一、 技术准确具体的中文名称

基于Autodock vina的快速高通量蛋白-小分子虚拟筛选技术

二、 应用场景：

（1）虚拟筛选在药物发现、分子设计、蛋白质工程等领域广泛应用。

它可以实现高效的化合物筛选、靶点识别以及结构优化。

（2）目前市面上普遍的应用场景如小分子药物设计、抗体筛选等，通常能够实现。

（3）在某些特定的生物体系或复杂的多靶点药物设计可能面临挑战。（4）不同应用场景的收费可能依据需求复杂度和数据量而有所不同，通常基础服务和高端定制服务收费差异较大，目前我们的定价标准是10万个小分子以上的每个靶标和分子收0.03元， 少于 10万每个靶标和分子收0.05元。

（5）虚拟筛选不仅适用于动物，也可以用于植物，尤其在植物药物开发和次级代谢产物筛选中。

三、 技术优势及我司的优势及特点：

（1）效率提高：可以同时处理多个配体与靶标蛋白的对接，大大节省时间。

（2）高通量筛选：适合大规模筛选化合物库，快速识别潜在的候选药物分子。

（3）资源节约：减少了实验室资源和成本，尤其在初步筛选阶段，避免不必要的实验。

（4）系统化分析：能够系统地比较不同配体与靶标之间的结合模式，促进更深入的理解。

（5）优化设计：基于对接结果，可以更好地优化分子的结构，提高亲和力。

（6）增强数据整合：便于将对接结果与其他生物信息学数据（如基因组数据、蛋白质结构数据）结合，提供更全面的分析。

（7）灵活性：可根据需要调整对接参数，适应不同类型的分子或复杂的生物系统。

四、 样品接收标准：（分为虚拟与实际）

（1）有蛋白结构需客户提供蛋白结构，没有蛋白结构需要提供氨基酸序列(pdb/fasta文件格式）。

（2）客户需要提供所有筛选的小分子二维或三维结构式（Smiles/mol2/sdf格式文件）。

（3）蛋白活性口袋的对接坐标，如果客户不知道对接口袋可以选择进行盲对接，也可以使用工具去预测对接口袋。

五、 结题标准

（1）所有蛋白与小分子对接生成的对接结果文件。

（2）所有蛋白与小分子对接产生的自由能数据文件。

（3）结合自由能最高的对接结果三维作图（远景图和近景图），二维平面展示图。

六、 案例展示（按应用场景分模块展示，能清晰体现实现特点及技术优势的案例图）

在本案例中选用图一中的细胞色素 P450 14Alpha -固醇脱甲基酶（PDB ID:1EA1）与（图二）zinc数据库中收录的1379个fda小分子（Estimated Size，预估数量但实际不止）进行批量分子对接，本案例中需要用要到的工具有：python、Autodock tools、openbabel、Autodock Vina、pymol和ligplot+。

图一  细胞色素 P450 14Alpha -固醇脱甲基酶（PDB ID:1EA1）

图二  ZINC数据库中的fda小分子

1、获取受体pdbqt文件

下载1EA1文件，用pymol打开，去除多余的水分子和配体，保存为receptor.pdb文件。

使用prepare_receptor4.py脚本将pdb文件转换成vina对接所需要的pdbqt文件。

2、获取配体pdbqt文件

由于从Zinc数据库下载的fda.mol2文件中包含多个mol2文件，因此使用openbabel工具将其拆分，共获得2115个mol2文件。

再使用prepare_ligand4.py脚本将所有的mol2文件转换成vina对接所需要的pdbqt文件。

3、确定对接参数config.txt文件

在该步骤中需要确定小分子和蛋白的对接盒子大小和中心坐标，这里使用pymol中的getbox插件获得。

如果getbox插件无法确定对接口袋，也可以采用Deepsite和COACH工具预测蛋白配体的结合位点。将获得对接中心坐标和盒子尺寸填写到config.txt文件中。

文件中每个参数的具体含义解释如下，可以根据用户的需要进行修改。

（1）receptor：处理后的受体文件（pdbqt）；

（2）center_x, center_y, center_z：小分子搜索空间的中心坐标；

（3）size_x, size_y, size_z: 以中心坐标为源点的搜索空间范围，单位为Å；

（4）num_modes: 最大计算的模型数目，默认计算出 9 个模型；

（5）energy_range: 与最优结合模型相差的最大能量值（默认3），假如最优的能量值为-7.2 kcal/mol，那么最多计算到 -4.2 kcal/mol 的模型就会停止；

（6）exhaustiveness: 用来控制对接的细致程度（默认8），与时间成正比。

4、使用vina批量对接脚本，进行分子对接

总共与2115个小分子进行，用时1小时 23分。每次对接都会产生一个log.txt文件，里面记录了每个对接模型的亲和力数据。

5、结果分析

使用extract_affinity.py脚本文件提取affinity.out文件，其中包含了每次对接亲和力最优的结果。使用excel将数据根据亲和力进行排序，发现目标蛋白与352号小分子的亲和力最低，有-12.1kcal/mol。

使用pymol打开蛋白与352号小分子的对接结果，进行远景图和近景图的制作，如下图所示，同时发现小分子与蛋白质96号的精氨酸发生了氢键作用：

使用Ligplot+绘制2D相互作用图，除了发现小分子与蛋白的96号精氨酸发生氢键作用以外，还与394号半胱氨酸发生了氢键作用，图中红色的标识表示参与疏水接触的非配体残基：

七、 实验材料（完整的所有该实验相关我们可以供客户选择的实验材料，可按应用场景分模块展示）

只需要客户提供受体蛋白的三维结构或氨基酸序列，配体小分子的mol2、smiles、sdf文件，对接口袋大致区域或者选择盲对接。

八、 文献案例

[1] 常延斌, 王桂瑶, 奚家勤, 等. 烟草甲气味结合蛋白与驱避配体的分子对接[J].南京农业大学学报, 2023, 46(4).

[2] 孟金蕙, 张力, 王廉馨, 等. 基于分子对接和靶标特异性打分函数的化合物 hERG 心脏毒性预测[J]. 中国药学杂志, 2022, 57(19): 1645-1650.

[3] 汪亚楠，闫孝明,张晴宇，等. 基于网络药理学和分子对接技术探讨葛花-枳椇子治疗酒精性肝损伤的潜在作用机制[J]. Journal of Zhejiang University (Medical Sciences), 2020, 49(6): 714.

[4] Butt S S, Badshah Y, Shabbir M, et al. Molecular docking using chimera and autodock vina software for nonbioinformaticians[J]. JMIR Bioinformatics and Biotechnology, 2020, 1(1): e14232.

[5] Meng X Y, Zhang H X, Mezei M, et al. Molecular docking: a powerful approach for structure-based drug discovery[J]. Current computer-aided drug design, 2011, 7(2): 146-157.

[6] Ferreira L G, Dos Santos R N, Oliva G, et al. Molecular docking and structure-based drug design strategies[J]. Molecules, 2015, 20(7): 13384-13421.