本發(fā)明屬于生物信息學(xué)領(lǐng)域，計(jì)算生物學(xué)范疇，特別涉及一種計(jì)算機(jī)藥物篩選方法及其應(yīng)用。

技術(shù)背景

隨著近年來(lái)功能性基因組學(xué)和結(jié)構(gòu)生物學(xué)的飛速發(fā)展，越來(lái)越多的基因信息被發(fā)掘，越來(lái)愈多的蛋白結(jié)構(gòu)被解析，傳統(tǒng)的非基于受體結(jié)構(gòu)的純實(shí)驗(yàn)性新藥研發(fā)模式被動(dòng)搖。2012年的諾貝爾化學(xué)獎(jiǎng)授予了為解析GPCR晶體結(jié)構(gòu)做出卓越貢獻(xiàn)的科學(xué)家Lefkowitz(杜克大學(xué))和Kobilka(斯坦福大學(xué))。之后2013年諾貝爾化學(xué)獎(jiǎng)授予了計(jì)算模擬界的三位著名科學(xué)家馬汀·卡普拉斯(Martin Karplus)、邁克爾·萊維特(Michael Levitt)和亞利耶·瓦謝爾(Arieh Warshel)。

在現(xiàn)代藥物發(fā)現(xiàn)中使用虛擬篩選發(fā)現(xiàn)新的先導(dǎo)化合物將越來(lái)越成為一種既高效有精準(zhǔn)的手段?；谏镄畔⒌挠?jì)算藥物篩選平臺(tái)可以有效的節(jié)約時(shí)間和費(fèi)用。

類藥化合物數(shù)目在1062個(gè)，即使現(xiàn)行組合化學(xué)及高通量篩選能每天篩選數(shù)萬(wàn)個(gè)化合物，它們僅占類藥化合物比例的有效空間，隨機(jī)試錯(cuò)式篩選有如大海撈針，效率低下且成本極高。隨機(jī)藥物篩選必須與計(jì)算機(jī)輔助技術(shù)有機(jī)結(jié)合才能發(fā)揮其應(yīng)用的作用。計(jì)算機(jī)輔助藥物設(shè)計(jì)已發(fā)展有數(shù)十年歷史，近十幾年來(lái)取得較大的實(shí)質(zhì)性進(jìn)步，已在許多藥物的研究中去得成功。如HIV蛋白酶抑制劑Indinavir的設(shè)計(jì)(已上市)、HIV蛋白酶環(huán)脲類抑制劑的設(shè)計(jì)(曾進(jìn)入一期臨床)、唾液酸酶抑制劑的設(shè)計(jì)(以上市)、老年癡呆癥藥物E2020(donepezil)的開發(fā)等等。CADD技術(shù)在國(guó)外高校及大型制藥企業(yè)已成為藥物設(shè)計(jì)的常規(guī)手段，如加州理工學(xué)院、加州大學(xué)洛杉磯分校及美國(guó)匹茲堡大學(xué)、Merck公司、Pfizer公司等等。隨著人類基因組學(xué)的不斷深化發(fā)展，大量的與疾病相關(guān)的基因被陸續(xù)發(fā)現(xiàn)，這使得藥物靶標(biāo)分子的數(shù)量急劇增加，尤其是大量受體晶體結(jié)構(gòu)的解析及最近幾年冷凍電鏡技術(shù)的發(fā)展。這使得人們對(duì)藥物機(jī)理作用的認(rèn)識(shí)、對(duì)化合物源的數(shù)目及多樣性的要求會(huì)逐步降低，命中率逐步提高。

阿爾茲海默癥是一類神經(jīng)退行性疾病，臨床表現(xiàn)為腦組織切片中出現(xiàn)淀粉樣斑塊，神經(jīng)元逐漸死亡，認(rèn)知和記憶能力受損，大腦功能逐漸喪失，病人逐漸喪失獨(dú)立生活能力，最后腦功能嚴(yán)重受損直至死亡。美國(guó)前總統(tǒng)里根和英國(guó)前首相撒切爾夫人都罹患該疾病。據(jù)不完全統(tǒng)計(jì)，我國(guó)目前大約有500萬(wàn)阿爾茲海默癥患者，占世界發(fā)病總數(shù)的四分之一。由于缺乏特效藥物，該疾病不但給病人及家屬造成極大痛苦，也同時(shí)帶來(lái)沉重的社會(huì)負(fù)擔(dān)。

阿爾茲海默病的發(fā)生和大腦中淀粉樣斑塊的形成密切相關(guān)。研究證明：淀粉樣斑塊是由膜整合蛋白酶復(fù)合物γ-secretase異常切割淀粉樣前體蛋白APP(amyloid precursor protein)而產(chǎn)生過(guò)量易聚集的Aβ42肽段所致。γ-secretase是由四個(gè)膜整合蛋白組成的包含19次跨膜螺旋的復(fù)合體，包括早老素Presenilin(PS1)，Aph-1，Pen-2和Nicastrin四個(gè)亞基，其中Presenilin是執(zhí)行酶活功能的膜整合蛋 白酶(intramembrane protease)活性亞基。目前已經(jīng)在Presenilin上鑒定出一百多個(gè)與阿爾茲海默癥有關(guān)聯(lián)的氨基酸突變。2014年施一公團(tuán)隊(duì)解析了部分γ-secretase的三維結(jié)構(gòu)。其中Nicastrin亞基已被證明作為靶點(diǎn)接收天然配體或者藥物。

目前藥品專利的保護(hù)期限為20年，如果藥物上市前研究與開發(fā)(R&D)花費(fèi)的時(shí)間為10年，那么藥品的有效市場(chǎng)銷售時(shí)間就僅有10年。如果R&D時(shí)間能縮短2～3年，那么不但能節(jié)約R&D的經(jīng)費(fèi)，而且能為市場(chǎng)贏得寶貴的時(shí)間，這將產(chǎn)生巨大的經(jīng)濟(jì)效益和社會(huì)效益。因此，CADD方法已被國(guó)外許多制藥公司用于新藥的研究與開發(fā)，并且近年來(lái)已取得了極大的成功。所以，CADD方法與應(yīng)用的研究不但具有深遠(yuǎn)的科學(xué)意義，而且具有巨大的應(yīng)用價(jià)值。研究者發(fā)現(xiàn)通過(guò)CADD可有效減少新藥研發(fā)過(guò)程中33％的費(fèi)用和30％的時(shí)間成本，其中虛擬篩選的介入，使新藥研發(fā)的平均周期縮短了0.9年，直接研發(fā)費(fèi)用平均降低了1.3億美元。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明目的在于開發(fā)一種以分子對(duì)接和虛擬篩選技術(shù)為基礎(chǔ)的高精準(zhǔn)計(jì)算機(jī)藥物篩選方法，能夠適用于基于結(jié)構(gòu)的藥物設(shè)計(jì)。

本發(fā)明的首要目的是通過(guò)虛擬篩選方式得到gama-secretase中的Nicastrin的先導(dǎo)藥物。該先導(dǎo)化合物有對(duì)Nicastrin有抑制活性的潛力。

本發(fā)明第二個(gè)目的是通過(guò)Discovery Studio精確地選中靶點(diǎn)Nicastrin的綁定口袋。以供分子對(duì)接和虛擬篩選使用。

本發(fā)明的第三個(gè)目的是使用生物信息學(xué)分析工具對(duì)蛋白的一維及二維信息進(jìn)行基本分析。

本發(fā)明第四個(gè)目的是通過(guò)同源建模工具對(duì)已知序列進(jìn)行三維建模，供藥物設(shè)計(jì)使用。

本發(fā)明第五個(gè)目的是通過(guò)Autodock進(jìn)行以Nicastrin為靶點(diǎn)以Zinc數(shù)據(jù)庫(kù)為基準(zhǔn)數(shù)據(jù)庫(kù)的虛擬篩選。

本發(fā)明還針對(duì)先導(dǎo)化合物與受體殘基空間構(gòu)象及靜電作用力的研究，優(yōu)化先導(dǎo)化合物，并進(jìn)行IC50測(cè)試，以驗(yàn)證虛擬篩選的準(zhǔn)確度。

為實(shí)現(xiàn)上述發(fā)明目標(biāo)，本發(fā)明采用如下技術(shù)方案：

一種以Nicastrin為靶點(diǎn)的藥物篩選方法，其特征在于：以生物信息學(xué)分析、同源建模、分子對(duì)接虛擬篩選技術(shù)為基礎(chǔ)進(jìn)行計(jì)算機(jī)藥物篩選，所述以Nicastrin為靶點(diǎn)的藥物篩選方法包括以下步驟：

確定Nicastrin在Uniprot中的蛋白序列；

Nicastrin蛋白序列的生物信息學(xué)一級(jí)結(jié)構(gòu)分析；

通過(guò)Uniprot查詢Nicastrin的翻譯后修飾發(fā)現(xiàn)：45、55、187、200、204、264、387、417、435、464、506、530、562、573、580、612位殘基都有N-糖基化報(bào)導(dǎo)，1-33位序列是信號(hào)肽。在Nicastrin的亞細(xì)胞定位部分發(fā)現(xiàn)該靶點(diǎn)有一次跨膜，其中34-669處于細(xì)胞膜外，而691-709處于細(xì)胞膜內(nèi)，中間肽段670-690橫跨磷脂雙分子層。因此正常的小分子結(jié)合口袋不會(huì)處于670-690內(nèi)。與此同時(shí)結(jié)合TMHMM工 具分析靶點(diǎn)的跨膜分布發(fā)現(xiàn)670-690為跨膜區(qū)；

Nicastrin蛋白序列二級(jí)結(jié)構(gòu)分析；

采用Lasegene軟件對(duì)靶點(diǎn)蛋白進(jìn)行二級(jí)結(jié)構(gòu)及相關(guān)物理性質(zhì)的預(yù)測(cè)。首先打開Lasegene中的Editseq模塊，新建Protein窗口并將靶點(diǎn)序列粘帖至該窗口中，并保存文件類型為EditSeq Protein Sequence File類型。然后將該文件用Lasegene中的Protean模塊打開，通過(guò)Protean預(yù)測(cè)該靶點(diǎn)的二級(jí)結(jié)構(gòu)、柔性區(qū)域、表面傾向性等因素。同時(shí)結(jié)合Functional Sites in Protein工具預(yù)測(cè)蛋白的功能位點(diǎn)及球狀和混亂區(qū)域；

Nicastrin同源建模：使用Swiss-modeling進(jìn)行同源建模。首先打開Swiss-modeling工具網(wǎng)站并點(diǎn)擊Modelling，將靶點(diǎn)序列黏貼至序列窗口并點(diǎn)擊Built Model，Swiss-modeling工具將搜尋同源模板將輸入序列進(jìn)行同源膜建，待程序大約跑15分鐘后查看建模結(jié)果。我們選擇4upc(分辨率5.4埃)作為模板所建模型GMQE為0.71.我們發(fā)現(xiàn)該靶點(diǎn)33-41及666-709區(qū)間三維結(jié)構(gòu)缺失，因此我們通過(guò)Modelle程序進(jìn)行片段模建。我們將所建造的3D模型用DS進(jìn)行能量最小化優(yōu)化，然后將模板與序列建構(gòu)進(jìn)行疊合后發(fā)現(xiàn)兩者RMSD為1埃，同源建模模型可信，swiss-modeling工具對(duì)同源建模有較高的準(zhǔn)確度。E333，Y337，R281，S297and T333；

采用Discovery Studio程序，為Nicastrin確定綁定口袋；

采用Glide軟件對(duì)Nicastrin抑制劑小分子數(shù)據(jù)庫(kù)進(jìn)行分子對(duì)接及虛擬篩選；

小分子抑制劑IC50活性測(cè)試。

本發(fā)明還采用如下技術(shù)方案：以Nicastrin為靶點(diǎn)的藥物篩選方法在以γ-分泌酶為靶點(diǎn)的先導(dǎo)化合物計(jì)算機(jī)篩選的應(yīng)用。

本發(fā)明還采用如下技術(shù)方案：以Nicastrin為靶點(diǎn)的藥物篩選方法在無(wú)晶體結(jié)構(gòu)GPCR蛋白但與其他GPCR晶體結(jié)構(gòu)同源相似率達(dá)75％以上的受體抑制劑篩選的應(yīng)用。

本發(fā)明還采用如下技術(shù)方案：以Nicastrin為靶點(diǎn)的藥物篩選方法在分子對(duì)接軟件Autodock平臺(tái)的應(yīng)用。

本發(fā)明還采用如下技術(shù)方案：以Nicastrin為靶點(diǎn)的藥物篩選方法在Autodock-vina平臺(tái)的應(yīng)用。

本發(fā)明還采用如下技術(shù)方案：以Nicastrin為靶點(diǎn)的藥物篩選方法在swiss-model同源建模平臺(tái)上的應(yīng)用。

本發(fā)明還采用如下技術(shù)方案：以Nicastrin為靶點(diǎn)的藥物篩選方法在PGB蛋白抑制劑計(jì)算機(jī)篩選的應(yīng)用。

本發(fā)明還采用如下技術(shù)方案：以Nicastrin為靶點(diǎn)的藥物篩選方法在Zinc數(shù)據(jù)庫(kù)的應(yīng)用

附圖說(shuō)明

圖1是本發(fā)明所述基于生物信息學(xué)的計(jì)算機(jī)藥物篩選方法中的靶點(diǎn)Nicastrin一級(jí)結(jié)構(gòu)分析及轉(zhuǎn)錄后 修飾情況。其中1-33序列屬于信號(hào)肽區(qū)間。

圖2是本發(fā)明所述基于生物信息學(xué)的計(jì)算機(jī)藥物篩選方法中的靶點(diǎn)Nicastrin二級(jí)結(jié)構(gòu)分析及亞細(xì)胞定位分析。34-669位氨基酸處于細(xì)胞膜外，670-690區(qū)間處于跨膜區(qū)，691-709區(qū)間位于細(xì)胞膜內(nèi)。

圖3是本發(fā)明所述基于生物信息學(xué)的計(jì)算機(jī)藥物篩選方法中的靶點(diǎn)Nicastrin的二級(jí)結(jié)構(gòu)分析，基于隱馬爾夫模型算法的蛋白拓?fù)浣Y(jié)構(gòu)預(yù)測(cè)。

圖4是基于Protein軟件的蛋白質(zhì)二級(jí)結(jié)構(gòu)及親水性等因素預(yù)測(cè)。

圖5是本發(fā)明所述基于生物信息學(xué)的計(jì)算機(jī)藥物篩選方法中的靶點(diǎn)Nicastrin功能位點(diǎn)的預(yù)測(cè)分析。其中90-270區(qū)間基本處于Disorder(混亂區(qū)域)，而270-600區(qū)間處于球狀區(qū)域。

圖6是本發(fā)明所述基于生物信息學(xué)的計(jì)算機(jī)藥物篩選方法中同源建模的參數(shù)設(shè)置及分析；其中所選用模板為4UIS，序列一致度達(dá)91.15，分辨率4.40埃。GMQE值0.71.

圖7是本發(fā)明所述基于生物信息學(xué)的計(jì)算機(jī)藥物篩選方法中配體作用口袋關(guān)鍵氨基酸殘基的分析。關(guān)鍵氨基酸主要是E333，Y337，R281，S297and T333.

圖8是本發(fā)明所述基于生物信息學(xué)的計(jì)算機(jī)藥物篩選方法中配體作用口袋的設(shè)定，定義口袋半徑為5埃。

圖9是通過(guò)虛擬篩選得到的小分子先導(dǎo)化合物母核。

圖10小分子化合物對(duì)細(xì)胞中Nicastrin的抑制曲線。

圖11是本發(fā)明的基于生物信息學(xué)的計(jì)算機(jī)藥物篩選方法的流程圖。

具體實(shí)施方式

具體來(lái)說(shuō)，本發(fā)明提供一種通過(guò)計(jì)算模擬的方法來(lái)定義受體綁定口袋并進(jìn)行基于結(jié)構(gòu)的虛擬藥物篩選的方法。步驟如下：

(1)確定Nicastrin在Uniprot中的蛋白序列。

(2)Nicastrin蛋白序列的生物信息學(xué)一級(jí)結(jié)構(gòu)分析。

(3)Nicastrin蛋白序列二級(jí)結(jié)構(gòu)分析。

(4)Nicastrin同源建模。

(5)采用Discovery Studio程序，為Nicastrin確定綁定口袋。

(6)采用Autodock軟件對(duì)Nicastrin抑制劑小分子數(shù)據(jù)庫(kù)進(jìn)行虛擬篩選。

(7)小分子抑制劑活性測(cè)試。

下面我們針對(duì)本發(fā)明進(jìn)行具體描述：

確定Nicastrin在Uniprot中的蛋白序列。

將Uniprot ID Q92542輸入U(xiǎn)niprot網(wǎng)站。得到Nicastrin的相關(guān)注釋信息，并得到Nicastrin序列：MATAGGGSGADPGSRGLLRLLSFCVLLAGLCRGNSVERKIYIPLNKTAPCVRLLNATHQIGCQSSISGDTGVIHVVEKEEDLQWVLTDGPN PPYMVLLESKHFTRDLMEKLKGRTSRIAGLAVSLTKPSPASGFSPSVQCPNDGFGVYSNSYGPEFAHCREIQWNSLGNGLAYEDFSFPIFLLEDENETKVIKQCYQDHNLSQNGSAPTFPLCAMQLFSHMHAVISTATCMRRSSIQSTFSINPEIVCDPLSDYNVWSMLKPINTTGTLKPDDRVVVAATRLDSRSFFWNVAPGAESAVASFVTQLAAAEALQKAPDVTTLPRNVMFVFFQGETFDYIGSSRMVYDMEKGKFPVQLENVDSFVELGQVALRTSLELWMHTDPVSQKNESVRNQVEDLLATLEKSGAGVPAVILRRPNQSQPLPPSSLQRFLRARNISGVVLADHSGAFHNKYYQSIYDTAENINVSYPEWLSPEEDLNFVTDTAKALADVATVLGRALYELAGGTNFSDTVQADPQTVTRLLYGFLIKANNSWFQSILRQDLRSYLGDGPLQHYIAVSSPTNTTYVVQYALANLTGTVVNLTREQCQDPSKVPSENKDLYEYSWVQGPLHSNETDRLPRCVRSTARLARALSPAFELSQWSSTEYSTWTESRWKDIRARIFLIASKELELITLTVGFGILIFSLIVTYCINAKADVLFIAPREPGAVSY。

Nicastrin蛋白序列的生物信息學(xué)一級(jí)結(jié)構(gòu)分析。

通過(guò)Uniprot查詢Nicastrin的翻譯后修飾發(fā)現(xiàn)：45、55、187、200、204、264、387、417、435、464、506、530、562、573、580、612位殘基都有N-糖基化報(bào)導(dǎo)，1-33位序列是信號(hào)肽。在Nicastrin的亞細(xì)胞定位部分發(fā)現(xiàn)該靶點(diǎn)有一次跨膜，其中34-669處于細(xì)胞膜外，而691-709處于細(xì)胞膜內(nèi)，中間肽段670-690橫跨磷脂雙分子層。因此正常的小分子結(jié)合口袋不會(huì)處于670-690內(nèi)。與此同時(shí)結(jié)合TMHMM工具分析靶點(diǎn)的跨膜分布發(fā)現(xiàn)670-690為跨膜區(qū)。

Nicastrin蛋白序列二級(jí)結(jié)構(gòu)分析。

采用Lasegene軟件對(duì)靶點(diǎn)蛋白進(jìn)行二級(jí)結(jié)構(gòu)及相關(guān)物理性質(zhì)的預(yù)測(cè)。首先打開Lasegene中的Editseq模塊，新建Protein窗口并將靶點(diǎn)序列粘帖至該窗口中，并保存文件類型為EditSeq Protein Sequence File類型。然后將該文件用Lasegene中的Protean模塊打開，通過(guò)Protean預(yù)測(cè)該靶點(diǎn)的二級(jí)結(jié)構(gòu)、柔性區(qū)域、表面傾向性等因素。同時(shí)結(jié)合Functional Sites in Protein工具預(yù)測(cè)蛋白的功能位點(diǎn)及球狀和混亂區(qū)域。

Nicastrin同源建模。

使用Swiss-modeling進(jìn)行同源建模。首先打開Swiss-modeling工具網(wǎng)站并點(diǎn)擊Modelling，將靶點(diǎn)序列黏貼至序列窗口并點(diǎn)擊Built Model，Swiss-modeling工具將搜尋同源模板將輸入序列進(jìn)行同源膜建，待程序大約跑15分鐘后查看建模結(jié)果。我們選擇4upc(分辨率5.4埃)作為模板所建模型GMQE為0.71.我們發(fā)現(xiàn)該靶點(diǎn)33-41及666-709區(qū)間三維結(jié)構(gòu)缺失，因此我們通過(guò)Modelle程序進(jìn)行片段模建。我們將所建造的3D模型用DS進(jìn)行能量最小化優(yōu)化，然后將模板與序列建構(gòu)進(jìn)行疊合后發(fā)現(xiàn)兩者RMSD為1埃，同源建模模型可信，swiss-modeling工具對(duì)同源建模有較高的準(zhǔn)確度。E333，Y337，R281，S297and T333.

采用Discovery Studio程序，為Nicastrin確定綁定口袋。

載入同源建模后的受體PDB結(jié)構(gòu)，使PDB結(jié)構(gòu)以卡通圖模式展示。選定E333，Y337，R281，S297殘基，定義綁定口袋區(qū)域，定義口袋半徑為5埃。

采用Autodock軟件對(duì)Nicastrin抑制劑小分子數(shù)據(jù)庫(kù)進(jìn)行虛擬篩選。將同源建模后的晶體結(jié)構(gòu)用Autodock Tools進(jìn)行處理，去掉冗余分子，按Autodock Vina運(yùn)行規(guī)則進(jìn)行分子優(yōu)化處理，加電荷，并將 受體結(jié)構(gòu)轉(zhuǎn)化為pdbqt格式。所有的化合物結(jié)構(gòu)從ZINC數(shù)據(jù)庫(kù)下載，用PyRx處理和轉(zhuǎn)換成pdbqt格式.建立一個(gè)處理后的化合物數(shù)據(jù)庫(kù).

根據(jù)已經(jīng)確定的活性位點(diǎn).其它條件設(shè)為默認(rèn).選擇Lamarckian genetical gorithm(LGA)計(jì)算方法，用PyRx運(yùn)行AutodockVina，首輪篩選從大約4萬(wàn)個(gè)化合物庫(kù)(ZINC數(shù)據(jù)庫(kù))中進(jìn)行高通量篩選，得到800個(gè)類藥小分子化合物的庫(kù).再?gòu)倪@800個(gè)小分子化合物中篩選針對(duì)Nicastrin的抑制劑.通過(guò)對(duì)建立的化合物數(shù)據(jù)庫(kù)進(jìn)行4輪篩選，篩選出活性最高的1個(gè)化合物，對(duì)這個(gè)化合物做進(jìn)一步分析.

小分子抑制劑的細(xì)胞實(shí)驗(yàn)活性分析。

細(xì)胞接種在96孔板上，使用0.2％DMSO或DAPT(濃度為2.6μM-150μM)處理48小時(shí)。使用MTT染料減少檢測(cè)實(shí)驗(yàn)，稍微修正，測(cè)定細(xì)胞毒性。與DAPT溫育后，25μL MTT溶液(5mg/mL，溶于PBS)加到含200μL培養(yǎng)基的每孔中，實(shí)驗(yàn)板在37℃下溫育6小時(shí)，隨后每孔加入200μL DMSO，在室溫下震蕩20分鐘混合。通過(guò)酶聯(lián)免疫吸附法在490nm處測(cè)定吸光值。使用α-MEM及等量的MTT溶液和溶劑，作為空白對(duì)照。使用PROBIT程序在SPSS中計(jì)算IC50值。

本發(fā)明還包括：以Nicastrin為靶點(diǎn)的藥物篩選方法在以γ-分泌酶為靶點(diǎn)的先導(dǎo)化合物計(jì)算機(jī)篩選的應(yīng)用。

本發(fā)明還包括：以Nicastrin為靶點(diǎn)的藥物篩選方法在無(wú)晶體結(jié)構(gòu)GPCR蛋白但與其他GPCR晶體結(jié)構(gòu)同源相似率達(dá)75％以上的受體抑制劑篩選的應(yīng)用。

本發(fā)明還包括：以Nicastrin為靶點(diǎn)的藥物篩選方法在分子對(duì)接軟件Autodock平臺(tái)的應(yīng)用。

本發(fā)明還包括：以Nicastrin為靶點(diǎn)的藥物篩選方法在Autodock-vina平臺(tái)的應(yīng)用。

本發(fā)明還包括：以Nicastrin為靶點(diǎn)的藥物篩選方法在swiss-model同源建模平臺(tái)上的應(yīng)用。

本發(fā)明還包括：以Nicastrin為靶點(diǎn)的藥物篩選方法在PGB蛋白抑制劑計(jì)算機(jī)篩選的應(yīng)用。

本發(fā)明還包括：以Nicastrin為靶點(diǎn)的藥物篩選方法在Zinc數(shù)據(jù)庫(kù)的應(yīng)用。

本發(fā)明還包括：小分子化合物在抑制γ-secretase酶活性的應(yīng)用。