北五味子种子中化合物的相互作用对糖尿病管理的候选物的解锁

医学信息学解锁26（2021）100720阐明从北五味子种子中鉴定的化合物的相互作用，作为糖尿病管理的有希望的候选物mellitus：一种计算方法Oluwafemi Adeleke Ojoa，*，Adebola Busola Ojob，Charles Okolie c，JadesolaAbdurrahman a， Morayo Barnabasa，Ikponmwosa Owen Evbuomwan c，OluwaboriPaul Atunwa d，Bukola Atunwae，Matthew Iyobhebhe a，Tobiloba Christiana Elebiyo a，Charles Obiora Nwonumaa，Abayomi Emmanuel Adegboyega f，SafaaQusti g，埃达·M放大图片作者：Alshammari h. Hetta i，Gaber El Saber Batiha ja植物医学和分子毒理学研究组，生物化学系，Landmark University，Omu-Aran，PMB 1001，尼日利亚bEkiti州立大学生物化学系，科学学院，PMB 5363，Ekiti，360101，尼日利亚cLandmark大学微生物学系，Omu-Aran，PMB 1001，尼日利亚d Joseph AyoBabalola大学生物化学系，Ekeji-Arakeji，尼日利亚e Landmark大学化学系，Omu-Aran，PMB 1001，尼日利亚f乔斯大学基础医学科学学院生物化学系，PMB 2084，乔斯，尼日利亚g沙特阿拉伯吉达阿卜杜勒阿齐兹国王大学理学院生物化学系h沙特阿拉伯哈伊尔哈伊尔大学理学院化学系iDepartment of Medical Microbiology and Immunology，Faculty of Medicine，Assiut University，Assiut，71515，EgyptjDamanhour大学兽医学院药理学和治疗学系，Damanhour，22511，AlBeheira，埃及A R T I C L EI N FO关键词：野木瓜药效团模型QSAR诱导拟合对接模拟2型糖尿病的A B S T R A C T2型糖尿病（T2DM）被认为是一种多方面的疾病，是一个主要的治疗问题。尽管在管理T2DM方面做出了广泛的努力，但药物发现疗法仍然不足。有几种新的和重要的抗糖尿病药物正在许多研究集群的检查。计算工具在几个层面上影响了药物发现。因此，本研究旨在通过计算机模拟方法，解释作为抗糖尿病药物的野木瓜采用药效团建模、Auto-QSAR、诱导拟合对接（IFD）模拟、MM-GBSA法结合亲和力自由能和分子对接等方法对化合物进行筛选并测定其药物活性。结果显示，从DPP-4、GSK-3和GLP-1的结构创建的药效团模型可以确定在综合诱饵数据库排名中发现的恢复能力率接近100%的活性物质的我们通过以下方法预测了化合物的pIC50值：基于学习的机器，由自动QSAR创建。我们验证了所创建的模型，以确认其分析程序。DPP-4、GSK-3和GLP-1获得的最大模型为kpls_desc_35（R2= 0.73和Q2= 0.73）、kpls_desc_4（R2= 0.72和Q2= 0.66）和kpls_radical_14（R2= 0.88和Q2= 0.64），这些经确认的模型用于预测命中候选物的生物活性。虽然几种分离自北五味子的生物活性化合物显示出更好的结合亲和力评分、结合自由能以及观察到的R 05，但只有三种化合物（乙炔雌二醇、8-姜辣素和姜辣酮）显示出更令人满意的pIC50。因此，这些化合物可以是用于糖尿病治疗的药物发现的新候选物。* 通讯作者。电子邮件地址：oluwafemiadeleke08@gmail.com（O.A.Ojo）。https://doi.org/10.1016/j.imu.2021.100720接收日期：2021年7月9日;接收日期：2021年8月20日;接受日期：2021年8月24日2021年8月25日网上发售2352-9148/©2021的 自行发表通过Elsevier 公司这是一个开放接入文章下的CCBY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）中找到。可在ScienceDirect上获得目录列表医学信息学期刊主页：www.elsevier.com/locate/imuO.A. Ojo等人医学信息学解锁26（2021）1007202±1. 介绍糖尿病（Diabetes mellitus，DM）是一种常见的非传染性疾病，其分类为由胰腺β细胞损伤和异常胰岛素产生引起的高血糖。根据全球疾病负担报告，2019年全球约有1，551，170人死于糖尿病[1]。糖尿病有不同的类型; 1型、2型和妊娠糖尿病。1型糖尿病是一种以胰岛素不足为特征的自身免疫综合征，在儿童和青少年早期出现[2]。2型糖尿病的患病率为7079例/100，000;其特征是胰岛素抵抗和胰腺β细胞损伤引起的胰岛素缺乏[ 3，4]。妊娠糖尿病的特征是妊娠期间发生的高血糖[5]。研究表明，植物及其天然产物具有巨大的药用价值，可用于治疗包括糖尿病在内的各种疾病[6]。广泛的植物化学物质，如：柚皮素、芹菜素、山奈素、山奈酚、巴瓦钦、没食子酸、咖啡酸、槲皮素和人参皂苷已被证明具有降血糖活性[6A.红辣椒，俗称鳄鱼椒，是姜科的一种常见物种，姜科[11，12]。它是一种具有巨大的饮食和药用特性的芳香香料。本研究对A.据报道，白术种子富含酚类、生物碱、强心苷、单宁、黄酮类、萜类、蒽醌、香豆素和皂苷[11，13]。不同部位提取物的含量不同。黄芪具有抗氧化、抗血脂和抗糖尿病的潜力[14，15]。用乙酸乙酯萃取法分离出了黄芪种子乙醇提取物的乙酸乙酯部位。已记录阿罗格具有抗高血糖作用[16]。从文献中鉴定了十四（14）个化合物。Bogueta（即，选择α-棕榈酸、桉叶醇、6-姜酚、乙炔雌二醇、α-萜品醇、姜酮、姜辣素、α-萜品基、乙酸酯（E）- [66-据报道，姜辣素通过增强葡萄糖刺激的胰岛素分泌，GLP-1介导的通路。6-姜辣素，姜酮，paradol，8-姜辣素，8-paradol和姜烯酚已被证明具有抗糖尿病活性。二肽基肽酶-4（DPP-4）是一种丝氨酸蛋白酶，可使胰高血糖素样肽1（GLP-1）受体失活，导致胰岛素产生增加。GLP-1正是DPP-4的底物，DPP-4是一种主要的肠促胰岛素激素，负责调节碳水化合物活性，阻碍胰高血糖素的释放，减少胃排空，并刺激β细胞的更新。DPP-4抑制剂可升高血液中GLP-1的水平，并触发胰岛素的产生以应对血糖升高[17-19 ]。此外，据报道抑制DPP-4的药物通过形成H键相互作用或疏水相互作用与生物学上重要的氨基酸结合而起作用。糖原合成酶激酶-3（GSK-3）是一种多功能酶，在细胞信号传导中发挥一系列重要作用。它通常是一种丝氨酸/苏氨酸激酶，催化许多细胞中间体的磷酸化，本身受到酪氨酸磷酸化的刺激，而丝氨酸磷酸化则使其失活[20]。通过刺激GSK-3（Tyr磷酸化状态）实现磷酸化，GSK-3对其大多数靶蛋白具有抑制作用[21]。自动定量构效关系（Auto-QSAR）和药效团建模能够提供有关药理学性质的基本特征的数据。我们进行了计算方法，包括 药效团 建模， 自动定量构效关系， 感应配合对接，自由能结合亲和力和分子对接的见解，以发现新型、选择性和有效的DPP-4、GSK-3和GLP-1抑制剂，用于治疗T2DM。2. 材料和方法2.1. 蛋白质结构预测二肽基肽酶-4（DPP-4）（PDB ID：5 KBY）、糖原合成酶激酶-3β（GSK-3）（PDB ID：20 W3）和胰高血糖素样肽-1（GLP-1）（PDB ID：3 IOL）的晶体结构从蛋白质数据库（PDB）库获得。通过使用Glide [22]的蛋白质制备向导面板预测蛋白质结构除去超过3.0μ g杂原子的水分子，使用OPLS 2005使结构最小化，并使用PROPKA优化随后，生成受体网格文件以定义配体的结合口袋2.2. 配体结构预测十四（14）种化合物，即，来自A.的邻苹果酸、桉叶醇、6-姜油醇、乙炔雌二醇、α-萜品醇、姜酮、异姜酚、α-萜品基、乙酸酯（E）- [6]-脱氢姜酚、8-姜油醇、8-姜油醇、姜烯酚和8-脱氢姜二酮。通过Ligprep模块（Schr？dingerSuite2020-3）预测了用于分子对接的分子。生成了具有正确手性的低能3D结构。每个配体结构的可能的电离状态产生在生理pH值为7.2 - 0.2。每个配体的立体异构体的计算保留指定的手性，而其他的变化。2.3. 受体网格生成受体网格生成允许指定用于配体对接的蛋白质的活性位点的位置和大小。使用Schr？dinger Maestro 12.5的受体网格生成工具，基于共结晶配体定义评分网格。非极性受体原子的范德华（vdW）半径缩放因子为1.0，部分电荷截止为0.25。2.4. 蛋白质-配体对接利用Schr？dingerMaestro12.5的Glide工具，使用生成的受体网格文件进行计算机使用标准精密度（SP）对接制备的配体，将配体采样设置为灵活，配体采样设置为无（仅精确）。vdW半径比例因子缩放为0.80，配体原子的部分电荷截止为0.152.5. 分子对接研究的验证将DPP-4、GSK-3和GLP-1的FASTA序列与CHEMBL数据库进行比对，以获得针对蛋白质的生物活性化合物。从数据库中生成140种具有IC50值的生物活性化合物，并选择30种化合物进行验证程序。使用DataWarrior软件，使用每种化合物的规范微笑来构建化合物的2D结构。将配体导入Schr？dingerMaestro12.5工作区，使用上述配体制备的标准程序进行制备，并使用Schr？dingerMaestro的 LigPrep面板构建3D结构12.5.使用Glide的标准精确对接将配体对接到蛋白质的受体口袋中。在生成的30种化合物的对接评分之间绘制相关系数图，并绘制其相应的pCHEMBL_VALUE。2.6. 基于配体的药效团模型我们的测试化合物的结构数据文件（SDF）来自O.A. Ojo等人医学信息学解锁26（2021）1007203≤PUBCHEM 数 据 库 由 Schr ？ dinger 套 件 的 LigPrep 面 板 （ Schr ？dinger2020-3，LLC，NewYork，NY，USA）制备，配体的化学性质经过适当标准化和外推，并用于使用PHASE进行药效团建模。基于最佳排列和共同特征，通过PHASE自动对齐Li-10。为了开发药效团模型，将制备的配体导入maestro工作区，并基于其实验结合亲和力（pIC50），将配体定义为活性或非活性[pIC 50=-log（IC50）]。IC 50≤ 50 Nm亲和力对应于pIC 50≥07.3]。识别无活性分子的阈值为10μ M或pIC 50 5.0。 假设要求设置为匹配假设中活动特征数量的50%，设置为5，作为首选的最小匹配特征数量。假设差异标准保留为默认值，但供体和负离子特征设置为1，因此受体和负离子特征等同[23]。2.7. 自动QSAR模型从CHEMBL数据库（www.ebi.ac. uk/chembl/） （已访问） 对 月2可以 2021年）， 通过 爆破 的特定蛋白质的FASTA序列。从CHEMBL检索蛋白质的生物活性抑制剂及其各自的pIC50值。使用Data-Warrior软件包（v.2）将具有pIC 50的生物活性抑制剂转换为结构数据文件（sdf）格式[24]。将sdf格式转移到Maestro的工作区，以进行Ligprep的验证[25]。将制备的化合物转移到Canvas化学信息学程序[26]中，用于基于散列线性二进制指纹描述符集之间的Tanimoto相似性进行聚类，并确定抑制剂之间的主要结构多样性，从而从每个所得聚类中选择代表。这些计算研究共生成97、116和59个簇，并通过Maestro Sch r？dingerSuite的自动QSAR面板用于构建QSAR模型。根据各配体的IC50值建立了各靶蛋白的定量构效关系模型对于DPP-4，kpls_desc_35是基于所有模型结局的预测排序选择的模型;分别选择GSK-3、kpls_desc_4和GLP-1、kpls_ra- dial_14。此外，模型的预测精度使用不同的指标进行评估，如排名得分，RMSE，SD，Q2和R2值[27]。此外，QSAR模型的预测能力可以通过参考文献[28]建议的测试集的伴随统计属性来评估，即预测和观察到的活性之间的相关系数R2.8. 结合自由能计算采用Prime MM-GBSA板，利用可用的MM-GBSA估算配体-蛋白质复合物的结合自由能 在Prime。通过MMGBSA定量在配体和蛋白质的自由和复合状态之间能量最小化的能量变化。在主MM-GBA面板和VSGB中选择OPLS 3力场作为连续溶剂模型。其他选择包括：保留为默认模式。如下所述，结合能方程为：ΔG bind=ΔE+ΔGsolv+ΔGSA（1）ΔE=E复合物-E蛋白-E配体（2）（其中E复合物、E蛋白和E配体分别是蛋白-抑制剂复合物、蛋白和抑制剂的最小能量）。ΔGsolv= ΔGsolv（复合物）-ΔGsolv（蛋白质）-ΔGsolv（配体）（3）ΔGSA=ΔGSA（复合物）-ΔGSA（蛋白质）-ΔGSA（配体）（4）（其中，ΔGSA是对表面区的溶剂能量的非极性贡献GSA（复合物）、GSA（蛋白质）和GSA（配体）分别是复合物、蛋白质和配体的表面能）。2.9. 诱导配合对接模拟使用Schr？dinger Maestro 12.5对前3个命中化合物进行诱导拟合对接，包括滑动对接、初始细化和滑动重新对接。相应蛋白质（DPP-4、GSK-3和GLP-1）的受体网格定义为蛋白质共复合物配体的质心。配体构象采样灵活的样品环构象与能量窗口为2.5千卡/摩尔。在滑动对接中，受体和配体的范德华缩放半径各自设定为0.5，对于每个配体，对接姿势的最大数量为20。将主要精修设置为精修配体位姿的5.0 μ m内的残基并优化侧链。在最佳结构的30 kcal/mol内的最终结构和总体顶部结构用额外精确对接重新对接。2.10. 药理学参数分别通过SwissADME和PROTOX-II服务器的分子整合预测评估供试化合物的吸收、分布、代谢、排泄和毒性（ADMET）特性。3. 结果3.1. 野木瓜种子的2D结构的的十四生物活性成分A.将这些化合物即α-棕榈酸、桉叶醇、6-姜辣素、乙炔雌二醇、α-萜品醇、姜酮、姜辣素、α-萜品基、乙酸酯（E）- [6]-脱氢姜辣素、8-姜辣素、8-姜辣素、姜烯酚和8-脱氢姜二酮建模，并用作针对三种抗糖尿病靶蛋白（DPP-4、GSK-3和GLP-1）的对接研究的配体（图2）。 ①的人）。3.2. 蛋白质靶点研究了结合DPP-4、GSK-3和GLP-1的基于结构和基于配体方案的药效团程序。在选择基于能量的位点之前，确定每个配体的药效团位置的数量以及DPP-4、GSK-3和GLP-1的优化假设（表1，图1A和1B）。2-4）。图2示出了8-姜辣素和标准2-[[6-[（3-甲氧基苯基）-2-甲基-2-氧代-3-甲基-2-氧代-2-氧代-3-氧代-3-氧代-4-氧代-3-氧代-4-氧代-4[（R）-3-氮烷基哌啶-1-基]-3-甲基-2，4-双（氧杂环丁烷-1-基]甲基]-4-氟烷基-苯羰基转化为DPP-4，而图 3和4揭示了炔雌醇和GSK-3和GLP-1标准品的e-药效团。这些化合物产生药效团模型，每个模型都有相应的相低评分，并且排名最高的评分是每个模型的最佳评分这些模型揭示了四种类型的特征：A：氢受体，D：氢供体，H：疏水性， 和R ：芳香 环（表1 ）。四 种晶体结构 的特征药效团 模型(AHHR_1，ADHR_4，ADHR_3，ADHR_2，ADHR_1、AAHR_5、AAHR_4、AAHR_3、AAHR_2和AAHR_1），其中AHHR_1和AAHR_5、AAHR_3、AAHR_2和AAHR_1具有额外的疏水性和额外的受体。氢键供体有助于标准配体与酶的结合，而单个芳环和两个氢键受体参与两种测试化合物与酶的分子相互作用。根据富集因子（EF）、BEDROC（α = 0.001）和BEDROC（α= 0. 001），比较了采用药效团法对受体的富集结果。O.A. Ojo等人医学信息学解锁26（2021）1007204=≥Fig. 1. 二维结构分析表明，A. 你好表1药效团模型的统计变异ID阶段低血糖评分EF 1%卧室160.9ROCAUAC平均排名高于诱饵活性物质总量排名活动匹配EX包括AHHR_10.7854.550.730.540.680.571154/4没有ADHR_40.7954.550.760.540.640.141154/4没有ADHR_30.8454.550.770.610.752.381154/4没有ADHR_20.8354.550.770.610.744.51154/4没有ADHR_10.8154.550.680.610.7410.621144/4没有AAHR_50.7854.550.720.540.660.861144/4没有AAHR_40.7846.750.740.540.630.571144/4没有AAHR_30.7854.550.730.540.640.431144/4没有AAHR_20.8354.550.770.610.723.751144/4没有AAHR_10.7954.550.690.610.7114.121144/4没有图例：EF1%=富集因子; BEDROC160.9= Boltzmann增强的受试者工作特征辨别; ROC=受试者工作特征曲线; AUAC=累积曲线下面积;A=氢键受体; D=氢键供体; H=疏水性; R=芳环。160.9），根据表1中显示的活性物对分级诱饵的恢复率。所 有 26 个 模 型 的 EF 1% 平 均 值 为 36.76 ， 而 BEDROC 平 均 值（α160.9）为0.57。e-药效团方法显示出良好的富集1%（EF 1%），导致EF（1%）为54.55。ROC图（图S1）和百分比筛选图 ROC图（图S2）表明所用技术在鉴别活性化合物方面是微妙和精确的。此外，绘制了筛选百分比和发现的活性物百分比之间的ROC图，并描绘在图S2中。该结果表明，由DPP-4、GSK-3和GLP-1创建的模型可以识别活性物质，在总的神经网络诱饵数据库中，活性物质的回收率接近100%。3.3. QSAR模型在表S5此外，药效团模型揭示了良好的相关性 观察到的 和 预测活动（表S5由S.D、RSME、R2和Q2显示 相关性 最好的原型DPP-4显示了kpls_desc_35，标准差（S.D）为0.66，R2为0.73，均方根误差（RMSE）为0.66，Q2为0.73，等级评分为0.71，而GSK-3记录的模型kpls_desc_4的S.D为0.66，R2为0.72，RMSE为0.69，Q2为0.66，等级评分为0.64，GLP-1记录的模型kpls_radical_14的S.D为0.34，R2为0.88，RMSE为0.52，Q2为0.64，排名得分为0.55。的显示最佳生成模型的预测pIC 50与观察到的pIC 50检验的散点图如图11和12所示。五比七从图中观察到，自动QSAR可以预测训练集和测试集的活性，如图所示，因为大多数点，特别是图1A和1B中的点。5-7，接近回归线。QSAR分析模型方程如下：Q2=1-PRESS=1-Yobs （训练）-Ypred（训练）x2（五）自动QSAR模型将数据集分为75%的SSYYobs（训练）-y（训练）x2DPP-4、GSK-3和GLP-1的训练集和25%测试集。尽管如此，该算法开发了三个最佳模型，并显示了结果在上面的等式中，y-训练表示常规动作值O.A. Ojo等人医学信息学解锁26（2021）10072052= 1-（（6）-----------图二、 A = 8-姜酚; B = STD;对DDP-4的受体-配体复合物药效团模型。图3.第三章。 A =炔雌醇; B = STD; C = STD（双-（吲哚）马来酰亚胺吡啶并吡喃）对GSK-3的受体-配体复合物药效团模型。Yobs（training）和Ycal（training）表示，分别为所述组复合物训练的观测和预测活性值。通常，Q2高值（Q2> 0.5）被测量为模型预测能力高的证据：R（Yobs（测试）-Ypred（测试）x2Σ Yobs（测试）-Y（训练）x2在上述等式中，Ypred（test）和Yobs（test）分别表示化合物测试集的预测值和检测值，并且ytraining表示化合物训练集的平均活性值。 可容忍模型的R2预测率应大于0.5。3.4. 分子对接研究我们显示了所有配体与所选蛋白质的对接分数治疗糖尿病的方法见表2。所有化合物的对接得分在0.90和6.29 kcal/mol之间，8-姜辣素达到最高的对接得分4.45 kcal/mol，其次是乙炔雌二醇，结合DPP-4的亲和力得分为4.19，乙炔雌二醇的结合亲和力得分为6.29，8-脱氢姜二酮和姜酮的GSK-3评分分别为5.71和5.59 kcal/mol，乙炔基雌甾酮的GSK-3评分分别为5.71和5.59 kcal/mol。 二醇，结合亲和力评分为4.14，其次是姜油酮，对GLP-1的评分为3.86 kcal/mol。标准品对DPP-4、GSK-3和GLP-1的结合亲和力评分分别为6.25、4.02和3.05kcal/mol。测定了DPP-4、GSK-3和GLP- 1的氨基酸部分与标准品、乙炔雌二醇、8-姜辣素和姜辣酮的相互作用，我们将结果显示在图1A和1B中。八比十分子对接研究表明，这些化合物与LEU A：130，ASP A：133，ASP A：200，LEU A：188，LEU A：123，ARG A：121，VALA：70，MET A：101，PHE A：201，THR A：138，O.A. Ojo等人医学信息学解锁26（2021）1007206见图4。A=炔雌醇; B= STD（癸基4-O-α-D-吡喃葡萄糖基-1-硫代-β-D-吡喃葡萄糖苷）的受体-配体复合物药效团模型;针对GLP-1。图五. 偏最小二乘（PLS）模型的预测值和观测值与公认DPP-4的散点图。TYR A：134，PHE A：201和ALA A：83。此外，化合物通过多种力与氨基残基相互作用，例如常规氢键、π相互作用（例如π-π堆积）。二肽基肽酶IV（DPP-4）的氨基酸残基与标准品（2-[[6-[（3-{R}）-3-氮烷基哌啶-1-基]-3-甲基-2，4-双（氧代亚烷基）嘧啶-1-基]甲基]-4-氟烷基-苯羰基）、乙炔雌二醇和8-姜酚的分子键合见图8A-C和表S8。糖原合成酶激酶-3（GSK-3）的氨基残基与标准品（双-（吲哚）马来酰亚胺、吡咯烷）、乙炔雌二醇和姜酮的分子键合见图9化合物GSK-3（20 W3）与标准炔雌醇相互作用的氨基酸为ALA：83，ASP A：200，CYSA：199，GLN A：185，GLY A：63，ILE A：62，LEU A：170，LEUA：172，LEU A：188，LYSA：85，MET A：101，PHEA：67，PHEA：67。见图6。偏最小二乘（PLS）模型的预测值和观察值与已识别GSK-3的散点图。A：201，THR A：138，VAL A：70和VAL A：110。此外，GSK-3（20W3）通过与氨基酸GLU A：97的氢键与乙炔雌二醇相互作用。GSK-3（20 W3）与姜油酮相互作用，涉及的氨基酸残基为ALA：83、CYSA：199、GLU A：97、ILE A：62、LEU A：130、LEU A：132 、 LEU A ： 188 、 LYSA ： 85 、 MET A ： 101 、 PHEA ： 201 、TYRA：134、VAL A：70、VAL A：110和VAL 135.另外，氨基酸ASP A：133和ASP A：200通过氢键参与GSK-3（2 OW 3）与姜油酮的相互作用，这是由于这两种化合物中分子的静电吸引。氨基酸ALA A：83，ARG A：141，GLA A：64，ASP A：200，CYS A：199，GLN A：185，GLY A：63，ILE A：62，LEU A：180，LYS A：183，PHE A：67，THR A：138，TYR A：134，TYRA：140，VALA：70个参与化合物GSK-3（20 W3）和双-（吲哚）马来酰亚胺吡啶并吡喃之间的相互作用。姜酮与双（吲哚）马来酰亚胺的相互作用涉及氨基酸残基C186 吡啶萘烷 通过 的 吸引力 力 氢O.A. Ojo等人医学信息学解锁26（2021）1007207---------≤---见图7。偏最小二乘（PLS）模型的预测值和观察值与公认GLP-1的散点图。表2测试化合物对选定的抗糖尿病药物靶标的结合亲和力（kcal/mol）。氨基酸残基LEU A：123、LYS A：113、LYS B：34、PHE A：80、SER A：124、TYR A：101和VAL B：33参与相互作用。氨基酸ARGA：121、ASP A：122、GLU A：127和TRP A：120参与GLP-1（3IOL）和标准品之间的氢键这两个化合物没有π相互作用。3.5. 对接评分如图S3所示，观察到的蛋白质数据显示出与实验值的正相关性，在绘制点之后相关值为0.493.6. 柔性模拟（诱导配合对接（IFD）和交互剖面生成最佳位姿，并将化合物对蛋白质的位姿结果列于表S11中。更重要的是，图S4 -S6中显示了显示蛋白质相互作用残基的二维图（最佳姿势），而我们在图S4-S6中显示了3D相互作用。S3-S5。IFD结果显示化合物与蛋白质的结合亲和力/对接评分改善（表S11）。IFD评分的COM-磅的范围在-1512.23 kcalmol-1和-1520.87 kcalmol-1之间，PubChemID化合物5kby_DPP-42OW3_GSK-33IOL_GLP-1DPP-4， -684.76 kcalmol-1 和 -691.28 千卡摩尔-1 与 GSK-3，和GLP-1为-252.76 kcalmol-1和-253.51 kcalmol-1类似的接触1681148-姜酚 -4.45-4.71-2.875991炔雌醇-4.18-6.29-4.142138218-Paradol-4.12-4.80-2.4564685冰片-4.12-4.59-1.081317525988-脱氢姜二酮-4.01-5.71-2.34971草酸-3.97-3.02-2.872758桉叶醇-3.88-5.07-1.1331211姜酮-3.88-5.89-3.8617100α-松油醇-3.73-5.12-3.03111037 α-松油基乙酸酯-3.66-4.82-2.0994378帕拉多尔-3.05-2.57-0.3034736-姜酚-2.95-3.15-1.21124125（E）-[6]-脱氢paradol-2.45-3.12-0.95281794章高-2.01-3.49-0.75通过使用受体-配体复合物，使用相互作用指纹模块获得化合物最佳位姿所表现出的相互作用，其包括主链相互作用、侧链相互作用、极性残基、邻苯二甲酸残基、芳族残基、带电残基和氢键受体/供体。结果显示了几种类似的相互作用，对应于Glide IFD计算采用的结合亲和力改善（表S11）。3.7. 自由能束缚计算化合物的自由结合能示于表S1-S3和图3A-3B中。 S7-S9 显示结合自由能的散点图10345813 Decyl 4-O-alpha-D-吡喃葡萄糖基-1-硫代-beta-D-吡喃葡萄糖苷氮烷基哌啶-1-基]-3-甲基-2，4-二（氧杂环丁烷基）嘧啶-1-基]甲基]-4-氟烷基--- -3.50MMGBSA dG结合（Δ G Bind）与A.抗DPP-4、GSK-3和GLP-1的曲马多。结果表明，所有化合物与蛋白质形成稳定的复合物。对于DPP-4，paradol（35.90 kcal/mol）显示出最高的稳定性，其次是姜烯酚（31.98kcal/mol）和8-paradol（29.35千卡/摩尔）比标准（7.65千卡/摩尔）。标准药物癸基4-O-α-D-吡喃葡萄糖基-1-硫代-β-D-吡喃葡萄糖苷（-57.70 kcal/mol）与GSK-3的稳定性高于8-姜辣素（-51.93千卡/摩尔），6-姜酚（-51.53kcal/mol）关于Shogaol（-49.56千卡/摩尔），而这些化合物比双-碳酸苯图例：DDP-4：二肽基肽酶4; GSK-3：糖原合成酶激酶-3; GLP-1：胰高血糖素样肽-1。它们各自的分子之间的键合。胰高血糖素样肽-1（GLP-1）的氨基酸部分与标准品、炔雌醇和姜油酮的相互作用见图10GLP-1（3 IOL）的氨基酸残基与炔雌醇、姜酮和标准品之间的分子相互作用见图1。10（A-C）和表S10。我们观察到化合物和标准品之间的相互作用较低参与GLP-1（3 IOL）和炔雌醇之间相互作用的氨基酸这两种化合物之间还存在一些相互作用，包括ASP A：122的氢键作用和PHEA：80、TYRA：101的π-π堆积疏水此外，ASP A：122、LEU A：123、PRO A：119、SER A：124、TRPA：120和VAL B：33是GSK-3（3 IOL）与姜油酮之间的相互作用中有π -相互作用，而这两种化合物之间没有观察到π-相互作用。同样，化合物GLP-1（3 IOL）与标准品（吲哚）马来酰亚胺吡啶并吡喃（24.58 kcal/mol）。而标准癸基4-O-α-D-吡喃葡萄糖基-1-硫代-β-D-吡喃葡萄糖苷（46.15 kcal/mol）与GLP-1的稳定性高于（E）- [6]-脱氢paradol（39.64.45 kcal/mol）、6-姜辣素（37.86 kcal/mol）和8-脱氢姜二酮（36.77 kcal/mol）。 从 散点 在图S3中，我们表明分子对接分数在很大程度上与化合物的结合自由能相当，这是因为大多数点接近回归线。3.8. 药理学参数如表3中所示，十四种聚合物的分子量分别为：A. 姜辣素类化合物在90.03（o X苹果酸）和322.44（8-姜辣素）之间。化合物的Log S值范围为0.17（极易溶解）至4.42（中度溶解）（表S12），Log P值范围为0.79至4.69（表S13）。所有测试化合物具有零Lipinski违背和0.55的生物利用度评分，除了具有0.85生物利用度评分的α-亚麻酸。乙炔雌二醇、8-姜辣素和姜辣酮的MWt 500（296.40、322.44和194.23 g/mol）。炔雌醇、8-姜酚和姜酮的一致logP值16734945双（吲哚）马来酰亚胺–-4.02–3813240572-[[6-[（3~{R}）-3--6.52––O.A. Ojo等人医学信息学解锁26（2021）1007208-----图8.第八条。DDP-4（5 kby）氨 基酸 残 基 与（A）炔雌醇、（B）8-姜酚和（C）STD相互作用的二维视图。分别为3.63、3.87和1.76（表S13）。炔雌醇、8-姜辣素和姜辣酮的MR分别为88.84、94.16和54.54。炔雌醇、8-姜辣素和姜辣酮产生的LogS值为4.19，3.88，1.80（表S12）。尽管如此，所有化合物均符合Ghose、Veber、Egan和Muegge规则，并显示出相当的生物利用度评分为0.55。炔雌醇、8-姜酚和姜酮醋酸（E）- [6]-脱氢帕拉多，是CYP 1A 2和CYP 2D 6的潜在抑制剂。炔雌醇是CYP2C9和CYP2D6的有效抑制剂，而姜酮是CYP1A2的潜在抑制剂。8-paradol和8-dehydrogingerdione也是CYP 3A 4的潜在抑制剂（表4）。除了α-萜品基是肝毒性、致癌性和细胞毒性外，没有一种化合物显示出肝毒性、致癌性和细胞毒性的趋势。产生的综合可达性（SA）得分为4.01，3.03和1.52。XIC。 然而，在这方面， 乙炔 雌二醇， 8-姜辣素， 6-姜辣素，paradol，炔雌醇、8-姜辣素和姜辣酮的TPSA评分显示，乙酸酯（E）- [6]-脱氢paradol、8-paradol、姜烯酚和8-脱氢姜酮的TPSA评分低于对照组。40.46、66.76和46.53磅。Gerdione可能是免疫抑制剂，而paradol，acetate（E）-所有化合物的GI吸收潜力都很高。然而，除了草酸之外，所有化合物都显示出BBB渗透性，而乙炔雌二醇、8-姜辣素和姜辣酮是皮肤渗透性的，Log Kp值为5.5、5.29和6.7 cm/s，而草酸得分最低，Log Kp值为7.03 cm/s（表4）。除邻苯二甲酸外的所有化合物都是pgp底物，这意味着我们预期它被限制键控到其作用位点（表4）。表4揭示了从A.藜籽8-姜辣素、6-姜辣素、8-姜辣素、姜辣素、姜烯酚、8-脱氢姜二酮，和[6]-脱氢姜辣醇、8-姜辣醇、姜烯酚和8-脱氢姜二酮可能具有致突变性（表S4）。4. 讨论药效团模型通过药效团位点的相位能量项生成，药效团位点是根据受体蛋白和配体之间的结构和能量数据确定的[29，30]。 在这项研究中获得的数据是重要的，以确定在基于几个配体的药效团假说的O.A. Ojo等人医学信息学解锁26（2021）1007209==≥见图9。GSK-3（20 W3）与（A）炔雌醇、（B）姜酮和（C）双-（吲哚）马来酰亚胺吡啶烷的氨基酸沉积物的通讯的2D可视化。使用由不同晶体结构产生的大量药效团模型不能单独提高鉴定分子的可能性[30，31]。因此，相关的是建立对现有技术的筛选批准，以查看其是否有效地从记录中回收药效团活性物质，以及是否以安排的方式将其提前或不提前插入药效团模型中。据说，包含的体积在辨别非活性物质方面更好，并且通过这样做，产生了单独的药效团假说。根据相位低血糖评分的值对这些进行过滤，相位低血糖评分是与位置、体积、向量和手动选择评分相关的各种特征的直接混合[29，32]。估计富集因子（EF）作为模型依赖性和化合物精确分级的参考点[33]。对于该模型，EF 1%值为54.55，表明药效团建模优于随机建模。利用e药效团内所有靶标的改进结果被放置在与富集因子（EF 1%）相比，玻尔兹曼增强的接收器操作特性辨别（BEDROC）（a160.9），基于活性物对分级数据库诱饵的恢复率，如表1所示。平均EF 1%值从所有假设中整理出来的结果是>54.55，这是一个很好的迹象。这表明该方法鉴定活性物质的能力，而平均BEDROC值（α 160.9）为0.68。 此外，测量药效团假设能力的另一个可靠度量是受试者工作特征（ROC）曲线的累积曲线下面积（AUAC）。模型的AUAC值显示出相当的结果，如表1所示。结果表明，从DPP-4、GSK-3和GLP-1的晶体结构创建的药效团模型可以识别活性物质，其识别活性物质的恢复率接近总的分层诱饵数据库。根据鉴定结果，可以采用这些多药基假说来仔细识别可能的O.A. Ojo等人医学信息学解锁26（2021）10072010--见图10。GLP-1（3 IOL）与（A）乙炔雌二醇、（B）姜酮和（C）癸基4-O-α-D-吡喃葡萄糖基-1-硫代-β-D-吡喃葡萄糖苷的氨基酸残基相互作用的2D可视化。击中目标定量构效关系已被有效地利用来分类的重要功能，精确的抑制作用。QSAR是一种用于定位化合物的生物活性与其基本化学性质之间联系的方法[34]。QSAR方法的合理性对于确定模型对未知数据的强度至关重要。使用的均方根误差（RMSE）方法是确认模型的固有方法之一[35]。通过使用Schrodinger Auto-QSAR面板实现的基于机器学习的预测模型（pIC50计算），也可以推进筛选过程。