抗流感病毒药物神经氨酸酶抑制剂定量构效关系研究及分子设计

论文摘要

对流感药物的疏忽引发了全球性的流感药物短缺问题。目前市场上只有2种主要的流感药物。同时,对禽流感的担心,促使各国政府采取了相应的药物储备措施,结果导致流感药物的需求变得更加紧张。不过这也带来了一个积极的结果:流感药物研究领域开始复苏。自从1983年确定了流感病毒神经氨酸酶（NA）的晶体结构及其与天然底物唾液酸的共晶结构以来,流感病毒NA抑制剂的研究,尤其是其唾液酸类似物的研究取得了突破性进展。对晶体结构的了解允许人们进行分子模拟研究,进而设计开发高效、高选择性的抑制剂。如果能通过进一步结构优化,提高其活性将有望成为一类新的高效抗流感病毒药物,而构效关系研究是药物设计的一种重要方法,它对于设计和筛选生物活性显著的药物以及阐述药物的作用机理等具有指导作用。因而构建这些化合物的分子结构与生物活性之间的定量相关模型对于研究、设计和开发出高效抗流感药物具有重要意义。本论文从神经氨酸酶抑制剂的作用机制出发,在总结前人的研究成果的基础上,运用2D-QSAR和3D-QSAR的技术,设计出全新的可能具有抗病毒活性的目标化合物,以供生物活性筛选。开展的工作主要有以下几个方面。①运用分子距边矢量（MEDV）对123种神经氨酸酶抑制剂进行了模拟建摸研究,得到了3变量的定量构效关系模型:R=0.705,SD=3.136,R2CV=0.457,SDCV=1.308。在MEDV描述子所建模型的计算结果中不论是估计能力还是预测能力均不是很理想。从上面的结果可以看到在进行交互检验时其R2CV值为0.457,这表明在建模的过程中出现了过拟和现象。其主要原因可能是结构的复杂性增加,其高级结构影响就变得明显。整个分子的性质就不仅仅取决于该分子内原子的电性大小以及彼此之间的距离了,还包括原子间得空间距离、相互之间的空间作用力等。MEDV已经不能准确描述该分子。从而说明MEDV描述子不尚太适用于神经氨酸酶抑制剂的结构表征。②在前面用MEDV描述子对123种神经氨酸酶抑制剂的所建模型的计算结果中,估计能力还和预测能力均不是很理想,故改用了实验室的MEIV描述子进行模拟建摸研究,同样得到了3变量的定量构效关系模型,建摸结果为R=0.715,SD=3.136,R2CV=0.475,SDCV=4.823。从上面的结果可以看到在进行交互检验时其R2CV值从0.457提高到了0.475, SDCV从1.308降到了1.286,普通检验R值从0.705提高到了0.715,SD从1.298降到了1.293,但结果总的来说都不是很理想。从而说明MEIV描述子同样不太适用于神经氨酸酶抑制剂的结构表征。即2D-QSAR技术对神经氨酸酶抑制剂的结构表征存在一定的缺陷和不足。③从实验室两种2D-QSAR即MEDV,MEIV建模效果来看结果都不是十分理想,于是再利用基于与化合物的三种非键作用方式（静电、立体、疏水）的三维分子表征方法—三维全息原子场作用矢量（3D-HoVAIF）对神经氨酸酶抑制剂的123个化合物进行定量构效关系（QSAR）研究。运用逐步线性回归（SMR）筛选变量后。用多元线性回归（MLR）建模得到了9变量模型,相关系数为R=0.885,留一法检验的复相关系数为R2CV=0.736。显然,3D-HoVAIF能够较好地表征神经氨酸酶抑制剂的结构,所建模型具有很好的内部估计能力和外部预测能力。为了深入分析3D-HoVAIF对神经氨酸酶抑制剂样本集的表达和建模性能,这里将123个抑制剂分为训练集和测试集,分别为100和23个样本。同样的用本实验室提出的三维全息原子场作用矢量（3D-HoVAIF）对100个神经氨酸酶抑制剂进行结构表征,然后采用逐步回归对变量进行筛选后,运用偏最小二乘建立3D-HoVAIF描述子与神经氨酸酶抑制剂活性之间的QSAR模型。结果:复相关系数（R）,交互校验的复相关系数（Q2）和模型的标准偏差分别为R2 =0.805,SD=0.936,Q2=0.657,并对文献中23个药物和设计的10个系列化合物进行了预测,模型具有良好的稳定性和预测能力。表明三维全息原子场作用矢量能较好表征该类分子结构信息值得进一步推广应用。④基于分子二维结构信息的MEDV,MEIV和分子三维结构信息的三维原子场全息作用矢量（3D-HoVAIF）的构效关系研究,再根据NA的活性点以及与NAI的缀合特性和参考已有研究成果,我们重点放在已上市的神经氨酸酶抑制剂（NAI）的结构改造,尤其是母环的改造上,设计出了10个系列的化合物,并对其活性进行了预测,其中部分化合物活性值较高,有望成为下一步合成药物,对新型神经氨酸酶抑制剂的开发可提供一定的理论指导,有一定的理论价值和实践价值。

论文目录

• 摘要
• ABSTRACT
• 1 绪论
• 1.1 流感病毒及NA 的特性
• 1.1.1 流感病毒
• 1.1.2 神经氨酸酶 NA
• 1.2 神经氨酸酶抑制剂的研究现状
• 1.3 定量构效关系研究方法及进展
• 1.3.1 QSAR 研究中的化学结构参数
• 1.3.2 定量构效关系的研究进展
• 1.3.3 常用QSAR 方法介绍
• 1.4 本文研究的内容和目的
• 2 统计建模工具及模型诊断与优化方法
• 2.1 矢量结构描述子研究方法
• 2.2 多元线性回归
• 2.3 偏最小二乘回归
• 2.4 变量的优化选择
• 2.5 模型诊断
• 3 MEDV 用于神经氨酸酶抑制剂的构效关系研究
• 3.1 分子距边矢量（MEDV）
• 3.1.1 MEDV 的几个基本概念
• 3.1.2 MEDV 的计算
• 3.2 结构表征与模型建立
• 3.2.1 结构表征
• 3.2.2 模型建立
• 3.3 结果与讨论
• 4 MEIV 用于神经氨酸酶抑制剂的构效关系研究
• 4.1 MEIV 原理与方法
• 4.2 结构表征与模型建立
• 4.2.1 结构表征
• 4.2.2 模型的建立
• 4.3 结果与讨论
• 5 3D-HoVAIF 用于神经氨酸酶抑制剂的构效关系研究
• 5.1 概述
• 5.2 三维原子场全息相互作用矢量的提出及原理
• 5.3 结构表征与模型建立
• 5.4 SMR-PLS 变量筛选
• 5.5 结果与讨论
• 5.6 小结
• 6 神经氨酸酶抑制剂分子设计
• 6.1 NA 抑制剂的设计与合成研究进展
• 6.1.1 C-2 位的羧基
• 6.1.2 C-4 位的羟基
• 6.1.3 C-5 位的乙酰胺基
• 6.1.4 C-6 位的亲水性侧链
• 6.1.5 对母环的改造及其他改造
• 6.2 目标化合物的设计与活性预测
• 6.2.1 3-烷氧基取代苯磺酸类衍生物（TM1 系列）
• 6.2.2 5-烷氧基取代-2-吡咯酸衍生物（TM2 系列）
• 6.2.3 5-烷氧基取代-4-乙酰胺基-2-咪唑酸衍生物（TM3 系列）
• 6.2.4 6-烷氧基取代-4-羟基-5-乙酰胺基-2-吡啶羧酸衍生物（TM4 系列）
• 6.2.5 5-烷氧基取代-4-乙酰胺基-2-噁唑羧酸衍生物（TM5 系列）
• 6.2.6 2-烷氧基取代-4-羟基-6-嘧啶羧酸衍生物（TM6 系列）
• 6.2.7 4-烷氧基取代-5-乙酰胺基-6-羟基-2-吡啶羧酸衍生物（TM7 系列）
• 6.2.8 6-烷氧基取代-5-乙酰胺基-2-吡嗪羧酸衍生物（TM8 系列）
• 6.2.9 5-烷氧基取代-4-乙酰胺基-2-呋喃羧酸衍生物（TM9 系列）
• 6.2.10 5-烷氧基取代-4-乙酰胺基-3-吡唑羧酸衍生物（TM10 系列）
• 6.3 小结
• 7 结论与展望
• 7.1 结论
• 7.2 思考与展望
• 致谢
• 参考文献
• 附录
• A. MEDV, MEIV，三维原子场全息作用矢量涉及到的相关参数
• B. 嘧啶环类神经氨酸酶抑制剂合成路线设计
• C. 作者在攻读学位期间已发表或待发表论文目录