论文部分内容阅读
新药研发的现阶段通常需要付出高额的成本、冗长的时间，并且候选药物被淘汰的概率极高。在新药早期研发的过程中，用复合物离解常数Kd或IC50值作为评判活性的标准。Kd或IC50值的测定是在封闭系统的平衡状态下进行，但是体内属于开放性系统，环境和浓度都在不断的进行变化，所以Kd与IC50值并不能完全反映药物和靶标在体内的实际结合状态。近年来，越来越多的人开始关注化合物与靶标的结合动力学特性，经研究分析，大部分候选药物在临床试验阶段被淘汰，是因为忽视了对动力学因素的研究而被淘汰，浪费资金和金钱严重。药物一旦进入到人体内部，就会受很多因素影响。众所周知，化合物的离解速率(Koff)是一个很重要的药代动力学因素。药物与受体结合、解离的动力学(kinetics)性质主要由离解速率(Koff)决定。本文将对药物与靶标之间的动力学性质和药物分子结构之间的关系进行深入研究，为新药的设计及研制提供指导性帮助与参考。 本文从近三十年发表的文献中总共收集了120个抗病毒类抑制剂，其中包括抗HIV抑制剂（74个）、抗HCV抑制剂（19个）、抗流感类抑制剂(27个)。这些化合物的Koff值（1.2×10-9-100S-1）均在相同的实验条件下用相同的实验测量方法测定。本文将用这120个抗病毒类抑制剂的Koff值来研究其定量构动关系(quantitative structure pharmacokinetic relationship QSPR)。首先我们使用Sybyl软件绘制出这120个抑制剂的二维结构，随后通过能量优化将二维结构转化成三维结构。采用DRAGON软件计算了每个抗病毒类抑制剂的1630个描述符。根据抑制剂的结构与化学性质在化学空间中的相似性和分布，将所有抑制剂随机的分为两大类，训练集和测试集。训练集中包含99个抑制剂，测试集中包含21个抑制剂。利用训练集和支持向量机方法(Support Vector Machine，SVM)建立了抗病毒类抑制剂分子描述符和药动力学参数Koff之间的预测模型，训练集中得到实验与预测Koff值的相关性r2为0.85，测试集中得到实验与预测Koff值的相关性r2为0.79。然后保持训练集和测试集中的抑制剂不变，利用训练集和BP神经网络方法建立抗病毒类抑制剂分子描述符与动力学参数Koff之间的预测模型，训练集中得到实验与预测Koff值的相关性r2为0.79，测试集中得到实验与预测Koff值的相关性r2为0.67。结果显示，用支持向量机方法建立的预测模型比用BP神经网络建立的模型能更好的通过化合物的结构来预测出离解速率Koff的值。