课前准备--3D-QSAR与药物结构优化

原创

追风少年i

发布于 2026-09-06 08:53:06

880

作者，Evil Genius

今天我们补充3D-QSAR 与药物结构优化

3D-QSAR（Three-Dimensional Quantitative Structure–Activity Relationship，三维定量构效关系）的核心思想，是把一系列具有相似作用机制的活性化合物放到统一的三维空间中，分析分子不同空间位置的立体场、静电场等性质与生物活性之间的定量关系，再利用模型预测新化合物活性，从而指导药物结构优化。

简单理解：

已知化合物结构 + 已知活性 → 建立3D-QSAR模型 → 找到“什么位置应该增加/减少什么性质” → 设计新分子 → 预测活性 → 合成验证 → 进一步优化。

一、3D-QSAR到底解决什么问题？

传统SAR往往是：

苯环 → 换成甲基 → 活性提高苯环 → 换成氟 → 活性下降

它能够告诉我们“改了什么以后活性发生变化”，但是不一定能解释：

为什么这个位置适合加大基团，而另一个位置不能加？

3D-QSAR进一步考虑分子的三维空间性质。

例如一个蛋白结合口袋：

疏水区域
                   ↓
        ┌──────────────────┐
        │      ▓▓▓▓        │
        │   配体分子        │
        │      ●────●      │
        │        │         │
        │     ●───●        │
        └──────────────────┘
             ↑
           极性区域

3D-QSAR可以进一步告诉我们：

哪个位置需要更大的基团？
哪个位置需要更小的基团？
哪个位置适合增加正电性？
哪个位置适合增加负电性？
哪个位置需要疏水基团？
哪个位置增加极性可能导致活性下降？

这就是它对药物结构优化最有价值的地方。

二、3D-QSAR的完整分析流程

整个过程可以概括为：

化合物库
   ↓
结构标准化
   ↓
活性数据整理
   ↓
三维结构生成
   ↓
分子构象优化
   ↓
分子叠合 Alignment
   ↓
计算三维分子场
   ↓
CoMFA / CoMSIA
   ↓
建立QSAR模型
   ↓
交叉验证
   ↓
外部验证
   ↓
Contour Map
   ↓
结构优化
   ↓
新化合物设计
   ↓
活性预测
   ↓
分子对接
   ↓
MD模拟
   ↓
实验验证

其中真正的核心是：

Alignment → Molecular Field → Statistical Model → Contour Map → Structure Optimization

三、第一步：准备化合物和活性数据

首先需要一批结构相似、作用机制相近的化合物。

例如有20～100个化合物：

Compound	IC₅₀
C01	12.5 nM
C02	45.3 nM
C03	110.2 nM
C04	8.6 nM
C05	320 nM
...	...

通常把活性转换为：

例如：

则：

这样处理以后：

pIC₅₀越高 → 活性越强

四、第二步：结构标准化

需要对所有化合物进行统一处理。

主要包括：

1. 去除无关结构

例如：

溶剂
counter ion
盐
不必要的小分子

2. 统一质子化状态

例如：

不同pH条件下的质子化状态可能影响：

电荷
氢键
静电场
分子构象

3. 统一立体化学

尤其需要注意：

R/S
E/Z
手性中心

因为3D-QSAR高度依赖三维结构。

五、第三步：建立三维结构

3D-QSAR与普通2D-QSAR最大的区别之一，就是需要三维坐标。

例如：

2D结构
   ↓
3D构象
   ↓
能量最小化
   ↓
合理构象

常见工具包括：

RDKit
Open Babel
Schrödinger
MOE
Discovery Studio
OpenEye
Gaussian等

通常需要进行：Conformer generation

然后：Energy minimization

得到合理的三维构象。

六、第四步：最关键的一步——分子叠合 Alignment

这是3D-QSAR中非常重要、同时也是最容易影响结果的一步。

假设有三个化合物：

Compound 1       Compound 2       Compound 3

    ●                ●                ●
   / \              / \              / \
  ●   ●            ●   ●            ●   ●
      \                \                \
       ●                ●                ●

必须把它们放到一个统一坐标系中。

例如：

Compound 1
             ↓
        ───────────
          Compound 2
             ↓
        ───────────
          Compound 3
             ↓
        ───────────

       统一空间坐标

这样才能比较：

空间中同一个位置的物理化学性质是否与活性相关。

七、为什么Alignment如此重要？

假设真实情况是：

蛋白结合口袋
   ┌───────────────┐
   │   疏水区域     │
   │       ↓       │
   │     [R]       │
   │               │
   │   [配体核心]   │
   └───────────────┘

如果配体叠合正确：

Ligand 1
Ligand 2
Ligand 3
Ligand 4
   ↓
核心结构高度重合

3D-QSAR才能准确分析。

如果叠合错误：

Ligand 1      Ligand 2
    ●             ●
       Ligand 3
           ●

空间位置错乱
      ↓
错误的3D场
      ↓
错误的QSAR模型
      ↓
错误的结构优化建议

因此：

Alignment质量往往直接决定3D-QSAR模型的可信度。

八、第五步：计算三维分子场

这是3D-QSAR的核心。

最经典的是：

CoMFA

Comparative Molecular Field Analysis

主要分析：

① Steric field

即：

立体场

通常使用探针原子在空间网格中扫描分子。

回答：

这个位置需要“大一点”还是“小一点”？

② Electrostatic field

即：

静电场

回答：

这个位置更适合正电性还是负电性？

因此CoMFA最经典的两个描述符：

九、CoMSIA

另一个经典方法是：

CoMSIA

Comparative Molecular Similarity Indices Analysis

可以同时分析：

Steric
Electrostatic
Hydrophobic
H-bond donor
H-bond acceptor

因此：

具体采用哪些场取决于研究体系。

十、为什么需要建立三维网格？

可以想象在分子周围建立一个巨大的三维“空间网格”：

Z
             ↑
             │
        ┌───────────┐
       /│          /│
      / │         / │
     ┌───────────┐  │
     │  • • • •  │  │
     │  • 配体 •  │  │
     │  • • • •  │ /
     │           │/
     └───────────┘────→ X
    /
   ↓
   Y

每个网格点都会记录：

立体能
静电能
疏水性
氢键性质等

最终形成一个非常大的矩阵：

而实验活性：

十一、第六步：建立统计模型

最经典的方法是：

PLS

Partial Least Squares，偏最小二乘回归

建立：

也就是：

最终得到：

十二、第七步：模型验证

这一部分非常重要。

不能只看：R2

因为模型可能发生过拟合。

需要至少考虑：

① R2

训练集拟合能力。

② Q2

交叉验证能力。

通常：Q2 > 0.5

可以作为一个较常见的经验性参考，但不能把0.5当成绝对合格线。

③ RMSE

预测误差：

越小越好。

④ 外部验证

把数据分成：

Training set
      ↓
建立模型

Test set
      ↓
完全不参与建模
      ↓
预测
      ↓
比较预测值和实验值

这是评价3D-QSAR真正预测能力的重要方式。

十三、第八步——最重要的结果：Contour Map

3D-QSAR最有价值的输出之一就是：

三维等高线图（Contour Map）

它能够直接告诉药物化学家：

“这个位置加什么基团可能更好？”

例如经典CoMFA：

Steric contour

绿色区域：

适合较大的基团

黄色区域：

不适合较大的基团

因此：

Green
           ↓
       [大基团]
           |
    ┌──────┴──────┐
    │    配体      │
    └─────────────┘
           ↑
        Yellow
      避免大基团

十四、Electrostatic contour

通常可以看到不同颜色区域分别代表：

正电性/负电性更有利或更不利的空间区域

例如：

电性有利区域
            ↓
           
       ┌───────┐
       │ Ligand│
       └───────┘
           
            ↑
       另一种电性

具体颜色含义必须以软件生成图例为准，不能脱离软件图例直接把某种颜色固定解释成“正电”或“负电”。

十五、从Contour Map进入药物结构优化

这才是3D-QSAR真正用于药物研发的地方。

假设原始分子：

R
        |
    ┌───────┐
    │ Core  │
    └───────┘

3D-QSAR发现：

         ↓
      适合大基团

        R
        |
    ┌───────┐
    │ Core  │
    └───────┘

那么可以设计：R = CH3

→ R = Et → R=iPr → R= Ph

然后分别预测活性。

十六、结构优化实际上是一个“迭代过程”

不是：

做一次3D-QSAR → 得到最终药物

而是：

已知活性化合物
             ↓
          3D-QSAR
             ↓
        Contour Map
             ↓
       结构改造设计
             ↓
       新化合物预测
             ↓
          分子对接
             ↓
        MD模拟验证
             ↓
         化合物合成
             ↓
          生物实验
             ↓
       新一轮SAR数据
             ↓
        更新3D-QSAR
             ↓
          再优化

这实际上是：

计算设计 → 实验验证 → 数据反馈 → 再设计

的循环。

十七、3D-QSAR + 分子对接 + MD是非常好的组合

分子对接、GROMACS分子动力学以及药物设计，把三种方法串起来。

它们解决的问题不同：

方法	核心问题
2D-QSAR	什么结构特征影响活性？
3D-QSAR	三维空间什么性质影响活性？
分子对接	配体可能如何结合蛋白？
MD	这个结合构象在动态环境下是否稳定？
MM/PBSA	结合自由能大致如何？

形成：

十八、一个非常典型的药物优化案例思路

假设研究一个蛋白靶点：

Protein
   │
   ├── Compound 1   IC50 = 100 nM
   ├── Compound 2   IC50 = 30 nM
   ├── Compound 3   IC50 = 10 nM
   ├── Compound 4   IC50 = 3 nM
   └── Compound 5   IC50 = 1 nM

首先：

然后：

化合物3D结构
      ↓
结构叠合
      ↓
CoMFA / CoMSIA
      ↓
建立模型
      ↓
Contour Map

发现：

疏水有利区域
              ↓
          ┌──────┐
          │      │
     ┌────┴──────┴───┐
     │    Ligand     │
     └───────────────┘
             ↑
        H-bond有利区域

于是提出：

在R1位置增加疏水基团，在R2位置引入氢键受体。

设计：

Lead compound
      ↓
   R1优化
      ↓
   R2优化
      ↓
Compound A
Compound B
Compound C
Compound D

随后进行：

Docking

检查：

是否进入binding pocket
是否形成关键氢键
是否存在π-π stacking
疏水相互作用是否合理
是否出现空间冲突

再进行：

MD

例如：

RMSD
RMSF
Radius of gyration
Hydrogen bonds
SASA
Protein-ligand contacts
MM/PBSA或MM/GBSA

最终筛选：

十九、3D-QSAR与药物结构优化的核心逻辑

可以把整个过程浓缩成下面这张“科研思维图”：

已知活性化合物
                       │
                       ↓
                三维结构准备
                       │
                       ↓
                 分子叠合
                       │
                       ↓
            ┌──────────────────┐
            │   3D Molecular   │
            │      Fields      │
            └──────────────────┘
                       │
                       ↓
                CoMFA / CoMSIA
                       │
                       ↓
                 PLS建模
                       │
                       ↓
              模型验证 R²/Q²
                       │
                       ↓
                Contour Map
                       │
              ┌────────┴────────┐
              ↓                 ↓
        有利区域             不利区域
              ↓                 ↓
       增加相应基团          避免相应基团
              └────────┬────────┘
                       ↓
                 新分子设计
                       ↓
                 活性预测
                       ↓
                    Docking
                       ↓
                     MD
                       ↓
                  实验验证
                       ↓
                  Lead优化

二十、3D-QSAR最需要注意的几个问题

1. 化合物不能太杂

如果化合物：

作用机制不同
结合位点不同
构象差异巨大
活性测定体系不同

那么建立一个3D-QSAR模型往往没有意义。

2. Alignment非常关键

错误Alignment：

3. 不要只看R²

一个： R²=0.95

的模型并不一定好。

必须进一步看： Q²

以及：

和独立外部测试集表现。

4. 3D-QSAR不是结合机制证明

这是非常重要的一点。

3D-QSAR告诉你：

某个空间区域的某种物理化学性质与活性存在统计关联。

但它并不能单独证明：

配体一定以某种姿势结合蛋白。

所以最好结合：

3D-QSAR + Docking + MD + 实验

进行综合判断。

二十一、如果用于实际科研，推荐的完整技术路线

如果目标是做一套比较完整的计算药物设计/论文分析流程，可以采用：

化合物数据库
                   ↓
             PubChem / ChEMBL
                   ↓
              结构标准化
                   ↓
            IC50 / Ki / EC50
                   ↓
               pIC50
                   ↓
          3D构象生成与优化
                   ↓
            Molecular Alignment
                   ↓
          ┌────────┴────────┐
          ↓                 ↓
        CoMFA             CoMSIA
          ↓                 ↓
          └────────┬────────┘
                   ↓
                PLS
                   ↓
             QSAR模型验证
                   ↓
             3D Contour Map
                   ↓
             Lead结构优化
                   ↓
              新分子设计
                   ↓
              活性预测
                   ↓
            ┌──────┴──────┐
            ↓             ↓
         Docking          ADMET
            ↓
           MD
            ↓
     RMSD/RMSF/H-bond/SASA
            ↓
       MM/PBSA / MM/GBSA
            ↓
          候选化合物
            ↓
          实验验证

总结yixia ：

3D-QSAR负责回答“分子三维空间中哪里应该增加/减少什么性质”，分子对接负责回答“它可能怎样结合靶蛋白”，分子动力学负责回答“这种结合在动态环境中是否稳定”，三者结合可以形成从SAR规律发现 → 结构优化 → 结合模式验证 → 动力学稳定性评价的一套完整计算药物设计流程。

生活很好，有你更好。

原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。

如有侵权，请联系 cloudcommunity@tencent.com 删除。

数据分析

#分子对接

#分子动力学

#数据分析