中药靶点筛选计算实操（一） | 反向对接：在无靶点假设下，从中药单体出发搜寻潜在蛋白靶标

引言

中药药理研究中面对复方或活性单体，最棘手的莫过于“靶点是谁”和“怎么结合”这两个问题。过去几年，我逐步将反向对接、分子对接和分子动力学模拟嵌入自己的研究线。

接下来更新的三篇连载文章，是我从大量失败运行和异常轨迹中整理出的实操笔记，按“先广撒网找靶点，再精确定位结合模式，最后用动态模拟去伪存真”的顺序展开。

每篇都会给出我使用的具体步骤和常见踩坑点，希望给有需求的大家提供参考。

01 什么时候该用反向对接

在我自己的课题中，反向对接只在一个场景下启动：已知某个中药单体（或有效部位中的主要成分）在细胞/动物层面表现出明确表型活性，但其直接作用的蛋白靶点尚未报道。

此时正向筛选（针对某一个靶点去筛库）无法进行，因为连“靶点”本身都是未知的。

反向对接把这个逻辑倒过来 —— 把小分子当作探针，让它去“扫描”一个包含数千个蛋白三维结构的数据库，输出按结合亲和力排序的候选靶点列表。

要注意的是，反向对接的输出永远是候选列表，不是确证结论。它的价值在于缩小后续验证的范围，而不是替代实验。

02 实操前的数据库整备

我通常并行准备两类数据：配体（中药单体）和受体（靶点蛋白库）。

▶ 配体处理步骤（以从TCMSP下载为例）

1. 从TCMSP检索化合物名称，获取其二维结构（SDF格式）或MOL2格式。

2. 若没有现成三维结构，使用Open Babel或UCSF Chimera将SDF转换为三维坐标，并执行一次简单的能量最小化（MMFF94力场，500步最速下降）。

3. 使用MGLTools（AutoDockTools）打开该三维分子，添加Gasteiger电荷，检测并定义可旋转键（通常软件自动识别，但需人工检查酯键、酰胺键是否被误判），最后输出为PDBQT格式。

▶ 靶点数据库的选择

1. 若希望快速上手且不追求覆盖度，使用PDTD（约700个蛋白）配合TarFisDock在线服务器。

2. 若希望覆盖全蛋白组，我目前使用PharmTargetDB（提取自PDB的成药性口袋模型）或自行从PDB下载所有分辨率<3.0 Å的蛋白结构，再用FPocket检测口袋并生成格点文件。后者计算量大，但避免了在线服务器的队列等待。

【实操建议】

不要一次性把数千个靶点全部投入盲对接。先根据组织表达谱或疾病关联基因列表，将靶点库缩小至200~500个，既控制计算时间，又提高生物学相关性。

03 两种实操路径：药效团映射 vs. 盲对接

我根据手中化合物的结构特点选择路径。

①　路径A（快速初筛）—— PharmMapper 药效团映射

▶ 适用：化合物具有明确药效团特征（氢键供体/受体、疏水中心较多）。

▶ 操作：将配体SDF提交至PharmMapper，在提交前用其自带构象生成工具产生最多300个构象（勾选“Generate Conformations”选项），提交后等待约1~2小时，返回按匹配分数排序的靶点列表。

▶ 注意：PharmMapper输出的是“药效团匹配得分”，并非结合自由能。我会将此得分作为初筛指标，仅保留得分排名前10%的靶点进入后续分子对接。

②　路径B（高物理化学精度）—— Reverse Dock 盲对接

▶ 适用：化合物结构刚性较强，或药效团特征不突出时，我改用基于AutoDock Vina的盲对接。

▶ 操作：使用ReverseDock在线服务（https://reversedock.ddns.comp.nus.edu.sg/ ）或本地脚本。关键参数设置：

• 搜索盒（grid box）尺寸：以靶点蛋白三维轮廓为基准，向各方向外扩30 Å（即box大小 = 蛋白尺寸 + 60 Å）。
• exhaustiveness = 64（默认8，但盲对接下必须提高以改善收敛）。
• 每个靶点最多输出5个结合构象。

我通常分批次提交至集群，或仅对PharmMapper初筛后的前20个靶点进行盲对接。

04 分数归一化 —— 避免排序伪阳性

我早期直接取Vina打分（kcal/mol）对所有靶点排序，结果总是那些口袋巨大且高度疏水的蛋白（如血清白蛋白、细胞色素P450）排在最前面，而这些几乎都是非特异性吸附。后来的文献和我自己的实践均表明，跨靶点比较原始打分是无效的。

标准操作规程：

1. 除了目标化合物，额外从TCMSP中随机选取50~100个与目标分子分子量相近的中药单体（作为背景配体集）。

2. 将这些背景配体逐一对接至每一个候选靶点，记录每个靶点的所有对接得分，计算其中位数（Median）和标准差（SD）。

3. 目标化合物在该靶点的原始得分记为Si，计算：Zi =（Si−Mediani ）/ SDi。最终按Zi从低到高排序（Z值越低，表示相对背景分布越偏向低能结合）。

设定阈值：仅保留 Zi <−2.0的靶点作为“高置信候选”。

本篇小结与下篇预告

本篇聚焦于反向对接 —— 它是靶点发现阶段的“探照灯”，负责在未知空间中提出初始假说。核心实操要点可概括为：

（1）配体与受体数据库的格式转换与电荷分配；

（2）根据化合物特征选择药效团映射或盲对接路径；

（3）绝不可省略背景归一化步骤。

完成这一步，你通常会得到10~30个候选靶点。但这些靶点是否真的与你的中药单体形成稳定的、具有药理意义的结合，需要分子对接来精确回答。

下一篇，我们将进入已知靶点的配体库筛选与构象确证 —— 即正向分子对接的实操细节。

不过，计算筛选终究是在虚拟世界中“推测”可能性，其给出的候选列表仍需实验数据来最终裁定。

当您手握一批高置信靶点却苦于验证周期过长，或希望在真实生物样本中直接捕获药物-蛋白相互作用的直接证据时，不妨将计算预测与实验验证有机结合：

⬇️⬇️⬇️

中药靶点及作用机制研究一站式解决方案

▶ 快速发文：项目周期仅需1个月，报告内容参照SCI格式，提供符合论文发表要求的图表以及中英文结果描述，从实验设计阶段开始最快可在4个月见刊。

▶ 保障阳性结果：采用基于高通量无偏见筛选的数据驱动实验策略，与传统的假设驱动的实验策略相比，无需预设特定的靶标分子，可以直接筛选出潜在的药物结合靶点，从而有效避免了出现阴性结果的风险。

▶ 结果图表丰富：高通量组学结果联合多个数据库，深入分析中药活性成分、作用靶点、功能富集通路、分子对接、蛋白质相互作用等多层面的结果，包含7大分析模块，25+项分析内容，交付4张核心组图，报告数据结果能达到中科院2区文章90%的工作量标准。

▶ 杂志接受度高：从自身课题现象出发，采集实验材料，采用以高通量筛选技术获得关键靶标及通路的实验性研究，相比于仅依靠数据库挖掘的方法，更易受到学术杂志的认可。

▶ 无科研诚信风险：质谱高通量筛选产生信息庞大又相互关联的数据结果，从原始数据到分析数据的整个过程，我们将以文件夹清晰完整地交付给客户，以便用于论文发表和数据上传，从而杜绝项目数据造假的可能。

参考资料

1. Wang H, He H, Zhang T, et al. Application of reverse docking in the research of small molecule drugs and traditional Chinese medicine. Chem Pharm Bull. 2021;69(12):1183-1193. doi:10.1248/cpb.c21-00324

2. Huang H, Zhang G, Zhou Y, et al. Reverse screening methods to search for the protein targets of chemopreventive compounds. Front Chem. 2018;6:138. doi:10.3389/fchem.2018.00138

3. Li H, Gao Z, Kang L, et al. TarFisDock: a web server for identifying drug targets with docking approach. Nucleic Acids Res. 2006;34(Web Server issue):W219-W224. doi:10.1093/nar/gkl114

4. Zhang H, Pan J, Wu X, et al. Large-scale target identification of herbal medicine using a reverse docking approach. ACS Omega. 2019;4(6):9710-9719. doi:10.1021/acsomega.9b00020