实际上，分子动力学(MD)模拟不仅可以提供丰富的生物大分子动力学结构信息，还可以提供丰富的蛋白质与配体相互作用的能量信息。这些信息对于理解靶点的结构-功能关系和蛋白质-配体相互作用的本质以及指导药物的发现和设计过程非常重要[1]。因此，MD模拟在现代药物发现的每一步都得到了广泛而成功的应用。其具体应用方面如下：

说明

为了理解文中的药物发现、药物研发、药物开发之间的关系，我们在这里进行一个说明：

-药物发现：本文指的是在药物研发过程的早期阶段，寻找新的药物目标或化合物的活动。

-药物开发：本文指的是在药物发现过程的后期阶段，将已经发现的潜在药物候选物进一步开发为实际用于治疗患者的药物。

-药物研发：本文指的是将新药物从概念和研究阶段推向市场，以供患者使用的复杂过程。

01 探索药物靶点的动力学和功能

当代药物发现过程通常始于确定和验证生物学上相关的靶点，这些靶点可通过药物分子进行调节，以预防或治疗疾病或缓解疾病症状，药物分子的研发步骤如图1。药物靶点通常是不同的蛋白质，如受体或酶，也可能是DNA或RNA分子。蛋白质的构象是配体设计中最大依据之一，因为蛋白质是动态的，可以经历各种构象的变化。即使是涉及残基侧链运动的微小构象变化，也可影响配体与蛋白质结合位点之间的互补性。由于蛋白质的灵活性对配体结合的可能靶点构象状态范围有重要影响，MD模拟可以为药物设计提供关于靶点动态特性的重要信息。

以下实例介绍所选目标蛋白质或蛋白质组的研究，这些目标蛋白质或蛋白质组突出了蛋白质的柔性。MD模拟可以研究这些蛋白质的动力学和功能，并了解它们如何与小分子或其他蛋白质结合。

图1 药物研发流程图

应用实例：

01 Sirtuins的配体结合动力学—寻找治疗调节剂[2]

设计针对动态结合位点的配体时，必须要考虑蛋白质的灵活性。如Sirtuin蛋白的活性结合位点就是由柔性环形成的，因此，应用MD模拟可以产生不同的Sirtuin构象，以探索可能的配体结合构象。Sirtuin催化核心的结构域如图2，明显可以看到是由三个柔性环组成的。

图2 形成所有sirtuin催化核心的结构域

02 RAS-揭示具有挑战性的抗癌药物靶点的构象动力学[3]

RAS蛋白有两个结构域switch I和switch II，这两个结构域的变化可以导致蛋白形成多种构象（如图3的A和B分别是RAS的两种不同状态下的构象）。MD模拟可以揭示RAS在原子水平上的构象动力学，并为RAS生物学提供了进一步的见解。通过MD模拟中得到的构象状态，可以用于发现RAS靶向药物，这些构象是不能通过实验方法获取的，这也是MD模拟的优势之一。

图3 RAS的构象具有灵活性和适应性

03 极具挑战性的靶点—内在无序的蛋白质

内在无序蛋白(IDPs)是一类在生理条件下缺乏稳定的三级结构排列而以构象集群形式存在的蛋白质。这种“模糊”复合体的形成，也在许多生物过程中具有很重要的作用[4]。IDPs具有多种功能，因为它们可以根据特定的结合伴侣进行不同的构象排列以形成不同的折叠。IDPs的自由度对蛋白质构象空间的适当采样具有一定困难，通常采用增强采样技术——REMD，并选择合适的力场，获得具有良好预测结合亲和力的结合构象。

04 抗体设计的分子动力学模拟

MD模拟可以描述分子相互作用的动态细节。在抗体设计中，这可以用来识别抗体-抗原界面上的 “热点”区域；也为设计稳定性增强的抗体提供解决方案；对于抗体高浓度易聚集的特点，空间聚集倾向(SAP)量化暴露在抗体表面的疏水斑，对MD模拟得到的抗体结构与显式溶剂进行平均处理，识别易发生聚集的区域可用于预测靶向突变，从而设计出稳定性更好的抗体。

02 模拟药物-靶标相互作用

在开发一种新药物过程中，先导化合物的发现和后续的候选药物优化都要遵循靶点验证。在这一阶段，需要发现并设计与靶点具有良好结合亲和力和选择性的化合物，对接和评分是快速估计有利配体结合位姿和结合能的常用工具。然而，目前的对接工具的评分功能有许多局限性，导致结合亲和力预测不准确[5,6]。利用MD有助于更准确地评估化合物的结合亲和力，解决这些限制，其准确的原因是动力学模拟考虑了水的影响和结合分子的动力学。

应用实例：

01 结合能估计

细胞中两个相互作用的分子之间的结合涉及多个生物学过程，通过结合的自由能可以判断这些特定的相互作用的意义(ΔGbind)。一般来说，自由能变化量(∆G)描述了系统的热力学和动力学性质(指配体在溶剂中结合到蛋白质上所释放的能量)。这个能量可以通过动力学获得，因考虑到溶剂的作用，使其结果会更为准确。

02 药物-蛋白质结合动力学估计

药物-蛋白结合动力学对于开发改进的药物具有重要意义[7,8]。药物-蛋白质复合物的结合动力学以结合速率常数(kon;单位:M−1·s−1)和解离速率常数(koff;单位:s−1)为指标[9]，通常也指的是koff的倒数，滞留时间(τ)。研究表明滞留时间往往比结合亲和力与药物的体内疗效更相关[7]。滞留时间越长的药物与靶蛋白的相互作用越长，表现出更长的生理效应。结合动力学的计算方法大致可分为两类：低计算成本的方法和高计算成本的方法。低计算成本的方法，如τRAMD（τ随机加速分子动力学），TMD（靶向分子动力学）和BD（缩放分子动力学），可以预测相对滞留时间；高计算成本的方法，如WEMD（加权集合分子动力学）, Metadynamics（元动力学）和REMD（副本交换分子动力学），可以提供在结合和解离过程中药物-蛋白质相互作用的信息，这些信息可能被修改以调节结合动力学（如图4为两种方法可提供结果的可视化[2]）。

图4 药物-蛋白结合动力学的计算方法分类

03 肽-蛋白对接:用分子动力学模拟解决灵活性挑战

多肽固有的灵活性给确定其形成的复合物的三维结构带来了很大的障碍，其生化和治疗特性也不同于小分子、蛋白质和抗体。开发多肽-蛋白质对接软件是一项具有挑战性的任务，很多研究人员正在利用MD模拟对结构进行增强采样和细化。这种对接和MD的结合可以极大地提高肽-蛋白复合物的预测能力，是肽治疗和药物设计领域的一项强大的计算工具。

04 膜蛋白的分子动力学模拟

目前大多数药物靶点是与膜相关，如整合蛋白和外周蛋白。整合膜蛋白是多位点蛋白(多次跨膜)或异构蛋白(单位点蛋白，仅一次跨膜)，而外周蛋白仅与膜的一侧相关。虽然膜蛋白的MD计算成本很高，但生物膜在调节药物作用(例如，通过影响底物选择或受体功能)中发挥重要作用，不仅作用于多肽整合膜蛋白靶点，而且作用于异构膜蛋白和外周膜蛋白靶点。所以在MD模拟中包含膜可能对获得现实的见解至关重要。如辣椒素与TRPV1通道在脂质双层中的相互作用探究[10]（图5），解释了辣椒素如何通过从细胞外翻转到双层膜的细胞内瓣叶来访问其细胞内TRPV1结合位点的过程。

图5 辣椒素结合TRPV1的膜介导的相互作用

以上就是动力学在药物发现中的一些应用，在下一篇会介绍分子动力学在药物开发中的部分应用实例！

参考文献：

[1]. Marco, D.V., Matteo, M., Giovanni, B., and Andrea, C. Role of Molecular Dynamics and Related Methods in Drug Discovery. Journal of Medicinal Chemistry2016, 59(9), 4035-4061.

[2]. Salo-Ahen, O.M.H.; Alanko, I.; Bhadane, R.; Bonvin, A.M.J.J.; Honorato, R.V.; Hossain, S.; Juffer, A.H.; Kabedev, A.; Lahtela-Kakkonen, M.; Larsen, A.S.; et al. Molecular Dynamics Simulations in Drug Discovery and Pharmaceutical Development. Processes 2021, 9, 71.

[3]. Nussinov, R.; Tsai, C.; Jang, H. Oncogenic Ras Isoforms Signaling Specificity at the Membrane.Cancer Res. 2018, 78, 593–602.

[4]. Sharma, R.; Raduly, Z.; Miskei, M.; Fuxreiter, M. Fuzzy complexes: Specific binding without complete folding.FEBS Lett. 2015, 589, 2533–2542.

[5]. Pantsar, T.; Poso, A. Binding Affinity via Docking: Fact and Fiction.Molecules 2018, 23, 1899.

[6]. Li, J.; Fu, A.; Zhang, L. An Overview of Scoring Functions Used for Protein-Ligand Interactions in Molecular Docking.Interdiscip. Sci. 2019, 11, 320–328.

[7]. Li, J.; Fu, A.; Zhang, L. An Overview of Scoring Functions Used for Protein-Ligand Interactions in Molecular Docking.Interdiscip. Sci. 2019, 11, 320–328.

[8]. Copeland, R.A. The drug-target residence time model: A 10-year retrospective.Nat. Rev. Drug Discov. 2016, 15, 87–95.

[9]. Romanowska, J.; Kokh, D.B.; Fuller, J.C.; Wade, R.C. Computational approaches for studying drug binding kinetics. InThermodynamics and Kinetics of Drug Binding; Keserü, G.M., Swinney, D.C., Eds.; Wiley-VCH Verlag GmbH & Co. KGaA: Weinheim, Germany, 2015; pp. 211–235.

[10]. Hanson, S.M.; Newstead, S.; Swartz, K.J.; Sansom, M.S.P. Capsaicin interaction with TRPV1 channels in a lipid bilayer: Molecular dynamics simulation.Biophys. J. 2015, 108, 1425–1434.