Discovery Studio™ (简称DS)是专业的生命科学分子模拟软件,DS目前的主要功能包括:蛋白质的表征(包括蛋白-蛋白相互作用)、同源建模、分子力学计算和分子动力学模拟、基于结构药物设计工具(包括配体-蛋白质相互作用、全新药物设计和分子对接)、基于小分子的药物设计工具(包括定量构效关系、药效团、数据库筛选、ADMET)和组合库的设计与分析等。
![6a198c195e06c9110c957319b3c7b5d1.png](https://i-blog.csdnimg.cn/blog_migrate/733d424af3d3b4a4159a1a5e33bdef61.jpeg)
在前面的文章中,利刃君为大家带来了使用Discovery Studio 2016进行具有活性预测能力的药效团模型(3D-QSAR)的构建教程,模型构建完成后,对于模型是否可靠的评估至关重要。今天利刃君为大家带来3D-QSAR模型构建完成后的评估教程。
一、结果查看
我们以上期教程中构建的雌激素受体调节剂(SERMs)的3D-QSAR模型为例,对所构建药效团模型的可靠性及预测能力进行评估。
上期教程中,我们一共构建了10个3D-QSAR药效团模型,打开Report界面,在Summary一栏中,包含了测试集验证统计数据及测试集LogEstimate vs LogActiv 的相关性曲线。
- 其中横坐标为实验值,纵坐标为模型对测试集分子的预测活性值。该图表示了实验值与预测值的离散程度,表征了该药效团模型的预测能力。
![be6bf6751e5f86538408e8fc6a0a30ab.png](https://i-blog.csdnimg.cn/blog_migrate/4d97babdee739a70cf78ffc47dfe14cd.jpeg)
本次实验中,05号和08号药效团结果最好。另外,选取药效团模型的一个重要指标即基于训练集分子和药效团模型的匹配情况能够解释对应训练集分子的生物活性。因此,我们应查看药效团模型中特征与小分子的匹配情况。
- 活性分子同模型中匹配的特征元素应更多,而非活性分子与模型的匹配应缺少某重要的特征。
在Report 页面中展开Results,点击View Aligned Ligands 01 链接查看训练集分子同排名第一的药效团的匹配情况,可以看到预测活性最高的化合物serm-40同该药效团的所有特征均能匹配上。
![2fcf86912a25fa7262b0599bb692a175.png](https://i-blog.csdnimg.cn/blog_migrate/a15352863ad16f11df2e3a0553f12df7.jpeg)
同样的,我们可以依次查看其他训练集分子同药效团模型的匹配情况,可以发现非活性分子serm-49缺失了红色即离子特征,其他非活性分子也或多或少未能与该药效团模型完全匹配。说明该药效团模型对活性分子与非活性分子有良好的区分能力。
![e02509fb4535ca70451f2728ad5be6ab.png](https://i-blog.csdnimg.cn/blog_migrate/401bd349a1bdcf742f8e031042433b16.jpeg)
另外,在表格窗口中有一列为Estimate 的栏,此列为使用该药效团对每个小分子的活性预测值,我们可以更加详细的对实验值与预测值的差别进行比较,以确定有良好预测能力的3D-QSAR药效团模型。
在表格中可以看到活性最好的小分子的实验值为0.02μM,预测值为0.0234μM,预测值与实验值基本一致。其他小分子预测值与实验值也均在同一个数量级。表明该药效团模型具有良好的预测能力。同样的我们也可以查看其他的药效团模型与训练集分子的匹配情况。
![19f8e9f14e8df5d5e394680baaac95cf.png](https://i-blog.csdnimg.cn/blog_migrate/8a63f044ca4c032cf4dcf84af1aefb25.jpeg)
二、图表分析
在Report 页面中展开Results,点击Detailed Analysis Report链接打开图表形式的cost 分析报告。该报告主要包括三个部分的内容,即重要的操作参数及选取的特征元素(Summary of Run Parameters)、药效团模型的cost分析结果(Overall Results)以及每个药效团模型同训练集分子匹配情况的图表形式(Hypotheses Results)。
- cost(Null cost - Total cost)是评价一个药效团模型的重要指标,该值为40-60,表明该模型的置信区间为75%-90%,该值小于40,则模型的置信区间降为50%以下。
![d17a8e4de065aa03d24fd6ac3b12a75c.png](https://i-blog.csdnimg.cn/blog_migrate/38c386a592f15656cafb51cae1dcd0b2.jpeg)
在Hypotheses Results一栏中,散点图表示了药效团模型对训练集化合物的预测能力,其中01号药效团模型中预测值与实验值之间的偏差最小,预测能力最好。
![b9756317d294e57998f5f69503add4c4.png](https://i-blog.csdnimg.cn/blog_migrate/d8b9f49c456014cc60e339d99574cfa5.jpeg)
右边的表格中为每个训练集分子与药效团模型的匹配信息。表格最后一栏Mapping显示了每个化合物同药效团模型的各个特征元素的匹配信息,星号*表示该特征元素未被匹配上。
![5659399d081ab29ab458430fa05746f5.png](https://i-blog.csdnimg.cn/blog_migrate/b5728f483be3c10101fbcea4288cd1d7.jpeg)
另外,01号药效团虽然具有良好的预测能力,但活性最好的两个小分子之一的serm-34有一个特征元素没有匹配上。为了得到更加可靠的药效团模型,一般要求(并非绝对)活性最好的几个分子应与所有的特征元素均能匹配上。
在本次教程中,只有05号、07号以及08号药效团同serm-40以及serm-34特征元素全部匹配,而且从预测能力及测试集验证情况来看,05号和08号药效团的数据较好,因此,这两个药效团模型可用于后续的研究。
![a83fa778f29af4c367dbdfc91e0d2ea3.png](https://i-blog.csdnimg.cn/blog_migrate/871bdcef43231f3ca73f240be5326d75.jpeg)
以上就是利刃君为大家带来的利用Discovery Studio 2016软件对构建具有活性预测能力药效团模型的评估教程啦~
更多Discovery Studio软件使用教程,进入“叮当学术”公众号首页,点击下方菜单栏”分子模拟“中的”DS教程“子菜单即可获取~