高通量虚拟筛选CDK2/Cyclin A2靶点抑制剂

doi:10.7503/cjcu20210405

摘要/Abstract

摘要：

CDK2/Cyclin A2复合蛋白的异常表达与乳腺癌、口腔癌、食管鳞状细胞癌的发生密切相关. CDK2/ Cyclin A2复合蛋白的活性位点不同于CDK2单体. 至今临床上尚无靶向此复合蛋白的药物分子. 针对CDK2/Cyclin A2复合蛋白, 以实验报道的10个抑制剂分子构建药效团模型, 通过药物体外药代动力学（ADME）、 Docking、聚类分析、毒性预测, 从DrugBank, ChEMBL和TCM@Taiwan 3个数据库约90万组数据中进行高通量虚拟筛选, 进一步进行MD模拟、 MM/PBSA结合自由能计算、能量分解和平均非共价作用(aNCI)分析, 筛选出3个抑制效果优于阳性实验药Roscovitine的先导分子: DrugBank-2004, DrugBank-583和ChEMBL-7122. 与CDK2蛋白相比, CDK2/Cyclin A2复合蛋白结合位点空间变大, 先导分子与Lys33, Asp86, Lys129和Asp145残基之间的排斥作用有所降低, 导致结合自由能更大.

关键词: CDK2/Cyclin A2, 分子模拟, 高通量虚拟筛选, 抑制剂, 自由能分解

Abstract:

Abnormal expression of CDK2/Cyclin A2 protein is closely related to the occurrence of breast cancer， oral cancer， and esophageal squamous cell carcinoma. The binding pocket of CDK2/Cyclin A2 complex protein is different from that of CDK2 monomer. So far， no inhibitor that targeting CDK2/Cyclin A2 protein has been approved clinically. In order to obtain the high-efficiency inhibitor towards CDK2/Cyclin A2， the high-throughput virtual screening was performed among approximately 900000 molecules based on the three databases including DrugBank， ChEMBL and TCM@Taiwan. The 10 inhibitor molecules reported experimentally were used for pharmacophore models， to screen for hit molecules in above databases by means of docking， ADME， clustering analysis， toxicity prediction. Furthermore， 3 lead molecules including DrugBank-2004， DrugBank-583 and ChEMBL-7122 were screened out after moleculor dynamics（MD） simulation， bin- ding free energy calculation and average non-covalent interaction（aNCI） analysis， which are superior to Roscovitine because of the stronger electrostatic interaction. Moreover， as the result of the larger binding pocket than CDK2， the moderation of repulsion between lead molecules and target residues of Lys33， Asp86， Lys129 and Asp145 is achieved， and thus leading to greater binding free energies. The present work will provide a theoretical basis for the experimental research in the future.

Key words: CDK2/Cyclin A2, Molecular simulation, High-throughput virtual screening, Inhibitor, Free energy decomposition （Ed.： Y, K, S）

中图分类号:

O641

TrendMD:

叶成濠, 梁亨, 李恩民, 许丽艳, 李鹏, 陈广慧. 高通量虚拟筛选CDK2/Cyclin A2靶点抑制剂. 高等学校化学学报, 2021, 42(10): 3135.

YE Chenghao, LIANG Heng, LI Enmin, XU Liyan, LI Peng, CHEN Guanghui. High-throughput Virtual Screening of CDK2/Cyclin A2 Target Inhibitors. Chem. J. Chinese Universities, 2021, 42(10): 3135.

图/表 7

Scheme 1 Workflow of high?throughput screening of lead compounds on CDK2/Cyclin A2 target

Fig.1 Scatter plots of predicted and validated docking scores between molecules of DrugBank database and CDK2/Cyclin A2 target based on XGBoost machine learning modelThe red dots represent training set data， the blue ones represent validation set data.

Table 1 Total counts of top 500 molecules predicted by XGBoost model and the number verified by docking in ChEMBL database

Species	Docking score
Species	（-19.1， -23.9）	（-23.9， -28.7）
Count of molecules by XGBoost predicted	367	133
Count of molecules by docking verified	405	95

Fig.2 RMSF(A―C) and RMSD(D―F) plots of complexes under MD simulations（A，D） The top 4 hit molecules in the DrugBank database；（B， E） the top 4 hit molecules in the ChEMBL database；（C，F） the top 4 hit molecules in the TCM@Taiwan database.

Table 2 Decomposition of binding free energy between hit molecules, the inhibitor Roscovitine and the target protein

Compound	E_vDW^a/（kJ·mol^-1）	E_ele^b/（kJ·mol^-1）	G_PB^c /（kJ·mol^-1）	G_nonpolar^d/（kJ·mol^-1）	G_bind^e /（kJ·mol^-1）
DrugBank?2004	-212.0	-76.7	151.8	-19.8	-157.0
DrugBank?583	-191.2	-115.9	182.4	-20.6	-145.3
ChEMBL?7122	-215.3	-142.0	226.1	-19.1	-150.6
Roscovitine	-200.0	-57.4	154.4	-20.6	-123.6

Fig.3 Decomposition of binding free energy on per?residue basis into contributions in each systems based on MM/PBSA method(A) Known inhibitor Roscovitine?CDK2; (B) Roscovitine?CDK2/Cyclin A2; (C) DrugBank?2004?CDK2; (D) DrugBank?2004?CDK2/Cyclin A2; (E) DrugBank?583?CDK2; (F) DrugBank?583?CDK2/Cyclin A2; (G) ChEMBL?7122?CDK2; (H) ChEMBL?7122?CDK2/Cyclin A2. Insets: the structures of hit molecules.

Fig.4 aNCI analysis between CDK2/Cyclin A2 and candidate drug molecules(A) DrugBank?2004; (B) DrugBank?583; (C) ChEMBL?7122; (D) known inhibitor Roscovitine. Blue represents hydrogen bonding, green represents vDW interaction, red represents repulsion.

参考文献 45

1	Morgan D. O.， Nature， 1995， 374， 131―134
2	Martin A.， Odajima J.， Hunt S. L.， Dubus P.， Ortega S.， Malumbres M.， Barbacid M.， Cancer Cell， 2005， 7， 591―598
3	Bagella L.， Sun A.， Tonini T.， Abbadessa G.， Cottone G.， Paggi M. G.， de Luca A.， Claudio P. P.， Giordano A.， Oncogene， 2007， 26（13）， 1829―1839
4	HL De Bondt J. R.， Jancarik J.， Jones H. D.， Morgant D. O.， Kim S. H.， Nature， 1993，363， 595―602
5	Elgazwy A. S.， Ismail N. S.， Elzahabi H. S.， Bioorg. Med. Chem.， 2010， 18（21）， 7639―7650
6	Xiao C.， Sun C.， Han W.， Pan F.， Dan Z.， Li Y.， Song Z. G.， Jin Y. H.， Bioorg. Med. Chem.， 2011， 19（23），7100―7110
7	Mahajan P.， Chashoo G.， Gupta M.， Kumar A.， Singh P. P.， Nargotra A.， J. Chem. Inf. Model，2017， 57（8）， 1957―1969
8	Prehoda K. E.， Lim W. A.， Current Opinion in Cell Biology， 2002， 14（2）， 149―154
9	Kim S. J.， Nakayama S.， Miyoshi Y.， Taguchi T.， TamakiY. T.， Matsushima Y.， Torikoshi S.， Tanaka T.， Yoshida H.， Ishihara S.， Noguchi， Annals of Oncology， 2008， 19（1）， 68―72
10	Ravindranath M. H.， Kelley M. C.， Jones R. C.， Amiri A. A.， Bauer P. M.， Morton D. L.， International J. Cancer， 1998， 75（1）， 117―124
11	Kontopidis G.M.， Pandalaneni C.， McNae S. R.， Gibson I.， Mezna D.， Thomas M.， Wood M.， Wang G.， Walkinshaw S.， Fischer M. D.， Chem. Biol.，2006， 13（2）， 201―211
12	Klon A. E.， Lowrie J. F.， Diller D. J.， ChemInform，2006， 46（5）， 1945―1956
13	Bettayeb K.， Sallam H.， Ferandin Y.， Popowycz F.， Fournet G.， Hassan M.， Echalier A.， Bernard P.， Endicott J.， Joseph B.， Meijer L.， Mol. Cancer Ther.， 2008， 7（9）， 2713―2724
14	Bettayeb K.， Tirado O. M.， Marionneau⁃Lambot S.， Ferandin Y.， Lozach O.， Morris J. C.， Mateo⁃Lozano S.， Drueckes P.， Schachtele C.， Kubbutat M. H.， Liger F.， Marquet B.， Joseph B.， Echalier A.， Endicott J. A.， Notario V.， Meijer L.， Cancer Res.，2007，67（17）， 8325―8334
15	Wishart D. S.， Feunang Y. D.， Guo A. C.， Lo E. J.， Marcu A.， Grant J. R.， Sajed T.， Johnson D.， Li C.， Sayeeda Z.， Assempour N.， Iynkkaran I.， Liu Y.， Maciejewski A.， Gale N.， Wilson A.， Chin L.， Cummings R.， Le D.， Pon A.， Knox C.， Wilson M.， Nucleic Acids Res.， 2018， 46， 1074―1082
16	Mendez D.， Gaulton A.， Bento A. P.， Chambers J.， de Veij M.， Felix E.， Magarinos M. P.， Mosquera J. F.， Mutowo P.， Nowotka M.， Gordillo⁃Maranon M.， Hunter F.， Junco L.， Mugumbate G.， Rodriguez⁃Lopez M.， Atkinson F.， Bosc N.， Radoux C. J.， Segura⁃Cabrera A.， Hersey A.， Leach A. R.， Nucleic Acids Res.， 2019， 47， 930―940
17	Chen C. Y.， PLoS One， 2011， 6（1）， e15939
18	Filgueira de Azevedo W. Jr.， Leclerc S.， Meijer L.， Havlicek L.， Strnad M.， Kim S. H.， European J. Biochem.， 1997， 243（1/2）， 518―526
19	Bettayeb K.， Oumata N.， Echalier A.， Ferandin Y.， Endicott J. A.， Galons H.， Meijer L.， Oncogene， 2008，27（44）， 5797―5807
20	Guex N.， Electrophoresis， 1997， 18（15）， 2714―2723
21	Chemical Computing Group Inc.， Molecular Operating Environment（MOE）， Version 2015， Montreal， QC， 2015
22	Lipinski C. A.， Lombardo F.， Dominy B. W.， Feeney P. J.， Advanced Drug Delivery Reviews，2012， 64（1―3）， 4―17
23	Trott O.， Olson A. J.， J. Comput. Chem.， 2010， 31（2）， 455―461
24	Llewellyn P. L.， Bourrelly S.， Serre C.， Vimont A.， Férey G.， Langmuir， 2008， 24（12）， 7245―7250
25	Banerjee P.， Dehnbostel F. O.， Preissner R.， Front. Chem.， 2018， 6， 362
26	Banerjee P.， Eckert A. O.， Schrey A. K.， Preissner R.， Nucleic Acids Res.， 2018， 46， 257―263
27	Silva A.， Vranken W. F.， BMC Research Notes， 2012，5， 367
28	Case K. B. D. A.， Ben⁃Shalom I. Y.， Brozell S. R.， Cerutti D. S.， Cheatham T. E. III， Cruzeiro V. W. D.， Darden T. A.， Duke R. E.， Giambasu G.， Gilson M. K.， Gohlke H.， Goetz A. W.， Harris R.， Izadi S.， Liu Izmailov S. A.， Kasavajhala K.， Kovalenko A.， Krasny R.， Kurtzman T.， Lee T. S.， LeGrand S.， Li P.， Lin C. J.， Luchko T.， Luo R.， Man V.， Merz K. M.， Miao Y.， Mikhailovskii O.， Monard G.， Nguyen H.， Onufriev A.， Pan F.， Pantano S.， Qi R.， Roe D. R.， Roitberg A.， Sagui C.， Schott⁃Verdugo S.， Shen J.， Simmerling C.， Skrynnikov N. R.， Smith J.， Swails J.， Walker R. C.， Wang J.， Wilson L.， Wolf R. M.， Wu X.， Xiong Y.， Xue Y.， York D. M.， Kollman P. A.， AMBER 2020， University of California， San Francisco， 2020
29	Lindorff⁃Larsen K.， Piana S.， Palmo K.， Maragakis P.， Klepeis J. L.， Dror R. O.， Shaw D. E.， Proteins， 2010， 78（8）， 1950―1958
30	Lindahl E.， Hess B.， van der Spoel D.， J. Mol. Modeling， 2001，7（22）， 306―317
31	Weis A.， Katebzadeh K.， Derhjelm P. S.， Nilsson I.， Ryde U.， J. Med. Chem.， 2006， 49， 6596—6606
32	Hou T.， Wang J.， Li Y.， Wang W.， J. Comput. Chem.， 2011，32（5）， 866―877
33	Kumari R.， Kumar R.， C.， J. Chem. Inf. Model， 2014， 54（7）， 1951―1962
34	Johnson E. R.， Keinan S.， Mori⁃Sanchez P.， Contreras⁃Garcia J.， Cohen A. J.， Yang W.， J. Am. Chem. Soc.， 2010， 132（18）， 6498
35	Contreras⁃Garcia J.， Johnson E. R.， Keinan S.， Chaudret R.， Piquemal J. P.， Beratan D. N.， Yang W.， J. Chem. Theory. Comput.， 2011， 7（3）， 625―632
36	Lu T.， Chen F.， J. Comput. Chem.，2012， 33（5）， 580―592
37	De Moliner E.， Brown N. R.， Johnson L. N.， Eur. J. Biochem.，2003，270（15）， 3174―3181
38	Pratt D. J.， Bentley J.， Jewsbury P.， Boyle F. T.， Endicott J. A.， Noble M. E. M.， J. Med. Chem.， 2006，49（18）， 5470―5477
39	Richardson C. M.， Williamson D. S.， Parratt M. J.， Borgognoni J.， Cansfield A. D.， Dokurno P.， Francis G. L.， Howes R.， Moore J. D.， Murray J. B.， Robertson A.， Surgenor A. E.， Torrance C. J.， Bioorg. Med. Chem. Lett.，2006，16（5）， 1353―1357
40	Griffin R. J.， Henderson A， Curtin N. J.， Echalier A.， Endicott J. A.， Hardcastle I. R.， Newell D. R.， Noble M. E. M.， Wang L.， Golding B. T.， J. Am. Chem. Soc.， 2006， 128（18）， 6012―6013
41	Traquandi G.， Ciomei M.， Ballinari D.， Casale E.， Colombo N.， Croci V.， Fiorentini F.， Isacchi A.， Longo A.， Mercurio C.， Panzeri A.， Pastori W.， Pevarello P.， Volpi D.， Roussel P.， Vulpetti A.， Brasca M. G.， J. Med. Chem.， 2010， 53（5）， 2171―2187
42	Liaw A.， Wiener M.， R News， 2002，23（23）， 18―22
43	Park D. C.， El⁃Sharkawi M. A.， Marks II R. J.， Atlas Les E.， Damborg M. J.， Middle East J. Entific Res.， 1991， 6， 442―449
44	Chen T.， Guestrin C.， XGBoost： A Scalable Tree Boosting System， Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining， San Francisco， 2016， 785―794
45	Han X.， Gross R. W.， Anal. Biochem.， 2001， 295（1）， 88―100

[1]	郇歆宇赖淦强黄悦杨财广. 化学干预N⁶-甲基腺嘌呤修饰的研究进展[J]. 高等学校化学学报, 2022, 43(Album-4): 20220340.
[2]	张咪, 田亚锋, 高克利, 侯华, 王宝山. 三氟甲基磺酰氟绝缘介质理化特性的分子动力学模拟[J]. 高等学校化学学报, 2022, 43(11): 20220424.
[3]	王倩颖, 崔树勋. 通过自由基抑制剂研究聚多巴胺的形成机理[J]. 高等学校化学学报, 2020, 41(6): 1378.
[4]	尤义鹏, 聂林, 刘晋彪, 丰亚辉, 鲁桂. 新型神经氨酸酶抑制剂的设计合成及抗流感病毒活性[J]. 高等学校化学学报, 2020, 41(10): 2279.
[5]	陈晓锋, 宁贺佳, 杨犁, 彭昌军, 孙炜. 分子模拟研究微孔材料对光气吸附扩散性能的影响及材料筛选[J]. 高等学校化学学报, 2019, 40(2): 317.
[6]	李艳杰,王恩思,邵晓玮,张兴民,牛生秀,杨丽娟,武毅. 咪唑酮并[4,5-c]喹啉衍生物的合成及体外生物活性[J]. 高等学校化学学报, 2019, 40(12): 2502.
[7]	刘海春, 卢帅, 张艳敏, 周伟能, 尹凌枫, 朱露, 赵珺楠, 陆涛, 陈亚东. 分子动力学模拟研究Fedratinib-JAK2/JAK3选择性[J]. 高等学校化学学报, 2018, 39(7): 1540.
[8]	陆通, 王春洋, 朱智慧, 蒋巍, 霍明楠, 李菲. 聚乙烯亚胺修饰的氧化石墨烯对人胰岛淀粉样蛋白聚集的抑制作用[J]. 高等学校化学学报, 2018, 39(6): 1274.
[9]	刘宇博, 张娜娜, 陈锦娇, 朱彤, 张嘉宁, 李文利. O-连接N-乙酰葡糖胺转移酶抑制剂的筛选与活性分析[J]. 高等学校化学学报, 2018, 39(6): 1185.
[10]	史艳丽, 刘宇博, 吴思晋, 刘亚军, 张嘉宁, 李文利. ApIV 3C蛋白酶抑制剂的虚拟筛选及活性测定[J]. 高等学校化学学报, 2018, 39(4): 701.
[11]	王磊, 郑国钧, 季奇, 陈博, 巩龙龙, 高聪敏, 杜镇建, 张兴民. PI3K/mTOR抑制剂的合成及生物活性[J]. 高等学校化学学报, 2017, 38(9): 1590.
[12]	段永斌, 殷燕, 孟凡丽, 赵连花, 刘玉坤, 袁哲, 冯阳波. 基于分子对接和自由能计算的高活性苯并噻唑类ROCK抑制剂的设计、合成和生物学评价[J]. 高等学校化学学报, 2017, 38(9): 1568.
[13]	刘琴, 喻艳华, 陈伟达, 陈禅友, 赵蕴杰, 曾辰. 菜豆凝集素抑制剂的设计与凝血活性[J]. 高等学校化学学报, 2017, 38(7): 1185.
[14]	陈东星, 施锦渝, 陈秋芳, 张芮, 龚国清, 徐云根, 朱启华. 具有四氢苯并[4,5]咪唑并[1,2-a]吡嗪骨架凝血酶抑制剂的设计合成及生物活性研究[J]. 高等学校化学学报, 2017, 38(6): 1059.
[15]	李映图, 李理波, 周健. 分子动力学模拟多巴在自组装膜上的黏附性[J]. 高等学校化学学报, 2017, 38(5): 798.