# 第9章：分子对接与可视化 > 本章是网络药理学的"物理验证"——用计算机模拟药物分子与靶蛋白的结合，预测结合亲和力和结合模式。学完本章，你将拥有3D分子对接图，这是论文中最吸引眼球的图之一。 --- ## 9.1 分子对接是什么？ ### 1.1 基本概念 ``` 分子对接 = 模拟两个分子（药物 + 蛋白）在三维空间中的相互作用 原理： - 药物分子（小分子，称为"配体" ligand） - 靶蛋白（大分子，称为"受体" receptor） - 对接 = 在蛋白的活性口袋中，找到药物的最佳结合姿态 - 结合能（Binding Energy）越低 = 结合越稳定 类比： - 蛋白 = 锁 - 药物 = 钥匙 - 对接 = 找到钥匙在锁孔中的最佳位置 - 结合能 = 钥匙和锁的匹配程度 ``` ### 1.2 常用软件 | 软件 | 类型 | 特点 | 适用 | |------|------|------|------| | **AutoDock Vina** | 免费开源 | 速度快、准确、易用 | 批量筛选 | | **AutoDock 4** | 免费开源 | 经典、参数可调 | 精细研究 | | **GOLD** | 商业 | 准确度高 | 药物设计 | | **Glide** | 商业 | 集成在Maestro中 | 商业研究 | | **LeDock** | 免费 | 速度快 | 大规模筛选 | | **CB-Dock** | 在线 | 无需安装 | 快速验证 | | ** SwissDock** | 在线 | 自动识别结合位点 | 初学者 | **本课程使用 AutoDock Vina + PyMOL**（完全免费） --- ## 9.2 准备受体（靶蛋白） ### 2.1 从PDB下载蛋白结构 ``` 访问：https://www.rcsb.org/ 搜索核心基因对应的蛋白： - IL6 → 搜索 "Interleukin-6" - TNF → 搜索 "Tumor Necrosis Factor" 选择结构的标准： ① 物种：优先选Homo sapiens（人） ② 分辨率：越低越好（< 3Å为优，< 2Å极好） ③ 结构完整：不要有大的缺失区域 ④ 结合口袋：最好有配体结合的结构（有共晶配体） ⑤ 日期：越新越好（但不要太纠结） 如果没有人的结构： - 选同源性 > 90% 的物种（如Mouse, Rat） - 或用AlphaFold预测结构 ``` ### 2.2 蛋白结构预处理 ```bash # 需要安装 AutoDock Tools 和 MGLTools # 下载地址：http://mgltools.scripps.edu/ # 预处理步骤（用AutoDock Tools）： # 1. 打开AutoDock Tools # 2. File → Read Molecule → 选择 .pdb 文件 # 3. Edit → Hydrogens → Add → Polar only # 4. Edit → Charges → Add Kollman Charges # 5. Grid → Macromolecule → Choose → 选择蛋白 → 保存为 .pdbqt ``` --- ## 9.3 准备配体（药物分子） ### 3.1 获取小分子结构 ```bash # 从PubChem下载 # https://pubchem.ncbi.nlm.nih.gov/ # 搜索药物名称 → 3D Conformer → Download → SDF格式 # 用OpenBabel转换格式 # 安装：brew install open-babel （Mac） # SDF → PDBQT obabel input.sdf -O output.pdbqt -p 7.4 # -p 7.4 = pH 7.4下加氢 # 或直接下载SMILES，用OpenBabel生成3D结构 echo "SMILES_string" | obabel -ismi -opdbqt -O output.pdbqt --gen3d -p 7.4 ``` --- ## 9.4 AutoDock Vina对接 ### 4.1 对接流程 ```bash # 1. 创建配置文件 config.txt receptor = protein.pdbqt ligand = drug.pdbqt # 对接盒子（以蛋白活性口袋为中心） # 可以用PyMOL或AutoDock Tools确定 center_x = 10.0 center_y = 15.0 center_z = 20.0 size_x = 60 size_y = 60 size_z = 60 # 输出 out = output.pdbqt log = log.txt # 2. 运行对接 vina --config config.txt # 3. 查看结果 cat log.txt ``` ### 4.2 结果解读 ``` 输出示例： mode | affinity | dist from best mode | (kcal/mol) | rmsd l.b.| rmsd u.b. -----+------------+----------+---------- 1 -9.3 0.000 0.000 2 -8.7 2.145 5.321 3 -8.1 3.876 7.982 4 -7.5 4.123 8.456 5 -7.2 5.678 9.012 解读： - Mode 1: 结合能 -9.3 kcal/mol → 最强的结合姿态 - Mode 2-5: 其他可能的结合姿态 结合能判断标准： < -9.0 kcal/mol → 强结合（非常可能有效） -7.0 ~ -9.0 → 中等结合（可能有效） -5.0 ~ -7.0 → 弱结合（可能有一定作用） > -5.0 → 极弱（不太可能结合） ``` --- ## 9.5 R语言批量对接分析 ```r # ============================================================ # 分子对接结果整理与分析 # ============================================================ library(tidyverse) # 假设已完成多个药物-靶蛋白的对接 # 结果保存在 docking_results/ 目录下 # 手动整理结果（实际应批量解析log文件） docking_results <- data.frame( Drug = c("Quercetin", "Quercetin", "Resveratrol", "Resveratrol", "Curcumin", "Curcumin", "Metformin", "Metformin", "Berberine", "Berberine"), Target = c("IL6", "TNF", "SIRT1", "AMPK", "TNF", "IL6", "SIRT1", "AMPK", "TNF", "IL6"), Binding_Energy = c(-8.5, -7.8, -9.2, -7.5, -8.9, -8.1, -6.8, -6.2, -8.3, -7.6), Ki_uM = c(0.58, 1.82, 0.18, 3.12, 0.29, 1.12, 9.85, 28.4, 0.78, 2.45), stringsAsFactors = FALSE ) # Ki计算（从结合能估算） # ΔG = RTln(Ki) # Ki = exp(ΔG / RT) # R = 1.987 cal/(mol·K), T = 298K # ΔG (kcal/mol) → Ki (M) docking_results <- docking_results %>% mutate( Binding_Strength = case_when( Binding_Energy < -9.0 ~ "Strong", Binding_Energy < -7.0 ~ "Moderate", Binding_Energy < -5.0 ~ "Weak", TRUE ~ "Very Weak" ), Binding_Strength = factor(Binding_Strength, levels = c("Strong", "Moderate", "Weak", "Very Weak")) ) # 可视化 ggplot(docking_results, aes(x = Target, y = Drug, fill = Binding_Energy)) + geom_tile(color = "white") + geom_text(aes(label = round(Binding_Energy, 1)), color = "white", size = 3) + scale_fill_gradient2( low = "darkgreen", # 强结合（低能量） mid = "yellow", high = "red", # 弱结合（高能量） midpoint = -7.5, name = "Binding Energy\n(kcal/mol)" ) + labs(x = "靶蛋白", y = "候选药物", title = "分子对接热图") + theme_minimal() + theme(axis.text.x = element_text(angle = 45, hjust = 1)) ggsave("output/22_docking_heatmap.png", width = 10, height = 6) # 综合评分 docking_summary <- docking_results %>% group_by(Drug) %>% summarise( Avg_Binding = mean(Binding_Energy), Best_Binding = min(Binding_Energy), Target_Count = n(), .groups = "drop" ) %>% arrange(Avg_Binding) print(docking_summary) ``` --- ## 9.6 PyMOL可视化 ### 6.1 基础操作 ```bash # 打开PyMOL pymol # 加载蛋白和对接结果 load protein.pdb load output.pdbqt, ligand # 显示设置 show cartoon, protein color skyblue, protein show sticks, ligand color magenta, ligand # 显示活性口袋附近的残基 select pocket, byres protein within 5 of ligand show sticks, pocket color yellow, pocket # 显示氢键 distance hbond1, protein////ND2, ligand////O1 distance hbond2, protein////OG1, ligand////N1 # 保存图片 ray 2400, 2400 png docking_result.png, dpi=300 # 保存会话 save docking_session.pse ``` ### 6.2 美化图片 ```bash # 高质量图片设置 set ray_trace_mode, 1 set antialias, 2 set ray_shadows, off set ambient, 0.4 set reflect, 0.5 # 背景透明 set bg_rgb, [1, 1, 1] set ray_opaque_background, off # 标签 label pocket////CA, resn + resi ``` --- ## 9.7 本章作业 1. ✅ 为你的1个核心基因和2个候选药物做分子对接 2. ✅ 记录结合能，判断结合强度 3. ✅ 用PyMOL生成至少1张高质量的对接3D图 4. ✅ 分析氢键和疏水相互作用 5. ✅ 思考题：分子对接的结合能是"绝对值"还是"相对值"？Ki和IC50有什么区别？ --- ## 9.8 答案参考 ### 作业5答案 ``` 结合能的性质： - 分子对接的结合能是"相对值" - 用于比较同一靶点不同药物的结合强弱 - 不用于比较不同靶点之间的结合能 - 因为不同蛋白的口袋性质不同，绝对值意义有限 Ki vs IC50： - Ki：抑制常数，药物与靶点的平衡解离常数 → 理论值，反映结合亲和力 → Ki越小，结合越强 - IC50：半数抑制浓度，抑制50%酶活性所需的药物浓度 → 实验值，反映功能抑制能力 → 受实验条件影响（酶浓度、底物浓度等） 关系： 竞争性抑制：Ki = IC50 / (1 + [S]/Km) 非竞争性抑制：Ki = IC50 分子对接预测的是Ki级别的结合能力，不是IC50。 ``` --- > 📌 **核心要点**：分子对接是"预测"不是"证明"。一个-9.0 kcal/mol的对接结果说明"很可能结合"，但最终的证据来自SPR、ITC等实验测定。在论文中，分子对接应表述为"computational prediction"或"in silico validation"。