(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111359694.4 (22)申请日 2021.11.17 (71)申请人 中山大学 地址 510275 广东省广州市海珠区新港西 路135号 (72)发明人 聂怡初　邓文斌　刘焕彬　麦扬　 刘赣　徐健　赵景新　谢芫　萧倩　 (74)专利代理 机构 广州新诺专利商标事务所有 限公司 4 4100 专利代理师 李海恬 (51)Int.Cl. A61K 31/496(2006.01) A61K 31/4178(2006.01) A61P 11/00(2006.01) G01N 33/50(2006.01)G06K 9/62(2022.01) G06N 20/00(2019.01) G16B 20/30(2019.01) C12N 15/85(2006.01) C12N 15/12(2006.01) C12N 15/53(2006.01) C12Q 1/02(2006.01) (54)发明名称 抗特发性肺纤维化化合物及其计算机预测 筛选方法 (57)摘要 本发明涉及一种抗特发性肺纤维化化合物 及其计算机预测筛选方法， 属于药物研发技术领 域。 通过本发明的预测筛选方法， 得到具有式I或 II结构特征的抗特发性肺纤维化化合物可有效 延缓肺组织中炎症与纤维化的发展进程， 达到治 疗特发性肺纤维化的效果。 权利要求书3页 说明书20页 序列表14页 附图18页 CN 114432311 A 2022.05.06 CN 114432311 A 1.具有式I或II结构特征的化合物或其药用盐、 水合物、 立体异构体在制备用于治疗 和/或预防特发性肺纤维化的药物中的用途： 2.一种用于抗特发性肺纤维化的药物 组合物， 其特征在于， 包括权利要求1所述的化合 物或其药 学上可接受的盐、 水合物、 立体异构体， 以及药 学上可接受的辅料。 3.一种抗特发性肺纤维化 化合物的计算机预测筛 选方法， 其特 征在于， 包括以下步骤： 蛋白模型准备： 获取与特发性肺纤维化相关的靶点蛋白的三维结构模型及其序列； 配体准备： 选取Enamine数据库中分子量为370 ‑960的候选化合物作为配体， 构成筛选 数据库； 分子对接： 以Lamarckian  genetic algorithm软件程序进行对接， 设定蛋白为刚性， 配 体为柔性， 并以ADT工具在配体和蛋白上增加了Koollman  charges； 同时根据靶点蛋白已知 配体设置grid， 使grid覆盖整个配体结合区域， 并以 的grid spacing和介电常数的距 离相关函数计算结合 自由能， 获得ADT对化合物结合能的分析结果， 按照结合能大小， 由小 到大进行排序， 备用； 选取其中前20％的化合物与机器学习活性预测模型预测结果比对， 选取虚拟对接与机 器学习模型评分综合 性得分最高的化 合物进行后续的生物学验证； 建立机器学习模型： 获取靶点蛋白已知配体的结构文件以及pIC50活性数据， 将已知配 体 的 活 性 数 据 转 换 为 ‑l o g ( p I C5 0) ，利 用 p y t h o n 中 R D k i t 模 块 的 MolecularDescriptorCalculator程序对已知配体进行分子特征的提取； 利用sklearn模块 的StandardScaler对所述分子特征进行标准化处理； 再利用sklearn模块进行基于随机森 林和RFE的组合特征选 择； 最后使用pyt hon中Scikit ‑Learn中的S upport Vector Machine， AdaBoost， Random  Forrest， Gradient  Boosting， K ‑Nearest Neighbor以及Bayesian   Ridge算法对已知配 体数据进行拟合计算， 得 出用于活性筛 选的机器学习模型； 虚拟筛选： 按照上述对已知配体的处理方法， 对筛选数据库中候选化合物进行分子特 征的提取， 代入上述机器学习模型中， 进行拟合计算， 得到各候选化 合物的机器学习得分； 模型优化： 综合各候选化合物的机器学习得分和结合能大小， 整合得到虚拟活性值， 选 取虚拟活性值佳的候选化合物， 以PGLuc ‑promCol1A2 ‑A549细胞进行活性筛选， 将获得的化 合物细胞活性数据反馈到所述机器学习模型中， 进行机器学习模型 的优化， 得优化机器学 习模型；权　利　要　求　书 1/3 页 2 CN 114432311 A 2化合物筛选： 将筛选数据库中候选化合物进行分子特征的提取， 代入上述优化机器学 习模型进行分析， 得到 机器筛选结果， 即得 预测抗特发性肺纤维化 化合物。 4.根据权利要求3所述的计算机预测筛选方法， 其特征在于， 所述靶点蛋白包括： VEGFR1， VEGFR2， FGFR 1， FGFR2， FGFR3， P DGFRα， TGFβ 1 R， VEGFR3和P DGFRβ 。 5.根据权利 要求4所述的计算机预测筛选方法， 其特征在于， 所述VEGFR3的三维结构模 型通过以下方法构建： 获取VE GFR3蛋白的氨基酸序列， 去除配体结合域以外的序列， 保留重 点结构相关序列， 以VEGFR2三维结构为模板， 通过SW ISS‑MODEL完成同源 模拟； 所述PDGFRβ 的三维结构模型通过以下方法构建： 获取PDGFRβ 蛋白的氨基酸序列， 去除 配体结合域以外的序列， 保留重点结构相关序列， 以FLT3三维结构为模板， 通过SWISS ‑ MODEL完成同源 模拟。 6.根据权利要求3所述的计算机预测筛选方法， 其特征在于所述标准化处理为： 将选用 的配体database  进行加氢、 设置为PH＝7.4的状态； 靶点蛋白文件去除原有的溶剂分子和 配体分子、 添加氢原子； 设定好对接的网格范围及大小。 7.根据权利要求3所述的计算机预测筛选方法， 其特征在于， 所述虚拟活性值 Consensus score通过以下公式得到： 其中： Targets表示指各靶点蛋白； STargets表示各候选化合物针对靶点蛋白， 分别 根据模型计算得到的机器学习得分和根 据该化合物对每 个靶点的结合能计算得到的分数； 所述STargets按照以下 标准评分： 所述排名通过以下方法得到： 以所述筛选数据库中所有化合物针对每个靶点的结合 能 由低到高进行排位， 机器学习的得分由高到低排列； 某候选化合物在所述的排位中的顺序 位置， 即为该候选化 合物的排名。 8.根据权利要求3所述的计算机预测筛选方法， 其特征在于， 所述pGLuc ‑promCol1A2报 告基因A549细胞通过以下 方法构建： 构建质粒： PCR扩增COL1A2基因序列， 将扩增产物与Luc载体分别用NheI/HindIII双酶 切， 回收酶切产物， 加入T4  DNA Ligase酶连接， 将连接产物转化至DH5α 感受态细胞， LB培养 基培养， 取阳性克隆， 得COL1A 2‑荧光色素酶质粒， 备用； 转染： 使用Lipofectamine  2000转染试剂， Opti ‑MEM培养基， 将上述pGLuc ‑promCol1A2 质粒转染至A549细胞， 即得。 9.根据权利要求8所述的计算机预测筛选方法， 其特征在于， 所述转染步骤之后， 还包权　利　要　求　书 2/3 页 3 CN 114432311 A 3