计算机辅助金属β-内酰胺酶抑制剂设计文献综述

一．课题背景

抗生素的临床使用对治疗细菌感染、降低死亡率、延长人类寿命起到了重要的作用。然而随着抗生素的广泛使用，细菌耐药性问题日趋严重，尤其是耐碳青霉烯类肠杆菌科细菌( Carbapenem resistant Enterobacteriaceae，CRE)。美国疾病控制与预防中心的数据表明，美国CRE感染率由2001年的1.2%上升至2011 年的4.2%^[1]。中国CHINET近10 年耐药性监测结果也显示了类似的趋势，其中以耐碳青霉烯类肺炎克雷伯菌最多，由2005 年的3.0%上升至2014年的13.4%^[2]。2017 年2月27日，世界卫生组织(WHO)发布的最需要新药研发来控制的12种细菌的名单包括了CRE^[3]。根据Ambler的分子分类，beta;-内酰胺酶大致分为A，B，C和D四类^[4]。A，C和D类的beta;-内酰胺酶是丝氨酸beta;-内酰胺酶，因为它们主要对活性位点的丝氨酸残基进行亲核攻击，而B类beta;-内酰胺酶在水解过程中使用金属离子（锌离子），因此，被称为金属beta;-内酰胺酶（MBL）。产生金属beta;-内酰胺酶是引起beta;-内酰胺类抗生素耐药的关键因素^[5]。由于MBL对含有beta;-内酰胺核心的抗生素具有广谱活性，因而构成巨大威胁。2009年以来，人们在“超级细菌”中发现了一种被称为新德里金属beta;-内酰胺酶（New Delhi Metallo-beta;-Lactamse，NDM）的新型MBLs。表达NDM-1的细菌可以水解包括碳青霉烯类在内的所有beta;-内酰胺抗生素，从而引起多重耐药性^[6]，NDM-1因其水解谱广，水解活性强，易传播和变异，而严重威胁着人类的健康。此后，许多国家都陆续发现了能产生NDM-1的肺炎克雷伯菌菌株，研究发现这通常与医院间和医院内传播以及伴随旅行的流行病学有关^[7]。迄今为止，NDM亚型已有17种^[8],其进化树可见（图1）。

图1 NDM各亚型进化树

目前临床普遍使用的丝氨酸beta;-内酰胺酶抑制剂 (如克拉维酸, 舒巴坦和三唑巴坦等) 对MBLs均无抑制作用, 而已报道的对MBLs有抑制作用的金属螯合剂如EDTA、邻二氮杂菲、吡啶二羧酸等, 因为不符合成药条件也没有很大临床意义。 因而当前尚未有任何MBLs抑制剂被批准用于临床, “超级细菌”感染者几乎无药可救，医务人员也束手无策。所以寻找NDM-1抑制剂来控制抗生素抗性迫在眉睫，众多研究者们不断摸索开发针对MBLs的抑制剂, 以期能够挽救抗生素耐药危机。

随着计算机技术的高速发展，计算机辅助药物设计（CADD）已经被大量应用于MBLs抑制剂的设计和开发中。其中常见的方法包括基于蛋白质结构的计算机虚拟筛选，基于片段的药物发现（FBDD）等。利用这些方法现已发现一些效果良好的NDM-1抑制剂^[9-11]（图2），但如果想将化合物制成药物还必需要考虑如抑制活性、合成难度、药代动力学性质、毒性以及半衰期等成药性问题,目前还并没有可用于临床的NDM-1抑制剂。即便如此，计算机辅助药物设计也为金属酶抑制剂的研究提供了新的思路，也使金属酶抑制剂开发成为可能。

图2 文献中报道的NDM-1抑制剂

二．实验方法

1.数据的收集及准备

通过查找文献，获得至今所有已知的NDM-1抑制剂结构，利用chemdraw将所有结构画出，并将其转化为SMILES格式，根据文献报道的抑制活性将它们进行分类，作为数据标签。利用moe2016计算已知抑制剂性质，将其作为特征，整合之前的结构数据特征，一同转化为深度学习模型可识别的格式。同时，从Zinc等数据库中随机选取与已知抑制剂结构不类似的化合物作为阴性化合物，利用同样的方法进行处理。将两者共同作为训练数据。

2. 构建深度学习模型