drug design. Previously, we optimized an HDAC11 AlphaFold model by adding the catalytic zinc ion and minimization in the presence of reported HDAC11 inhibitors. In the current study, we implement a comparative structure-based virtual screening approach utilizing the previously optimized HDAC11 AlphaFold model to identify novel and selective HDAC11 inhibitors. The stepwise virtual screening approach
H
DAC11 是一种 IV 类组蛋白脱酰酶,目前尚无晶体结构报道。H
DAC11 的催化结构域与其他 H
DAC 亚型具有低序列同一性,这使得传统的同源建模不太可靠。AlphaFold 是一种机器学习方法,即使没有相似结构,也可以高精度地预测蛋白质的 3D 结构。然而,AlphaFold 模型是在不存在小分子和离子/辅因子的情况下预测的,这使得它们在药物设计中的应用变得复杂。以前,我们通过添加催化
锌离子并在已报道的 H
DAC11
抑制剂存在下最小化来优化 H
DAC11 AlphaFold 模型。在目前的研究中,我们实施了一种基于结构的比较虚拟筛选方法,利用先前优化的 H
DAC11 AlphaFold 模型来识别新型和选择性 H
DAC11
抑制剂。逐步虚拟筛选方法成功地识别了随后使用体外酶测定法测试的命中。命中化合物对 H
DAC11 的 IC50 值为 3.5 μM,并且在 10 μM 浓度下可以选择性地抑制