上一篇中我们先通过Conformational Search建立 stapled peptide 构象库再将这些构象输入General Dock与 Mdmx 进行对接。Docking 完成后我们会得到一批按照最终评分S排序的 Poses。最直接的做法当然是选择 Score 最好的 Pose。但对于蛋白–肽体系仅仅依赖一个总分往往不够。一个更有价值的问题是这个 Pose 有没有形成我们真正关心的关键相互作用这就是PLIF——Protein-Ligand Interaction Fingerprints的作用。一、为什么不能只看 Docking ScoreDocking Score 将复杂的蛋白–配体相互作用压缩成一个数值因此非常适合进行快速排序。但两个 Score 接近的 Pose结合模式可能完全不同。例如Pose A形成了已知关键氢键同时疏水残基位于正确区域。Pose B总分甚至稍好但关键残基方向错误也没有形成实验结构中已知的重要相互作用。如果只按照 Score 排序我们可能优先选择 B。因此Docking 后最好增加第二层筛选Docking Score↓Interaction Pattern也就是从“这个 Pose 得分多少”进一步判断“这个 Pose 到底和哪些残基发生了什么相互作用”。二、什么是 PLIFPLIF 的全称是Protein-Ligand Interaction Fingerprints它的核心思想是把每一个 Docking Pose 与受体之间的相互作用编码成一组 fingerprint。进入DBV → Compute → PLIF → Analyze即可打开 PLIF 分析界面。对于每一个与 ligand 发生相互作用的受体残基PLIF 会进一步区分不同类型的相互作用包括donor / acceptor、ionic、contact、metal、arene等。同时还会区分相互作用来自sidechain、backbone、solvent以及不同强度等级。因此一个 Docking Pose 最终不再只是S 某个分数而是可以表示成Residue AHydrogen BondResidue BHydrophobic ContactResidue CIonic Interaction……这样就把三维结构中的相互作用转化成了可以统计和筛选的数据。三、PLIF 的 Barcode 怎么理解PLIF 中每一个与至少两个 Poses 发生相互作用的受体残基都会对应一段 fingerprint。每个 Pose 则对应一整条相互作用编码。所以 Barcode 可以简单理解为每一行代表一个 Docking Pose每一列代表某个特定的蛋白–配体相互作用。这样就可以快速比较几十个 Pose哪些相互作用几乎所有 Pose 都有哪些只出现在少数 Pose哪些高排名 Pose 虽然 Score 很好却缺失了关键相互作用这比一个一个打开三维结构检查效率高得多。四、先看 Population哪些残基经常和肽相互作用在 PLIF 界面中点击Population可以统计不同相互作用在整个 Docking Pose 集合中的出现情况。在 stapled peptide–Mdmx 这个案例中可以看到Met58 和 Lys47在大量 Docking Poses 中都会与 peptide 发生相互作用。Population 因此回答的是在这一批 Docking 结果中哪些受体残基最经常参与结合这一步很适合快速认识整个结合界面的 interaction landscape。五、最重要的功能按照关键相互作用筛 PosePLIF 更实用的地方是可以根据指定的 interaction pattern 反过来筛选 Docking Poses。这个案例中有一个非常明确的结构信息在3DAC中p53 peptide 与 Mdmx 结合时存在一个与Met50 backbone carbonyl相关的关键氢键。因此我们可以问Docking 得到的 stapled peptide Poses 中哪些也保留了这个相互作用在 PLIF 中Barcodes → Select…然后选择对应的Met50 backbone donor interaction再点击ApplyPLIF 就会筛出满足该相互作用条件的 Poses。这一步非常关键。我们已经不再问“哪个 Pose 分数最低”而是在问“哪些 Pose 满足我已知的重要结合模式”六、把筛选结果返回 Docking Database筛选完成后点击Select in DBV满足条件的 Docking Poses 就会在原来的数据库中被选中。随后进入DBV → File → Browse并开启Browse Only Selected就可以只浏览这些满足指定 interaction fingerprint 的 Poses。整个筛选逻辑就变成全部 Docking Poses↓PLIF↓指定关键 Interaction↓Select by Fingerprints↓满足条件的 Poses↓Browse Only Selected这比单纯按照 Docking Score 从第一名看到第五十名更加有针对性。七、最后还是要回到三维结构PLIF 可以帮我们筛选但它并不能完全替代三维结构检查。在筛选后的高排名 Pose 中可以进一步观察关键残基是否处于合理位置氢键几何是否合理疏水侧链是否进入正确区域peptide 整体方向是否与已知结合模式一致。在这个案例筛出的第二个高排名 Pose 中可以观察到Trp位于与 bound p53 中 Trp 相似的区域Trp 侧链形成了与Mdmx Met50 backbone carbonyl的相互作用同时Phe 和 CYC4的位置分别接近 bound p53 中Phe 和 Leu所占据的位置。也就是说这个 Pose 的价值不仅仅在于 Score而在于它重新构建出了已知蛋白–肽结合模式中的多个关键结构特征。八、PLIF 在实际项目中应该怎么用PLIF 最适合与已有实验知识结合。例如已经知道某个残基必须形成氢键就可以筛必须包含该 Hydrogen Bond 的 Poses如果知道某个疏水残基必须进入特定 pocket也可以结合 interaction pattern 和三维结构进一步筛选。因此一个更合理的 Docking 结果分析流程是Docking Score 初筛↓PLIF 识别高频相互作用↓利用已知关键 Interaction 筛选↓三维结构检查↓得到最终候选结合模式所以Docking Score 和 PLIF 并不是二选一。Score 用于进行整体排序而 PLIF 帮助我们判断这些结构是否符合具体的结合机制和实验信息。本篇总结Docking 结束并不意味着分析结束。面对几十甚至上百个 Docking Poses仅依靠 Score 很难判断哪个结构真正具有合理的蛋白–肽结合模式。PLIF将每个 Pose 与受体之间的氢键、离子作用、接触、芳香相互作用等编码为 fingerprint使我们能够从大量 Poses 中识别高频相互作用并按照指定的关键 interaction 进行筛选。因此Docking 结果分析可以从“哪个 Pose 分数最好”进一步转变为“哪个 Pose 同时具有合理评分和我们真正关心的相互作用模式”下一篇MOE 肽类药物设计十四肽的构象空间怎么搜LowModeMD、Stochastic、Systematic 和 MD 的区别