前言

G蛋白偶联雌激素膜受体（GPR30/GPER1），主要分布于细胞膜或内质网上，是“膜受体”。它通过与雌激素结合，以非转录模式直接快速激活cAMP及EGFR等信号途径，促进胞内Ca2+释放，进而产生一系列下游效应，对中枢神经系统、心脑血管系统、内分泌系统和生殖系统等多个系统发挥不同的、重要的雌激素样生理作用。由于GPER1可快速的调节雌激素的多种生理反应信号，因此作为一种新药靶点引起了人们的广泛关注和研究。

研究使用基于配体和基于受体的方法进行虚拟筛选发现新型G蛋白偶联雌激素膜受体抑制剂。

实验过程

图1 实验过程

研究选择eMolecules数据库中的720万个化合物进行筛选。选择已知抑制剂G1为模型进行形状相似性筛选（ROCS）、静电相似性筛选（EON）和分子对接筛选（FRED），最后再对命中的化合物进行合成和活性测定。

实验结果

1. 基于配体的虚拟筛选结果

研究选择已知抑制剂G1作为提问结构进行筛选研究。首先使用OMEGA模块对其进行构象枚举，从产生的200个构象中选择能量最低的构象进行形状相似性筛选。提问结构G1产生的ROCS模型如图2A所示，包含有10个化学特征，分别为：5个环状、3个氢键受体、1个氢键供体、1个疏水性。使用该模型筛选eMolecules数据库，命中TanimotoCombo值在1.861~1.204之间的5000个化合物，然后进行静电相似性筛选。提问结构G1产生的EON模型如图2B所示，使用该模型进行筛选，命中ET_Comb值在1.651~1.112之间的100个化合物。

图2 已知抑制剂G1的ROCS模型（A）和EON模型（B）

2. 基于受体的虚拟筛选结果

对形状相似性和静电相似性筛选命中的100个化合物，继续进行对接筛选。因为没有GPER1蛋白的晶体结构，所以研究采用同源模建的方法来构建GPER1蛋白的三维结构。本研究使用多个同源性较高的模型（4YAY、4DJH、3OE0、4DKL、3ODU）来构建GPER1蛋白的三维结构。构建好的蛋白质结构使用QUACPAC模块进行加电荷和能量优化处理。然后进行对接，先使用已知抑制剂进行对接模式的优化，确定好活性口袋后再进行对接筛选。将经过形状相似性和静电相似性筛选后命中的100个化合物进行对接，命中对接打分值Chemgauss4值小于-11.5754的5个化合物。

化合物6120497_SRS_10与GPER1的对接模式已经被研究过，该文章中发现化合物与活性口袋的残基Met141、Val219、Gly222、Phe223、Trp272、Ile279和Ser280形成疏水相互作用，和残基Glu218形成氢键相互作用。本研究命中的5个化合物都和活性口袋的这些关键氨基酸形成疏水相互作用。由此说明我们选择的对接筛选方法准确、可信度高。

表1 对接筛选命中的5个化合物

3. 生物活性评价

研究对命中的化合物进行了聚类分析，然后选择计算活性最高的两个化合物（图3）进行了合成和生物活性评价。选择两个乳腺癌细胞珠系：SK-BR-3和MCF-7进行抗增殖活性研究。已知抑制剂G-1和新合成的化合物SK0、SK0P对两株乳腺癌细胞系的抗增殖活性如表2所示，其中G-1能较好的抑制乳腺癌SK-BR-3细胞的增殖，而化合物SK0、SK0P对乳腺癌细胞MCF-7表现出较强的抗增殖活性。因为SK-BR-3细胞的GPER-1蛋白含量较高，所以化合物抑制SK-BR-3细胞的增殖活性要比抑制MCF-7细胞的好，两者呈正相关。抗增殖活性的测定结果表明本研究经过虚拟筛选发现的2个化合物对GPER-1蛋白有较强的抑制活性，可以作为新型先导化合物进行后期研究。

图3 新化合物骨架

表2 新化合物的抗增殖活性和分子对接结果

结论

研究使用基于配体的虚拟筛选和基于受体的虚拟筛选方法快速的发现GPER-1蛋白抑制剂。使用虚拟筛选方法可以快速高效的从700万个化合物中确定100个潜在的抑制剂，然后进行对接相互作用分析、化合物骨架聚类分析，从而确定了两个有代表性的计算活性最高的化合物进行合成和抗增殖活性研究。活性测定结果也表明筛选发现的两个化合物抑制乳腺癌细胞的增生，能作为GPER-1蛋白抑制剂进行下一步研究。

使用模块：OMEGA、ROCS、EON、FRED

参考文献

1. Shafi Ullah Khan, Nafees Ahemad, Lay-Hong Chuah, et al. Sequential ligand- and structure-based virtual screening approach for the identification of potential G protein-coupled estrogen receptor-1 (GPER-1) modulators [J]. RSC Advances, 9.