ALISE: Docking + MD + FEP 自动化工作流程

                                       

导读

自动化配体搜索器 ALISE 运用三阶段工作流程，高效地筛选出 HIV 蛋白酶的活性配体。

• : 第二阶段，进一步评估配体稳定性。
• ️ 自用能微扰: 第三阶段，准确计算配体与受体的结合自由能。

今天给大家介绍一篇 2023 年发表在 Journal of Chemical Information and Modeling 上的文章, 标题为:《Introducing the Automated Ligand Searcher》。

ALISE 是一种自动化的计算药物发现工具，旨在模拟配体与受体的结合自由能。它的工作流程分为三个阶段：首先进行分子对接，快速筛选潜在配体；其次是分子动力学，用于评估配体的稳定性；最后是自用能微扰方法，准确计算配体与受体的结合自由能。每个阶段都会淘汰表现不佳的配体，缩小潜在配体的范围。

                                       

方法

ALISE 在三个阶段采用越来越复杂的建模方法：分子对接、分子动力学(MD)和自能微扰(FEP)。这种系统方法通过逐步筛选掉不那么有前途的候选物，确保了计算资源的有效使用。

第一阶段：分子对接

• 目标：确定配体与受体的最佳结合构象。
• 过程：利用像 VinaMPI 这样的软件在服务器上执行此任务。
• 关键组成：
• 搜索算法：在构象空间内搜索配体。
• 评分函数：基于自由能估算对配置进行排名。
• 结果：识别最佳结合构象及相应的对接得分。

第二阶段：分子动力学

• 目标：提供配体-受体结合的详情和现实描述。
• 方法论：涉及平衡全原子 MD 模拟。
• 关键方面：
• 力场：源自实验和量子力学(QM)研究。
• 能量计算：使用分子力学-广义 Born 和表面积连续溶剂化方法。
• 熵计算：采用准谐分析进行详细熵估算。

第三阶段：自用能微扰

• 目标：估算最有前途的配体的结合自由能。
• 过程：模拟配体的结合与非结合形式之间的多个状态。
• 关键特征：
• Lambda 参数：定义从结合状态到非结合状态的渐变转换。
• 能量计算：通过对每个状态间所有能量差异求和来计算总自由能变化。

ALISE 的价值

1. 高效资源利用：通过在每个阶段筛选配体，ALISE 确保只有最有前途的候选物进入下一阶段，节省了计算时间和资源。
2. 提高精确度：ALISE 的每个阶段都提供了对配体-受体相互作用详细情况。
3. 全面分析：从分子对接到 FEP，ALISE 提供了潜在药物和靶标互动的全面视角。

使用

VIKING16 开发的 ALISE 软件极大地简化了药物虚拟筛选流程。

• 目标受体：用户可以上传受体的分子结构文件，或者提供 Protein Data Bank ID 以自动在数据库中检索。
• li>
• 搜索空间：用户可以手动设定，或利用 AutoLigand 软件自动确定。

使用 ALISE 软件时，用户首先设定目标受体。接下来，选择配体，用户可以上传配体的分子结构文件，或利用 PubChem 数据库进行化学相似性搜索。系统通过 Tanimoto 评分评估化学相似性，并可进行潜在毒性筛选。最后，用户设定搜索空间的尺寸和位置，可以手动操作，或让 ALISE 软件通过 AutoLigand 自动完成。

用户完成初步设置后，将进入总结页面，可检查和调整包括三个虚拟筛选阶段的所有设置。专家用户可以调整对接穷尽性和模拟参数等设置。在 VIKING 平台上，用户从任务总结页面启动药物分子搜索。平台自动处理步骤间的过渡，用户可以监控实验进度，并访问中间结果和文件。

对于从对接阶段获得的最佳配体，ALISE 自动生成一组 MM 力场参数，并基于确定的结合姿势启动 MD 模拟。MD 和 FEP 阶段的模拟文件通过 VMD 中的 psfgen 插件准备，模拟使用 NAMD 执行。MD 模拟完成后，将计算每个模拟系统的自由能贡献，并在结果页面提供自由能贡献的差异和总结。FEP 模拟从 MD 阶段获得的最佳配体的最后配置开始，使用显式溶剂模型进行。在所有模拟中，蛋白质、溶剂和离子均由 Chemistry at Harvard Macromolecular Mechanics 力场建模。

图表二：FEP 循环示意图

图示展现计算受体（大形状）与配体（小形状）间结合自由能 ΔG0 的 FEP 循环。配体上虚线框标示约束。配体实心黑色时，与环境相互作用，条纹图案则表配体不与环境互动。FEP 计算沿箭头方向执行正向扰动。

                                       

图表三：ALISE 用户界面

• (A, B) 可从在线数据库上传或获取受体和配体分子结构。
• (C) 对接阶段搜索空间可手动或根据 AutoLigand 软件自动定义。
• (D) 摘要页面显示并允许修改虚拟筛选期间对接和模拟设置。
• (E) 点击“运行任务”后，在概览页面监控任务当前状态。
• (F) 每阶段结束后，结果页面提供按结合自由能排名的配体列表和模拟结合模式图示。

                                       

图表四：ALISE 执行的自动化工作流程

可选步骤和必需步骤分别用黄色和蓝色框表示，绿色框显示各阶段后的结果。结果在结果页面显示，见图表三步骤 F。

                                       

图表五：ALISE 在三个计算阶段发现活性配体与随机选择的比较

横轴表示全部配体（活性和诱饵）进度百分比，纵轴显示该部分中发现的活性配体百分比（第一行）。第二行纵轴显示两曲线差异。ALISE 排名（红线）高于随机选择（蓝线）意味各阶段表现更佳。

• (A) 对接阶段 ALISE 排序（红线）始终超过随机选择（蓝线），成功对接 1395 个活性配体（最后一点）。灰色区域代表进入 MD 阶段的 100 个配体。
• (B) MD 阶段，ALISE 在发现活性配体方面效率高于随机选择。灰色区域代表进入 FEP 阶段的 15 个配体。
• (C) FEP 阶段提升 MD 阶段结果，ALISE 排名活性配体优于随机选择。
• (D-F) 展示 ALISE 性能与随机选择方法差异。积分 I（灰色区域）是 ALISE 优于随机选择的指标。正值表性能优势。对接阶段值为 0.00235；MD 阶段为 0.0931；FEP 阶段为 0.15835。

                                       

图表六：最佳结合自由能估算配体

面板 A 和 B 展示 ALISE 框架获得最佳结合自由能估算配体。A 显示结合在蛋白质结构表面的配体，B 展现蛋白质的二级结构。

                                       

图表七：由 ALISE 发现的三个排名最高的抑制 HIV 蛋白酶的配体结构

面板 A−C 展示 ALISE 发现的三个排名最高用于抑制 HIV 蛋白酶的配体结构。这些结构来源于 ChemSpider 网站。

                                       

讨论 ALISE 算法在 HIV 蛋白酶筛选中的效果

ALISE 算法在筛选 HIV 蛋白酶方面表现卓越，其性能优于随机选择方法。

HIV 蛋白酶是近年来人类医学的一个关注焦点，由于 HIV 的药物耐受性，研究者们面临着挑战。寻找能结合到蛋白酶并阻碍 HIV 复制的活性配体成为一项关键任务。在这个过程中，对接算法的运用至关重要。

DUD-E 数据库是评估对接算法性能的一个可靠基准库，其中包含活性配体和作为对照组的非活性配体。通过使用 DUD-E 数据库的数据集，研究者可以评估对接算法在识别活性配体方面的有效性。

研究者利用 DUD-E 数据库中的 HIV1 蛋白酶数据集，对 ALISE 程序的性能进行了基准测试，以确定该程序在识别蛋白酶的活性配体方面是否优于随机选择。此外，还比较并讨论了三个不同的步骤：对接、分子动力学（MD）和自用能微扰（FEP）。

在每个步骤中，ALISE 均生成了基于评分的配体排序列表，得分最高的配体进入下一步骤。无法对接或模拟的配体则排名最低。ALISE 在每个步骤的性能均经过评估，并与数据集中随机选择的配体进行了比较。

ALISE 在对接步骤中表现出显著的优势。然而，在 MD 和 FEP 步骤中，这种优势较为微妙。整个 ALISE 工作流程在每个步骤都显示出与随机选择配体相比的量化优势。研究者详细讨论了每个步骤：在对接步骤中，成功对接了 16,329 个配体，包括所有 1395 个活性配体。MD 步骤中有 39 个模拟失败，包括三个活性配体。在 FEP 步骤中，与随机选择相比，更迅速地发现了活性配体。

总的来说，ALISE 在整个工作流程的最后阶段生成了有序列表，并在 VIKING 可视化框架中呈现了相应的受体-配体复合物。在这一阶段，测试的 3.90%配体为活性配体，而最终阶段测试的 40.00%配体为活性配体。所有计算均在单节点上进行，该节点配备 48 个 CPU，频率为 2.9 GHz。选择 100 个配体进入 MD 步骤，15 个配体进入 FEP 步骤，确保所有工作在两周内在可用资源上完成。对接步骤平均每个对接位置耗时 0.5 秒。MD 和 FEP 步骤的性能分别为 2.08 和 4.01 小时/纳秒。

通过 ALISE 实现的工作流程将结合到 HIV 蛋白酶的假定配体数量从 35,750 减少到仅 15 个。下一环节节将对 FEP 步骤中排名最高的三个

配体进行更详细的检查。

缺点:

• 方法限制
• 研究可能未充分讨论每个计算阶段的限制，特别是关于分子对接和自由能计算的准确性。
• 基准测试案例研究虽相关，但可能不足以展示该工具在广泛应用范围内的有效性。
• 数据和结果解释
• 研究可能未能清楚地说明数据的处理和分析方法，导致结果可能被误解或误读。
• 在配体选择过程中对假阳性或假阴性的批判性讨论可能不足。

改进建议

• 增强方法论描述
• 提供更详细的计算方法说明，特别是针对每个阶段的限制和潜在错误源。
• 包括使用不同目标蛋白或配体集的额外案例研究，以展示该工具的普适性。
• 扩展数据分析
• 包括更全面的数据分析，特别是关注假阳性和假阴性的处理。
• 实施对基准测试过程及其对工具有效性影响的更详细讨论。

• Jacobsen, L., Hungerland, J., Bačić, V., Gerhards, L., Schuhmann, F., & Solov’yov, I. A. (2023). Introducing the Automated Ligand Searcher. Journal of Chemical Information and Modeling. https://doi.org/10.1021/acs.jcim.3c01317

• PDF Download: https://is.gd/CB9k56