На главную страницу

Пример использования трехмерного QSAR анализа для предсказания активности низкомолекулярных соединений в отношении данного белка.


  • Итак, сначала сделаем выравнивание конформеров с помощью Open3DALIGN. Получили aligned.sdf.
    Затем перекодируем в ascii. Получили aligned_ok1.sdf.

    Теперь запустим 33DQSAR для регрессионной модели. 
              Exp.   Cum. exp.        Exp.   Cum. exp.
PC    var. X %    var. X %    var. Y %    var. Y %        SDEC          r2
--------------------------------------------------------------------------
 0      0.0000      0.0000      0.0000      0.0000      0.9494      0.0000
 1     15.9480     15.9480     32.8386     32.8386      0.7780      0.3284
 2      5.1333     21.0813     36.3625     69.2011      0.5269      0.6920
 3      4.6235     25.7048     15.6991     84.9002      0.3689      0.8490
 4      3.8908     29.5956      7.5246     92.4248      0.2613      0.9242
 5      4.0108     33.6064      2.8661     95.2909      0.2060      0.9529
    r2 стремится к 1. Можно предположить, что модель сработала хорошо.
    Сделаем кросс-валидацию:
    PC        SDEP          q2
--------------------------
 0      0.9658     -0.0348
 1      0.9164      0.0683
 2      0.9733     -0.0509
 3      0.9667     -0.0368
 4      0.9880     -0.0829
 5      0.9497     -0.0006
    А затем для тестовой выборки:
    PC    r2(pred)        SDEP
--------------------------
 0      0.0000      1.0362
 1      0.2655      0.8881
 2      0.3296      0.8484
 3      0.2353      0.9061
 4      0.2754      0.8821
 5      0.2536      0.8953
    В первом случае очень плохо, а для тестовой выборки получше, но не очень.

  • Теперь сделаем всте тоже самое только учитывая структуру фктивного центра белка-мишени.
    Файлы new_ali.sdf и new_ali_ok.sdf.
    Регрессионная модель:
              Exp.   Cum. exp.        Exp.   Cum. exp.
PC    var. X %    var. X %    var. Y %    var. Y %        SDEC          r2
--------------------------------------------------------------------------
 0      0.0000      0.0000      0.0000      0.0000      0.9494      0.0000
 1     12.1342     12.1342     48.4736     48.4736      0.6815      0.4847
 2     13.2295     25.3637     14.5885     63.0621      0.5770      0.6306
 3      7.6412     33.0049     13.2040     76.2661      0.4625      0.7627
 4      8.0257     41.0305      4.3684     80.6345      0.4178      0.8063
 5      6.0521     47.0827      3.8642     84.4987      0.3738      0.8450
    Кросс-валидация: 
    PC        SDEP          q2
--------------------------
 0      0.9658     -0.0348
 1      0.8027      0.2851
 2      0.7664      0.3484
 3      0.7061      0.4468
 4      0.6735      0.4968
 5      0.6401      0.5454
    Предсказание: 
    PC    r2(pred)        SDEP
--------------------------
 0      0.0000      1.0362
 1      0.3451      0.8385
 2      0.3226      0.8529
 3      0.2998      0.8671
 4      0.3012      0.8662
 5      0.2693      0.8858
    Можно заметить, что значения r2 стали лучше.
  • Теперь будем прдесказывать активность с помощью этой модели.
    Кросс-валидация:
    PC        SDEP          q2
--------------------------
 0      0.9865     -0.0240
 1      0.8233      0.2868
 2      0.7521      0.4049
 3      0.7084      0.4720
 4      0.6963      0.4899
 5      0.7061      0.4754
    Моделька:
              Exp.   Cum. exp.        Exp.   Cum. exp.
PC    var. X %    var. X %    var. Y %    var. Y %        SDEC          r2
--------------------------------------------------------------------------
 0      0.0000      0.0000      0.0000      0.0000      0.9749      0.0000
 1     12.5822     12.5822     46.4042     46.4042      0.7137      0.4640
 2     14.2226     26.8048     15.5157     61.9199      0.6016      0.6192
 3      6.7847     33.5895     11.1828     73.1027      0.5056      0.7310
 4      8.7614     42.3509      4.2898     77.3925      0.4635      0.7739
 5      4.7029     47.0537      4.5965     81.9889      0.4137      0.8199

    PC    r2(pred)        SDEP
--------------------------
 0      0.0000      6.6604
 1      0.0298      6.5603
 2     -0.0155      6.7118
 3      0.0082      6.6331
 4     -0.0627      6.8660
 5     -0.1011      6.9889

    External predictions for dependent variable  1 (activity)
--------------------------------------------------------------------------------------------------------------------------------------
    N   ID    Name                                      Actual           1           2           3           4           5    Opt PC n
--------------------------------------------------------------------------------------------------------------------------------------
   86   86    01                                        0.0000      7.1119      7.5466      7.4119      7.6262      7.7234           1
   87   87    44                                        0.0000      6.9428      7.1202      7.0946      7.3278      7.5477           1
   88   88    72                                        0.0000      5.5073      5.2436      5.1697      5.4378      5.4696           3

  • Теперь сделаем модель в Pymol о влиянии заместителей на активность соединений.

    Синим отмечено положительное влияние, салатовым - отрицательное. Можно заметить, что пи-система ароматических кольца вносят положительное влияние на ингибиторы, а "бок" ароматических колец-отрицательное.
    обратно
    © Сливко-Кольчик