基于药效团技术与专利检索的降脂中药发现研究
2022-06-09
[摘要] 抑制HMG-CoA还原酶的他汀类药物与激动PPAR-α的贝特类药物联合应用相较于单纯应用能产生更好的降脂效果，但同时也会产生较强的不良反应。中药与HMG-CoA还原酶抑制剂合用治疗高血脂疗效稳定、毒副作用小，为药物联用提供了新的选择。该文利用药效团技术搜索中药化学成分，追溯其来源中药，确定潜在的具有PPAR-α激动活性的常用中药。由于现有中医经典中未涉及治疗高脂血症的相关用药方案以供参考，为确保所选中药的联合应用具有较高的安全性和有效性，该文选择世界传统药物专利数据库中已有临床验证的能与他汀类药物联合降脂之中药，并据此分析药效团命中结果中的相应药物，最终获得能作用于PPAR-α且能与他汀类药物联合使用的常用中药。其中，药效团模型以PPAR-α的8个配体-受体结合物为研究对象，利用DS程序中的Receptor-Ligand Pharmacophore Generation模块建立，并以Screen Library模块进行优化，获得最优子药效团。最优子药效团模型由2个氢键受体、3个疏水基团以及19个排除体积组成，辨识有效性指数N值2.82、综合评价指数CAI值1.84。采用该模型对TCMD数据库进行筛选，命中5 235种化学成分、1 193种来源天然动植物，最后确定常用中药62味。专利检索得到38味常用中药，与虚拟筛选结果进行比对，最终获得7味中药。
[关键词] 降血脂;药效团;虚拟筛选;专利检索;贝特类药物;药物联用
高脂血症是体内胆固醇以及甘油三酯载脂蛋白异常增加的一种病证，是引起动脉粥样硬化和冠心病的主要危险因子。当前，高脂血症已经成为危害人民身体健康的重要疾病之一。目前临床常用的降脂药物主要有HMG-CoA还原酶抑制剂类（他汀类）、苯氧芳酸类（贝特类）、胆酸螯合剂类（树脂类）、烟酸及其衍生物类、多烯脂肪酸类（鱼油类）等[1]。但是临床调查显示，部分人群使用单一降脂药不能使血脂水平达标，因此需要寻求不同种类降脂药物的联合应用。有研究显示，联用他汀类药物阿托伐他汀和贝特类药物非诺贝特能够显著降低LDL-C水平，升高HDL-C水平，使得患者的血脂水平达标率大幅度上升[2]。其中，他汀类药物主要通过竞争性抑制HMG-CoA还原酶活性，从而阻碍肝脏内源性胆固醇的合成来达到降低血脂的目的，是目前使用最广泛的降脂药之一。贝特类药物通过激活过氧化物酶增殖体活化受体α（peroxisome proliferator receptor-alpha，PPAR-α），增强脂蛋白脂酶（lipoproteinlipase，LPL）活性，从而降低血浆中TG，LDL-C水平，升高HDL-C水平[3]。但是，有报道提出合用他汀类药物和贝特类药物将会增大他汀类药物横纹肌溶解不良反应的发生率[4-5]。而中药发挥药效作用往往具有较高的活性和更低的毒副作用的特点[6]，因此，发现与他汀类药物联合应用的中药，对探索中西医结合降脂，提高降脂治疗疗效同时降低毒副作用具有着重要意义。
基于配体-受体复合物的药效团构建是指基于已有的生物大分子结构，得出其中对药物活性贡献较大的重要原子和基团以及它们之间的空间距离的药物模型。基于配体-受体复合物的药效团能较为准确的反映配体与受体相互作用的化学与空间互补性，因而利用其进行虚拟筛选时，具有准确性高的优势[7]而在药物科技领域，专利文献是最系统、最全面的信息资源。利用专利检索技术能有效地获取现有的药学科学技术和临床经验，为药物研发提供技术和经验支持[8]。本文利用从PDB（Protein Data Bank）数据库中得到的明确具有PPAR-α激动作用的配体-受体复合物建立所需的药效团模型，对中药活性成分进行虚拟筛选，获得能与该靶点相互匹配的中药活性成分，并据此追溯其来源中药。由于现存中医经典中未有治疗高血脂病的相关用药方案以供参考，为快速发现大量安全可靠、临床效果明确的中西药联用信息，本文考察所得来源中药在世界传统药物专利数据库（world traditional medicine patent database，WTM）中联合他汀类药物的治疗情况，综合药效团筛选和专利检索，提出既具有PPAR-α激动作用，又能与HMG-CoA还原酶抑制剂相联合的常用中药。
1 数据与方法
1.1 数据来源 在PDB数据库中，以 “PPAR-α”为关键词检索，按照以下原则进行筛选：复合物中的配体明确针对高脂血症;复合物中的活性位点唯一且已经确定。同时，对所得结果的来源文献进行考证，共确定8个配体-受体复合物的晶体结构，其基本信息见表1。为了对建立的药效团模型进行测试和优化，本文构建了包含367个分子的测试集。其中活性分子98个，来源于The Binding Database数据库（http：//www.bindingdb.org/bind/index.jsp）中对PPAR-α具有激动样作用的化合物;非活性分子269个，来源于MDDR数据库（MDL Drug Data Report： Version 2007.2）。
1.2 药效团模型的构建 通过DS（Discovery Studio 4.0）的Receptor-Ligand Pharmacophore Generation模块建立初步的基于受体-配体复合物的药效团模型。利用Screen Library模块简化直接得到的药效团模型，得到子药效团模型[9]。
1.3 药效团模型的评价 利用测试集分子，对生成的药效团模型进行评价，统计活性化合物命中数目Ha、所有化合物命中数目Ht、活性化合物总数A和化合物总数D，通过公式计算，得到评价指标值A%，N。其中，A%为有效成分命中率，代表药效团模型辨识有效成分的能力，该值越大则辨识有效成分的能力越大;N为辨识有效性指数，代表药效团模型区别有效成分与非有效成分的能力，该值越大则说明模型区别有效成分与非有效成分的能力越强，如公式（1～4）所示。一般而言，在评价同类药效团模型时，首先考虑N值较高的模型，之后再比较各个模型的A%，确定最优药效团模型。为了综合考虑N值与A%，基于本实验室长期对药效团虚拟筛选技术的研究工作经验，本文提出了对药效团的综合评价指数CAI（comprehensive appraisal index）[10-11]，通过计算CAI值，综合考虑了N和A对药效团的评价结果，从而对药效团的筛选能力做出综合评价。
[关键词] 降血脂;药效团;虚拟筛选;专利检索;贝特类药物;药物联用
高脂血症是体内胆固醇以及甘油三酯载脂蛋白异常增加的一种病证，是引起动脉粥样硬化和冠心病的主要危险因子。当前，高脂血症已经成为危害人民身体健康的重要疾病之一。目前临床常用的降脂药物主要有HMG-CoA还原酶抑制剂类（他汀类）、苯氧芳酸类（贝特类）、胆酸螯合剂类（树脂类）、烟酸及其衍生物类、多烯脂肪酸类（鱼油类）等[1]。但是临床调查显示，部分人群使用单一降脂药不能使血脂水平达标，因此需要寻求不同种类降脂药物的联合应用。有研究显示，联用他汀类药物阿托伐他汀和贝特类药物非诺贝特能够显著降低LDL-C水平，升高HDL-C水平，使得患者的血脂水平达标率大幅度上升[2]。其中，他汀类药物主要通过竞争性抑制HMG-CoA还原酶活性，从而阻碍肝脏内源性胆固醇的合成来达到降低血脂的目的，是目前使用最广泛的降脂药之一。贝特类药物通过激活过氧化物酶增殖体活化受体α（peroxisome proliferator receptor-alpha，PPAR-α），增强脂蛋白脂酶（lipoproteinlipase，LPL）活性，从而降低血浆中TG，LDL-C水平，升高HDL-C水平[3]。但是，有报道提出合用他汀类药物和贝特类药物将会增大他汀类药物横纹肌溶解不良反应的发生率[4-5]。而中药发挥药效作用往往具有较高的活性和更低的毒副作用的特点[6]，因此，发现与他汀类药物联合应用的中药，对探索中西医结合降脂，提高降脂治疗疗效同时降低毒副作用具有着重要意义。
基于配体-受体复合物的药效团构建是指基于已有的生物大分子结构，得出其中对药物活性贡献较大的重要原子和基团以及它们之间的空间距离的药物模型。基于配体-受体复合物的药效团能较为准确的反映配体与受体相互作用的化学与空间互补性，因而利用其进行虚拟筛选时，具有准确性高的优势[7]而在药物科技领域，专利文献是最系统、最全面的信息资源。利用专利检索技术能有效地获取现有的药学科学技术和临床经验，为药物研发提供技术和经验支持[8]。本文利用从PDB（Protein Data Bank）数据库中得到的明确具有PPAR-α激动作用的配体-受体复合物建立所需的药效团模型，对中药活性成分进行虚拟筛选，获得能与该靶点相互匹配的中药活性成分，并据此追溯其来源中药。由于现存中医经典中未有治疗高血脂病的相关用药方案以供参考，为快速发现大量安全可靠、临床效果明确的中西药联用信息，本文考察所得来源中药在世界传统药物专利数据库（world traditional medicine patent database，WTM）中联合他汀类药物的治疗情况，综合药效团筛选和专利检索，提出既具有PPAR-α激动作用，又能与HMG-CoA还原酶抑制剂相联合的常用中药。
1 数据与方法
1.1 数据来源 在PDB数据库中，以 “PPAR-α”为关键词检索，按照以下原则进行筛选：复合物中的配体明确针对高脂血症;复合物中的活性位点唯一且已经确定。同时，对所得结果的来源文献进行考证，共确定8个配体-受体复合物的晶体结构，其基本信息见表1。为了对建立的药效团模型进行测试和优化，本文构建了包含367个分子的测试集。其中活性分子98个，来源于The Binding Database数据库（http：//www.bindingdb.org/bind/index.jsp）中对PPAR-α具有激动样作用的化合物;非活性分子269个，来源于MDDR数据库（MDL Drug Data Report： Version 2007.2）。
1.2 药效团模型的构建 通过DS（Discovery Studio 4.0）的Receptor-Ligand Pharmacophore Generation模块建立初步的基于受体-配体复合物的药效团模型。利用Screen Library模块简化直接得到的药效团模型，得到子药效团模型[9]。
1.3 药效团模型的评价 利用测试集分子，对生成的药效团模型进行评价，统计活性化合物命中数目Ha、所有化合物命中数目Ht、活性化合物总数A和化合物总数D，通过公式计算，得到评价指标值A%，N。其中，A%为有效成分命中率，代表药效团模型辨识有效成分的能力，该值越大则辨识有效成分的能力越大;N为辨识有效性指数，代表药效团模型区别有效成分与非有效成分的能力，该值越大则说明模型区别有效成分与非有效成分的能力越强，如公式（1～4）所示。一般而言，在评价同类药效团模型时，首先考虑N值较高的模型，之后再比较各个模型的A%，确定最优药效团模型。为了综合考虑N值与A%，基于本实验室长期对药效团虚拟筛选技术的研究工作经验，本文提出了对药效团的综合评价指数CAI（comprehensive appraisal index）[10-11]，通过计算CAI值，综合考虑了N和A对药效团的评价结果，从而对药效团的筛选能力做出综合评价。