【技术实现步骤摘要】
本专利技术涉及抗癌先导化合物筛选，具体涉及一种γ-分泌酶抑制剂的筛选方法及其应用。
技术介绍
1、当前，乳腺癌(breast cancer，bc)已经成为全球发生率最高的第一大癌症。根据受体的表达不同，乳腺癌分为三种亚型：激素受体阳性型(luminal型)，表皮生长因子受体2阳性型(her-2阳性型)和三阴性乳腺癌(triple negative breast cancer，tnbc)。目前，新辅助化疗是tnbc的重要治疗方法，化疗方案主要包括紫杉类(如紫杉醇)、蒽环类(如阿霉素)及铂类(如顺铂)药物联合应用。新辅助化疗后，约20％的tnbc患者可达到病理缓解，但未实现病理缓解的80％患者总体生存率仍然较低，其最大的弊端就是“耐药性”。更为重要的是，tnbc一旦产生化学耐药性，将具有更强的侵袭能力，极大程度提高了患者的死亡率。因此，提供新的三阴性乳腺癌耐药治疗思路、发现新的三阴性乳腺癌耐药靶向药物具有重要临床意义。
技术实现思路
1、为了解决上述技术问题，本专利技术提供了一种γ-分泌酶抑制剂的筛选方法，有效筛选获得了30个天然来源的γ-分泌酶抑制剂；为天然来源γ-分泌酶抑制剂的后续研究提供支撑。
2、为了达到上述技术效果，本专利技术是通过以下技术方案实现的：一种γ-分泌酶抑制剂的筛选方法，其特征在于，包括以下步骤：
3、s1、γ-分泌酶药效团的设计和构建：在pdb数据库搜索并筛选携带天然配体的γ-分泌酶复合物蛋白晶体结构(ps1蛋白对应的晶体结构)，将匹配度
4、s2、配体预处理：对八个化合物库的2d sdf结构文件，采用薛定谔软件中的ligprep模块进行处理并生成所有3d手性构象；
5、s3、adme/t评估：对配体化合物采用薛定谔软件中的qikprop模块预测这些配体的所有adme/t参数得分，共计获得51个类型参数；其中参考五倍率法则(lipinski)的五原则进行评估；
6、s4、活性位点识别：采用薛定谔软件中的receptor grid generation模块，设置最合适的enclosing box将天然配体的结合位点完美包裹，并在此基础上获取蛋白质的活性口袋；
7、s5、分子对接：将八个化合物库中的每个处理好的配体依次与ps1蛋白的活性位点进行分子对接，得分越低代表是该化合物与蛋白质的结合自由能越低，结合稳定性越高；
8、s6、mm-gbsa分析：将最低得分配体与ps1蛋白的活性位点进行mm-gbsa计算分析，mm-gbsa dg bind能代表小分子与蛋白质的结合自由能情况，结合自由能越低，表示配体与ps1蛋白结合稳定性越高。
9、进一步的，s1中，所述根据γ-分泌酶的结构和活性位点信息，构建基于γ-分泌酶催化核心psen-1的活性口袋及关键氨基酸位点具体为对获得的蛋白质晶体结构采用薛定谔软件的protein preparation wizard模块分别进行蛋白质预处理，天然配体的再生状态，氢键分配优化，蛋白质能量最小化和去除水的处理。
10、进一步的，s1中，所述筛选以mm-gbsa dg bind＜-30kcal/mol为筛选标准；筛选并去除重复后，共得到30个化合物；30个化合物名称分别为：dibenzazepine、z-vad(ome)-fmk、semagacestat、dapt、torachrysone 8-glucoside、furowanin、cephapirin sodium、millewanin g、calpeptin、kushenol x、ro4929097、pyrocatechol monoglucoside、brivanib alaninate、ancitabine hydrochloride、aurintricarboxylic acid、linagliptin、nicaraven、mg-132、calpain inhibitor iii、lck inhibitor 2、eragidomide、mk-2048、ubenimex、erythrinin c、calpain inhibitor i、protirelinacetate、silibinin b、atovaquone、8-lavandulylkaempferol、cid 13846690。
11、进一步的，s2中，所述的八个化合物库分别为：
12、selleck·fda-approved drug library；
13、targetmol·natural compound library；
14、medchemexpress·natural product library；
15、pharmacodia(药渡)·natural product library；
16、biobiopha bbp(西力)·natural product library；
17、apexbio·anti-cancer-compound-library plus；
18、selleck·preclinical/clinical compound library：l2000；
19、medchemexpress·immunology/inflammation compound library。
20、进一步的，s5中，配体依次与ps1蛋白的活性位点进行分子对接分别采用htvs，sp及xp，对接精度逐步提高。
21、本专利技术的另一目的在于提供一种γ-分泌酶抑制剂的应用，其特征在于γ-分泌酶抑制剂在三阴性乳腺癌中的应用。
22、进一步的，所述γ-分泌酶抑制剂在三阴性乳腺癌中的应用具体为γ-分泌酶抑制剂阻断notch信号通路，可以在三阴性乳腺癌的癌细胞增殖、血管生成中阻断细胞。
23、本专利技术的有益效果是：
24、本专利技术使用一种基于γ-分泌酶药效团的天然来源抑制剂筛选方法，有效筛选获得了30个天然来源的γ-分泌酶抑制剂，而γ-分泌酶抑制剂是γ-分泌酶底物notch的调节剂，notch信号通路可调控emt过程和线粒体凋亡，因此通过这些γ-分泌酶抑制剂阻断notch信号通路，可以在癌细胞增殖、血管生成中阻断细胞；因此，γ-分泌酶抑制剂的筛选及其抗癌活性测定具有重要的意义，其在乳腺癌的治疗中具有重要价值。
本文档来自技高网...【技术保护点】
1.一种γ-分泌酶抑制剂的筛选方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种γ-分泌酶抑制剂的筛选方法，其特征在于，S1中，所述根据γ-分泌酶的结构和活性位点信息，构建基于γ-分泌酶催化核心PSEN-1的活性口袋及关键氨基酸位点具体为对获得的蛋白质晶体结构采用薛定谔软件的Protein PreparationWizard模块分别进行蛋白质预处理，天然配体的再生状态，氢键分配优化，蛋白质能量最小化和去除水的处理。
3.根据权利要求1所述的一种γ-分泌酶抑制剂的筛选方法，其特征在于，S1中，所述筛选以MM-GBSA dG Bind＜-30kcal/mol为筛选标准；筛选并去除重复后，共得到30个化合物。
4.根据权利要求1所述的一种γ-分泌酶抑制剂的筛选方法，其特征在于，S2中，所述的八个化合物库分别为：
5.根据权利要求1所述的一种γ-分泌酶抑制剂的筛选方法，其特征在于，S5中，配体依次与PS1蛋白的活性位点进行分子对接分别采用HTVS，SP及XP，对接精度逐步提高。
6.一种γ-分泌酶抑制剂的应用，其特征
7.根据权利要求6所述的一种γ-分泌酶抑制剂的应用，其特征在于，所述γ-分泌酶抑制剂在三阴性乳腺癌中的应用具体为γ-分泌酶抑制剂阻断Notch信号通路，可以在三阴性乳腺癌的癌细胞增殖、血管生成中阻断细胞。
...【技术特征摘要】
1.一种γ-分泌酶抑制剂的筛选方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种γ-分泌酶抑制剂的筛选方法，其特征在于，s1中，所述根据γ-分泌酶的结构和活性位点信息，构建基于γ-分泌酶催化核心psen-1的活性口袋及关键氨基酸位点具体为对获得的蛋白质晶体结构采用薛定谔软件的protein preparationwizard模块分别进行蛋白质预处理，天然配体的再生状态，氢键分配优化，蛋白质能量最小化和去除水的处理。
3.根据权利要求1所述的一种γ-分泌酶抑制剂的筛选方法，其特征在于，s1中，所述筛选以mm-gbsa dg bind＜-30kcal/mol为筛选标准；筛选并去除重复后，共...
【专利技术属性】
技术研发人员：贾辉，战祥毅，杨可帆，金戈，康大力，袁园，冯梅，姚阔，
申请(专利权)人：沈阳医学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。