低分子量蛋白-蛋白相互作用调节剂的合理设计

计算工具和相关数据库在药物发现领域已经很成熟， 数据库是许多研究项目的核心（即数据必须收集和转化为知识）。本文将专注于蛋白-蛋白相互作用(PPI)数据库及其虚拟筛选。

过去几年已经发布了包含实验鉴定的蛋白质-蛋白质复合物和预测蛋白蛋白界面的几个数据库。通常，这些数据库不包含有关接触位置的信息，而是整理文献和大规模实验中的交互数据。一些数据库包含在PPI界面共同结晶的分子，而另一些数据库则提出可视化交互网络或提出注释PPI调节剂的小分子。显然，在这些数据库中可以发现错误和重复，为了提高数据的质量，例如创建了IMEx联盟，目的是共享策略。结构信息可以在蛋白质数据库中找到，同源模型也可用于进一步研究PPI。探索和浏览这些集合有助于获取对特殊骨架或子结构的洞察力，特别适用于在PPI界面上结合的分子，并可帮助推导出新规则来设计专用于PPI的ADME-T友好的化合物库。

专门用于预测蛋白-蛋白结合的技术与配体结合的预测技术非常不同。蛋白-蛋白结合位点的信息有助于药物发现选择靶标并设计实验探测界面。多样的蛋白-蛋白结合位点预测方法已经报道，大多是基于具有保守倾向的序列残基，表面拓扑、静电和疏水性。

定位整个相互作用区域或相互作用中涉及的特定残基之后，PPI小分子药物发现项目需要鉴定结合PPI界面区域或PPI界面区域附近的化合物。所选择的PPI也可以通过与界面结合的变构调节剂来实现。虽然可以使用高通量筛选(HTS)，但是通过基于结构的理性方法是非常有挑战性的。然而，一些变构信号可能仅改变蛋白质的动力学而不诱导蛋白质-配体接触引起的构象变化在界面处的作用，本质上这种小分子可以稳定或阻碍相互作用是不可能的。因此，当变构调节剂是明确有意义的时候，这种分子的合理设计仍然是非常困难的。

一旦确定了靶标，并且发现了一个整体的相互作用区域，在这种情况下，该项目可以使用热点的概念来合理地设计PPI调制剂。这些热点可以通过实验来确定，也可以使用计算方法。热点残基通常位于界面中心的周围，通过较不重要的残基形成的疏水性O型环保护热点避免暴于大量溶剂。色氨酸、精氨酸和酪氨酸通常是热点残基；而亮氨酸、丝氨酸、苏氨酸和缬氨酸往往是不利的。最近的研究旨在表征重叠蛋白-蛋白和蛋白-配体结合界面上的蛋白质残基的性质，目的是预测小分子可以结合在哪里。

虽然用于预测结合口袋和口袋成药性的工具基本上是针对常规靶标开发的，但是在使用PPI基于结构的虚拟筛选计算之前，仍然可以使用这些方法。结合口袋检测算法基本上分为两大类，基于几何和基于能量。除了预测结合口袋之外，一些工具还提供了药物评分。通常的方法适用于静态蛋白质结构，但有些也考虑到蛋白质的柔性。另外还有约20种评估口袋相似性的方法。

虚拟筛选可以分为两类，即基于结构的虚拟筛选和基于配体的虚拟筛选。

PPI筛选中，收集和准备用于虚拟筛选的化合物是至关重要的一步。通常应考虑化合物的物理化学性质和结构警示片段。诸如FDA-Drugs在线服务器计算机工具可以帮助搜集准备化合物，并且评估化合物的物理化学性质，寻找假阳性化合物（PAINS）和毒性物质的存在以及评估化合物的潜力。要注意在准备PPI调节剂时有必要使用计算ADME-T预测工具过滤收集的化合物。例如，可以与蛋白质反应形成共价键的化学基团在药物发现项目中是不受欢迎的，但是在某些情况下，如甲状腺激素受体和核心蛋白质的抑制剂，与蛋白质反应形成共价键的化学基团可能是有用的。如上所述，可用于传统靶标筛选的化合物库不能用来筛选PPI，因此，建立富含潜在PPI调节剂的化合物库是有价值的。虽然所有的虚拟筛选方法都可以使用，但是一些衍生自蛋白-蛋白界面的药效团非常适合于PPI靶点调节剂的筛选。可以使用其他工具，如对接评分，尽管它们没有被设计成瞄准PPI口袋。在最近对多个配体对接引擎进行的一项研究中，发现使用常规的对接评分工具可以获得良好的对接解决方案，这表明尽管需要进一步的方法开发，但基于结构的筛选可以帮助PPI调制剂的设计。

干扰素α与其受体的调节

干扰素（IFNα和β）是赋予细胞对重要感染产生抗性的促细胞因子，它们构成对病原体的第一道防线。所有I型IFN结合到IFNAR细胞表面的特定受体，该PPI启动正反馈环路导致IFN水平升高。以前的研究表明，大量的IFNα可能引发称为红斑狼疮的严重自身免疫性疾病。Geppert等人搜集涉及IFNα及IFNAR受体的类药性低分子量抑制剂，其最终目标是降低IFNα水平。他们使用PockePicker和iPred热点检测的组合对IFNα界面进行评估，鉴定出四个预测热点残基（Phe27、Leu30、Lys31和Arg149）包围的约155立方埃米的结合腔，突变研究的结果报道确定了这些残基对于相互作用的重要性。他们还在PocketPicker推测的结合口袋旁边发现了四个残基（Arg149，Asp35，Arg33和Leu29），它们靠近该热点区域，可能是结合小分子的一部分。基于围绕口袋的四个残基，他们使用虚拟配体工具生成了一个药效团模型。然后将该药效团用于筛选556,763种市售化合物。从筛选的前100个分子中，选择六个化合物使用Gold对接到IFNα口袋。对这六个化合物进行抑制IFNα应答能力的实验测试。只有Gold打分最好的化合物能够完全抑制研究的生物反应（IC50=2-8μM）。这项研究中，作者使用计算工具和体外实验来结合发现一种非肽类低分子量分子，可以抑制IFNα与其受体之间的相互作用。