IC50、pIC50、EC50、ED50、Ki、Kd、KD、Ka、Km、Kon、Koff概念辨析

在这里插入图片描述
IC50:半抑制浓度(或称半抑制率),即IC50,对指定的生物过程(或该过程中的某个组分比如酶、受体、细胞等)抑制一半时所需的药物或者抑制剂的浓度。药学中用于表征拮抗剂(antagonist)在体外实验(in vitro)中的拮抗能力。

pIC50:pIC50=-log(IC50)

EC50:是指在特定暴露时间后,能达到50%最大生物效应对应的药物、抗体或者毒素等的浓度。药学中除了用于表征体外实验中(in vitro)激动剂(agonist)的激活能力外,还可用于表示达到体内(in vivo)最大生物效应一半时所需的血药浓度。

IC50不能直接等效于亲和力,但是两者还是有一定的数学关系的。对于酶促反应:

Ki=IC50/(1+[S]/Km), Ki是抑制剂的结合亲和力, IC50是抑制剂的功能强度;[S]为股定的底物浓度,Km为酶促反应速度达到最大反应速度一半时所对应的底物浓度(注意,它不是酶和底物的亲和力),是酶的特征常数。如果底物浓度远小于Km值,IC50等于Ki。

对于细胞受体的抑制常数:

Ki=IC50/(1+[A]/EC50),[A]是固定的受体激动剂浓度,IC50的值会随这不同实验条件而变化,如酶浓度,底物浓度等。Ki是个常数。

Ki:抑制常数(inhibition constant),反映的是抑制剂对靶标的抑制强度,这个值越小说明抑制能力越强,某些情况下可以与后文的Kd等同。Ki为50%的酶E被抑制剂I结合时对应的游离抑制剂的浓度。

IC50与实验中所用酶的浓度、底物浓度都有关,而Ki是不受这些变量的影响的。

Kd:解离常数(dissociation constant),反映的是化合物对靶标的亲和力大小,值越小亲和力越强。Kd=Koff/kon

Kd为50%的酶E被抑制剂I结合时对应的游离抑制剂的浓度。某些情况下,可与Ki等同。Kd一般通过SPR等实验测定,一般不存在底物;而Ki测定时,是同时存在底物的,有底物参与竞争。所以一般测定的Ki会比Kd要大。

Ka:结合常数(association constant),与Kd相反,值越大亲和力越强。Ka=1/Kd

Km:米氏常数(Michaelis-Menten constant),为酶本身的一种特征参数,其物理意义为当酶促反应达到最大反应速度一半时底物S的浓度。Km的大小只与酶的性质有关,而与酶的浓度无关,但是随着测定的底物不同、温度、离子强度和pH的不同而不同。当k2远远大于k3,Km近似等于ES的解离常数Kd。Km越小,意味着Kd越小,酶与底物的亲和力越高。

Kon:结合速率常数(association rate constant),代表分子间结合时的快慢,单位为M-1∙S-1。在Biacore测定亲和力实验中,Kon越大代表达到最大RU时间越短,曲线斜率越陡峭。

Koff:解离速率常数(dissociation rate constant),代表分子间解离时的快慢,单位为S-1。在Biacore测定亲和力实验中,Koff越大代表RU下降的速率越慢,曲线斜率越平缓。所以亲和力高的表现就是快结慢离。

KD:其实就是Kd,在SPR测定亲和力实验中,经常看到他们的手册中把Kon写成Ka, Koff写成Kd,把Kd写成KD。这样一来,KD=Kd/Ka。

Souce: 纽普生物 2020-01-11

如果没有IC50值,我们可以通过化合物的分子结构(mol文件)来估算PIC50值。PIC50IC50值的负对数(-log(IC50)),用于表示化合物的活性强度。以下是一些常用的方法来估算PIC50值: 1. **定量构效关系(QSAR)模型**: - 使用已知的化合物活性数据和分子描述符(如分子量、疏水性、电荷等)来训练QSAR模型。 - 通过输入化合物的分子描述符,模型可以预测其PIC50值。 2. **分子对接(Molecular Docking)**: - 将化合物目标蛋白进行对接,模拟其结合方式。 - 通过对接得分(如结合能)来估算化合物的活性,并转换为PIC50值。 3. **机器学习方法**: - 使用机器学习算法(如随机森林、支持向量机、神经网络等)来预测PIC50值。 - 收集大量的化合物活性数据和分子特征,训练模型并进行预测。 4. **经验规则和公式**: - 根据化学结构和已知化合物的活性经验,建立一些经验公式或规则来估算PIC50值。 以下是一个简单的示例,假设我们使用QSAR模型来预测PIC50值: ```python import pandas as pd from sklearn.ensemble import RandomForestRegressor from rdkit import Chem from rdkit.Chem import Descriptors # 读取mol文件和活性数据 mol_files = ['compound1.mol', 'compound2.mol', 'compound3.mol'] activities = [5.2, 6.8, 4.5] # 已知PIC50值 # 计算分子描述符 def compute_descriptors(mol_file): mol = Chem.MolFromMolFile(mol_file) descriptors = [] for descriptor in Descriptors.descList: descriptors.append(descriptor[1](mol)) return descriptors descriptor_data = [compute_descriptors(mol) for mol in mol_files] df = pd.DataFrame(descriptor_data, columns=[desc[0] for desc in Descriptors.descList]) # 训练QSAR模型 model = RandomForestRegressor() model.fit(df, activities) # 预测新的化合物的PIC50值 new_mol_file = 'new_compound.mol' new_descriptors = compute_descriptors(new_mol_file) new_pic50 = model.predict([new_descriptors])[0] print(f"Predicted PIC50: {new_pic50}") ```
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值