其余6個化合物（約占15%）作為測試集用于檢測模型的預測能力。41個化合物的結構見圖2，活性測試結果見表1[注：本研究以IC50常用對數的負值（即-lgIC50，簡稱pIC50）作為活性數據[21]]。

圖2 41個BACE1抑制劑化合物的結構Fig 2 Structures of 41 BACE1 inhibitor compounds

1.3 化合物分子結構優化

采用“Minimize”功能模塊對全部化合物的結構進行分子力學能量優化。優化過程選用Powell能量梯度法，Tripos力場，加載Gasteiger-Hückel電荷，最大迭代1 000次，能量收斂條件為能級差0.005 kcal/mol（1 kcal＝4.19 kJ），其他參數采用軟件默認值。

1.4 3D-QSAR模型構建及驗證

筆者分別采用CoMFA和CoMSIA兩種方法建立3D-QSAR模型。首先使用一個以sp3雜化的C+作為探針，計算分子格點空間距離為2 ?（1 ?＝0.1 nm）的分子場，然后進行回歸分析，運用偏最小二乘法（PLS）以及留一法（LOO）進行相互驗證得到模型的主成分數（n）和交叉驗證系數（q2）[22-23]；之后采用非交叉驗證方法得到相關系數（r2）與標準偏差（SEE）；最后按文獻[24]標準獲得最優模型并對測試集進行化合物的活性預測。CoMFA和CoMSIA的建模方法相同，其中CoMFA采用立體場和靜電場描述，而CoMSIA采用立體場、靜電場、疏水性場、氫鍵供體場、氫鍵受體場描述[25-26]，均以三維等勢圖表示。

表1 41個BACE1抑制劑化合物活性測試結果Tab 1 Biological activity results of 41 BACE1 inhibitor compounds

1.5 分子對接

采用“Surflex-dock”功能模塊進行聯芳基氨基噻嗪類化合物與BACE1的分子對接。對接時所用的BACE1三維晶體復合物結構來源于Protein Data Bank（PDB，http：//www.rcsb.org）數據庫中編號為5ENK的化合物。在蛋白質修飾過程中，抽離出原配體5QV（即表1中的化合物2），將已抽離配體的蛋白質進行加氫、加載Gasteiger-Hückel電荷、修正錯誤或不完整殘基等操作。以5QV的結構作為參照，進行聯芳基氨基噻嗪類化合物與BACE1的對接，結合部位為5ENK中BACE1與5QV的結合部位，以評分值較高者作為較優分子構象。

2 結果與討論

2.1 CoMFA與CoMSIA模型的驗證結果

采用CoMFA方法得到的最佳CoMFA模型線性方程為y＝1.017 2x-0.046 1（x為實測活性值，y為預測活性值，下同），q2＝0.760，r2＝0.972，n＝3，SEE＝0.168 072；采用CoMSIA方法得到的最佳CoMSIA模型線性方程為y＝0.912x-0.206 8，q2＝0.704，r2＝0.981，n＝4，SEE＝0.140 596。通常q2＞0.5時，可認為模型具有較好的預測能力[27]。結果表明，所得CoMFA模型與CoMSIA模型具有可靠的預測能力，可較為準確地預測測試集化合物的活性?；衔锘钚灶A測值及其與實測值的相關性見表1、圖3。

圖3 CoMFA模型和CoMSIA模型實測值與預測值的相關性Fig 3 Correlation of experimental value and predicted value of CoMFAand CoMSIAmodel

2.2 3D-QSAR的CoMFA建模結果

以化合物4為例，其采用CoMFA法所建模型的三維等勢圖（立體場與靜電場）見圖4。圖4A為立體場的三維等勢圖，綠色表示增大基團會增強化合物活性，黃色表示增大基團會降低化合物活性；4位與6位的綠色等勢區域說明在這兩處引入體積大的基團有利于增強化合物活性。例如與化合物4比較，化合物2的4位苯環上有嘧啶環取代，故化合物2的活性更強；與化合物8比較，化合物5的6位有甲基異噁唑環取代，故化合物5的活性更強。圖4B為靜電場的三維等勢圖，藍色表示在該區域引入帶正電荷的取代基有利于增強化合物活性，紅色表示引入帶負電荷的取代基會增強化合物活性；4位苯環處與6位的紅色等勢區域說明在這兩處引入負電性基團可增加化合物的活性。例如與化合物20比較，化合物21的4位苯環處有氟原子取代，故化合物21的活性更強；與化合物17比較，化合物36的6位有羥基取代，故化合物36的活性更強。

2.3 3D-QSAR的CoMSIA建模結果

以化合物4為例，由于CoMSIA法所建模型的立體場與靜電場等勢圖與CoMFA模型基本一致，故略去，其氫鍵受體場、氫鍵供體場和疏水場的三維等勢圖見圖5。圖5A、B為氫鍵受體場與供體場的三維等勢圖，紫紅色表示增加氫鍵受體有利于增強化合物活性，紅色則與之相反；藍綠色代表增加氫鍵供體有利于增強化合物活性，紫色則與之相反；4位取代基處的紫紅色與藍綠色等勢區域說明此處引入氫鍵受體或供體都可增加活性。例如與化合物4比較，化合物31的4位取代基既有氮原子又有氧原子，故化合物31的活性更強。6位取代基上方的藍綠色等勢區域表明此處引入氫鍵供體有利于增強化合物活性。例如與化合物6比較，化合物18的6位取代基上方有氮原子，故化合物18的活性更強。圖5C為疏水場等勢圖，黃色區域表示引入疏水性基團（如苯環、甲基、乙基、甲氧基等）有利于增強化合物活性，灰色區域表示引入親水性基團（如羥基、氟原子等）有利于增強化合物活性；4位引入親水性基團可增強化合物活性。例如與化合物4比較，化合物37的4位取代基引入了氰基，故化合物37的活性更強。6位引入疏水性基團可增強化合物的活性。例如與化合物17比較，化合物13的6位取代基引入了苯基，故化合物13的活性更強。

圖4 CoMFA模型的三維等勢圖Fig 4 Three dimensional contour plots of CoMFA model

圖5 CoMSIA模型的三維等勢圖Fig 5 Three dimensional contour plots of CoMSIA model

2.4 分子對接結果

分子對接評分最高者為化合物34，其與BACE1受體的對接模式見圖6A，與BACE1受體的疏水相互作用見圖6B。由圖6A可見，化合物34位于BACE1受體的活性口袋內，并與口袋內的分子產生相互作用：氨基噻嗪環中氨基上的一個氫原子與受體蛋白中氨基酸殘基ASP276上的兩個氧原子分別形成兩個氫鍵，氨基上的另一個氫原子與氨基酸殘基ASP80上的一個氧原子和ASP276上的一個氧原子分別形成兩個氫鍵，4位取代基中酰胺鍵上的氧原子和吡啶環上的氮原子與氨基酸殘基TYR246分別形成兩個氫鍵。圖6B中間的深色球棒代表化合物34，兩側的淺色球棒表示與配體分子發生氫鍵作用的氨基酸殘基，半月形虛線表示配體分子與氨基酸殘基的疏水相互作用。疏水相互作用是發生在疏水物的疏水基之間的一種重要的弱相互作用，分子間的非極性部分由于疏水性而相互靠攏，疏水作用越強，結合就越牢固。由圖6B可見，疏水氨基酸殘基ASP80、ASP276在氨基噻嗪母核附近有強的疏水相互作用，TYR246與4位取代基的酰胺吡啶環有疏水相互作用。

圖6 分子對接模式與疏水相互作用圖Fig 6 Diagram of molecular docking mode and hydrophobic interaction

由于化合物34分別與氨基酸殘基ASP80、ASP276、TYR246形成氫鍵，而ASP80和ASP276是PDB數據庫中5ENK化合物已經確認的活性功能殘基，故推測TYR246可能是聯芳基氨基噻嗪類化合物與BACE1結合的潛在活性功能殘基。將化合物11、12、15、35與BACE1受體（5ENK）結合，結果上述4個化合物均與氨基酸殘基ASP80、ASP276、TYR246形成氫鍵作用。

3 結語

本課題組通過對41個聯芳基氨基噻嗪類BACE1抑制劑化合物進行3D-QSAR研究，建立了預測能力較好的CoMFA模型（q2＝0.760，r2＝0.972）與CoMSIA模型（q2＝0.704，r2＝0.981），根據CoMFA（立體場與靜電場）與CoMSIA（立體場、靜電場、氫鍵供體/受體場、疏水性場）的等勢圖分析，可指導此類化合物的結構優化。通過該類化合物與BACE1受體的分子對接研究發現，其可與ASP80、ASP276和TYR246等氨基酸殘基形成氫鍵作用，其中TYR246可能是聯芳基氨基噻嗪類抑制劑化合物分子與BACE1結合的另一潛在活性功能殘基。據此，可對該類化合物的取代基進行合理優化，獲得對BACE1抑制活性增強的新型聯芳基氨基噻嗪類抑制劑。通過3D-QSAR分析結合分子對接，可進行新型高效聯芳基氨基噻嗪類BACE1抑制劑的設計合成，進而用于研發新型AD治療藥物。

[1] QUERFURTH HW，LAFERLA FM.Alzheimer’s disease：mechanism of disease[J].N Engl J Med，2010，362（4）：329-344.

[2] PRINCE M，GUERCHET M，PRINA M.The Global impact of dementia：2013-2050[R].Health Services&Population Research，2013.

[3] LV ZY，TAN CC，YU JT，et al.Spreading of pathology in Alzheimer’s disease[J].Neurotox Res，2017，32（4）：707-722.

[4] MOORTHI V，PREETHI B.A review on Alzhimer’s disease：pathology，molecular conditions，managemnt and causes[J].Asian J Pharm Clin Res，2017，10（5）：27.

[5] VASSAR R，KOVACS DM，YAN R，et al.The β-secretase enzyme BACE in health and Alzheimer’s disease：regulation，cell biology，function，and therapeutic potential[J].J Neurosci，2009，29（41）：12787-12794.

[6] HUNT KW，COOK AW，WATTS RJ，et al.Spirocyclic β-site amyloid precursor protein cleaving enzyme 1（BACE1）inhibitors：from hit to lowering of cerebrospinal fluid （CSF）amyloid β in a higher species[J].J Med Chem，2013，56（8）：3379-3403.

[7] CHEN JJ，LIU Q，YUAN C，et al.Development of 2-aminooxazoline 3-azaxanthenes as orally efficacious β-secretase inhibitors for the potential treatment of Alzheimer’s disease[J].Bioorg Med Chem Lett，2015，25（4）：767-774.

[8] MANDAL M，ZHU Z，CUMMING JN，et al.Design and validation of bicyclic iminopyrimidinones as beta amyloid cleaving enzyme-1（BACE1）inhibitors：conformational constraint to favor a bioactive conformation[J].J Med Chem，2012，55（21）：9331-9345.

[9] MAY PC，DEAN RA，LOWE SL，et al.Robust central reduction of amyloid-β in humans with an orally available，non-peptidic β-secretase inhibitor[J].J Neurosci，2011，31（46）：16507-16516.

[10] WU YJ，JASON G，SHI JL，et al.Discovery of S3-truncated，C-6 heteroaryl substituted aminothiazine β -site APP cleaving enzyme-1（BACE1）inhibitors[J].J Med Chem，2016，59（18）：8593-8600.

[11] LI HN，LI FR，CHENG MS，et al.Advances on non-peptide BACE1 inhibitors[J].Chin J Med Chem，2016，26（6）：498-508.

[12] PUTZ MV，DUDA? NA.Variational principles for mechanistic quantitative structure-activity relationship（QSAR）studies：application on uracil derivatives’anti-HIV action[J].Struct Chem，2013，24（6）：1873-1893.

[13] SAMMI T，SILAKARI O，RAVIKUMAR M.Three-dimensional quantitative structure-activity relationship modeling of gamma-secretase inhibitors using molecular field analysis[J].Chem Biol Drug Des，2008，71（2）：155-166.

[14] ENTEZARI HY，SERESHTI H，SABOURY AA，et al.3D QSAR studies，pharmacophore modeling，and virtual screening of diarylpyrazole-benzenesulfonamide derivatives as a template to obtain new inhibitors，using human carbonic anhydraseⅡas a model protein[J].J Enzym In-hib Med Chem，2017，32（1）：688-700.

[15] XIE H，CHEN L，ZHANG J，et al.A combined pharmacophore modeling，3D QSAR and virtual screening studies on imidazopyridines as B-Raf inhibitors[J].Int J Mol Sci，2015，16（6）：12307-12323.

[16] BORISAA，BHATT H.3D-QSAR（CoMFA，CoMFA-RG，CoMSIA）and molecular docking study of thienopyrimidine and thienopyridine derivatives to explore structural requirements for aurora-B kinase inhibition[J].Eur J Pharm Sci，2015，79：1-12.

[17] CHAUBE U，CHHATBAR D，BHATT H.3D-QSAR，molecular dynamics simulations and molecular docking studies of benzoxazepine moiety as mTOR inhibitor for the treatment of lung cancer[J].Bioorg Med Chem Lett，2016，26（3）：864-874.

[18] WU YJ，GUERNON J，YANG F，et al.Targeting the BACE1 active site flap leads to a potent inhibitor that elicits robust brain Aβ reduction in rodents[J].ACS Med Chem Lett，2016，7（3）：271-276.

[19] WU YJ，GUERNON JM.4，6-diarylaminothiazines as BACE1inhibitors and their use for the reduction of betaamyloid production，US：9475784B2[P].2016-10-25.

[20] PRATI F，BOTTEGONI G，BOLOGNESI ML，et al.BACE-1 inhibitors：from recent single-target molecules to multitarget compounds for Alzheimer’s disease[J].J Med Chem，2017，61（3）：619-637.

[21] ZHENG S，ZHONG Q，XI Y，et al.Modification and biological evaluation of thiazole derivatives as novel inhibitors of metastatic cancer cell migration and invasion[J].J Med Chem，2014，57（15）：6653-6667.

[22] XIE A，SIVAPRAKASAM P，DOERKSEN RJ.3D-QSAR analysis ofantimalarialfarnesyltransferase inhibitors based on a 2，5-diaminobenzophenone scaffold[J].Bioorgan Med Chem，2006，14（21）：7311-7323.

[23] BUSH BL，JR RBN.Sample-distance partial least squares：PLS optimized for many variables，with application to CoMFA[J].J Comput Aid Mol Des，1993，7（5）：587-619.

[24] MARELLA A，AKHTER M，SHAQUIQUZZAMAN M，et al.Synthesis，3D-QSAR and docking studies of pyrimidine nitrile-pyrazoline：a novel class of hybrid antimalarial agents[J].Med Chem Res，2014，24（3）：1018-1037.

[25] ALMERICO AM，TUTONE M，LAURIA A.Receptorguided 3D-QSAR approach for the discovery of c-kit tyrosine kinase inhibitors[J].J Mol Model，2012，18（7）：2885-2895.

[26] AKAMATSU M.Current state and perspectives of 3DQSAR[J].Curr Top Med Chem，2002，2（12）：1381-1394.

[27] ZENG GH，FANG DQ，WU WJ，et al.Binding conformations，QSAR，and molecular design of alkene-3-quinolinecarbonitriles as Src inhibitors[J].Int J Quantum Chem，2013，113（10）：1467-1478.