搜索历史清除全部记录
最多显示8条历史搜索记录噢~
全部
  • 全部
  • 产品管理
  • 新闻资讯
  • 介绍内容
  • 企业网点
  • 常见问题
  • 企业视频
  • 企业图册

一种抗急性髓系白血病的非核苷类SETD2甲基转移酶抑制剂的发现

发布时间:

2025-07-01 14:48

一种抗急性髓系白血病的非核苷类SETD2甲基转移酶抑制剂的发现

达维德·巴尤什 、佐尔特·博格纳 、杰西卡·埃布纳 、弗洛里安·格雷比恩 、久尔吉·M·凯塞罗

1 匈牙利布达佩斯1117自然科学研究中心药物化学研究组;bajusz.david@ttk.hu(达维德·巴尤什);zsolt.bognar@epfl.ch(佐尔特·博格纳) 2 奥地利维也纳兽医大学医学生物化学研究所;Jessica.Ebner@vetmeduni.ac.at(杰西卡·埃布纳);Florian.Grebien@vetmeduni.ac.at(弗洛里安·格雷比恩)

* commi error@ttk.hu组成部分

† 这些作者贡献相同。

摘要:组蛋白甲基转移酶(HMTs)作为各种恶性疾病药物干预的潜在靶点已引起广泛关注。这些酶以在组蛋白特定位置引入甲基标记而闻名,形成了一个调节基因表达和细胞分化表观遗传控制的复杂系统。在此,我们描述了第一代可穿透细胞的非核苷类SETD2抑制剂的鉴定,SETD2是唯一能够使组蛋白H3的K36残基三甲基化的哺乳动物HMT。通过产生表观遗传标记H3K36me3,SETD2参与急性髓系白血病的进展。我们开发了一种基于结构的虚拟筛选方案,该方案首先在回顾性研究中得到验证。接下来,对大量市售化合物库进行了前瞻性筛选。对22个虚拟命中物的实验验证导致发现了三种化合物,它们对SETD2的酶活性表现出剂量依赖性抑制。化合物C13有效阻断了两种具有MLL重排的急性髓系白血病(AML)细胞系的增殖,并导致H3K36me3水平降低,将这种化学类型确定为药物发现项目可行的化学起始点。

关键词:组蛋白甲基转移酶;急性髓系白血病;SETD2抑制剂;虚拟筛选

1. 引言

在真核细胞中,组蛋白在细胞核内DNA的包装中起重要作用。四种主要组蛋白(H2a、H2b、H3和H4)形成一个盘状八聚体复合物,为DNA双螺旋的结合提供结构框架以形成染色质[1]。除了这一作用外,组蛋白的侧链还会发生高度特异性的翻译后修饰,包括甲基化、乙酰化等。这些官能团由特定酶添加到组蛋白尾部,并作为表观遗传标记,参与基因表达的调控。不同组蛋白修饰的存在或缺失可导致染色质在松弛(常染色质)和浓缩(异染色质)状态之间发生变化[1]。在哺乳动物细胞中,含SET结构域2(SETD2)是唯一已知的能够使H3蛋白的K36赖氨酸侧链三甲基化的赖氨酸甲基转移酶(KMT),从而产生H3K36me3表观遗传标记[2]。与大多数其他KMT蛋白一样,SETD2使用S - 腺苷甲硫氨酸(SAM)作为辅因子和亲电甲基基团的来源。通过与SETD2结合,H3K36赖氨酸残基的 -氨基靠近甲基硫鎓阳离子的碳原子,该碳原子在活性位点带有部分正电荷,从而能够进行 型亲核攻击[3]。

H3K36me3标记与各种过程有关,包括转录延伸、可变剪接和DNA修复[4]。SETD2的不适当表达

检查更新

引用:巴尤什,D.;博格纳,Z.;埃布纳,J.;格雷比恩,F.;凯塞罗,G.M. 一种抗急性髓系白血病的非核苷类SETD2甲基转移酶抑制剂的发现。国际分子科学杂志。2021年,22卷,10055期。https:// doi.org/10.3390/ijms221810055

学术编辑:李佳中、加里·A·皮亚扎

收到日期:2021年8月4日

接受日期:2021年9月13日

发布时间:2021年9月17日

出版商说明:MDPI对于已发表地图中的管辖权主张和机构隶属关系保持中立。

image

 

版权:作者保留所有权利。瑞士巴塞尔的MDPI为许可方。本文是一篇开放获取文章,根据知识共享署名(CC BY)许可协议(https://creativecommons.org/licenses/by/ )的条款和条件分发。

并且H3K36三甲基化产生的错误与各种类型的恶性肿瘤有关[5],例如人类乳腺癌[6]、肾透明细胞癌(cRCC)[7]和系统性肥大细胞增多症(SM)[8]。此外,SETD2在白血病中高表达[9]。在复发的儿童急性淋巴细胞白血病(ALL)患者中,发现SETD2突变的频率增加,这突出了SETD2在化疗耐药中的可能作用[10]。与此一致的是,SETD2的杂合缺失在白血病细胞系和小鼠模型中导致对DNA损伤剂的耐药性[11]。

我们最近报道,SETD2的表达和活性对于伴有MLL重排的急性髓系白血病(AML)的进展至关重要。SETD2的下调在体外和体内均抑制了MLL重排的AML的发生和进展,并导致H3K36me3和H3K79me2水平降低。此外,SETD2的缺失诱导MLL重排的AML细胞对DOT1L抑制剂匹诺司他(EPZ - 5676;目前处于1期和2期临床试验,见https://clinicaltrials.gov上的NCT03701295和NCT03724084,于2021年8月1日访问)敏感[12]。目前,已知的唯一SETD2小分子抑制剂是西奈芬净及其合成核苷类似物。西奈芬净(SNF)是一种从链霉菌属细菌中分离出的天然化合物[13],它被描述为各种含SET结构域的蛋白质赖氨酸甲基转移酶(PKMTs)的非选择性抑制剂[14]。值得注意的是,西奈芬净是S - 腺苷甲硫氨酸的紧密类似物(在S - 甲基的位置有一个伯胺基团,图1)。据报道,一系列胺基团用非极性侧链扩展的西奈芬净类似物在体外以低微摩尔浓度抑制SETD2[3,15](这些总结在补充材料的S1部分),其中 -异丁基衍生物最有效, 值为 。

image

 

图1. S - 腺苷甲硫氨酸(SAM)(左)和西奈芬净(SNF)(右)的二维结构。R基团处的取代产生具有微摩尔效力的西奈芬净类似物SETD2抑制剂(在母体化合物中,胺未被取代)。

SETD2在癌症中的临床相关性,以及缺乏进一步的抑制剂化学类型和围绕核苷类似物(如西奈芬净)的一般药物代谢动力学/生物利用度问题,促使我们开展虚拟筛选活动,目的是鉴定具有新型化学支架的SETD2小分子抑制剂。这类化合物既可以作为用于靶点验证和靶点结合研究的化学探针,又可以作为药物发现活动的初始命中物,从而满足科学和临床需求。与西奈芬净类似物结合到SAM结合位点的SETD2 X射线结构为我们开发虚拟筛选方案的努力提供了丰富的结构数据。为了避免限制探索的化学空间,同时将计算需求保持在可管理的规模,在配体对接之前,将基于知识的预筛选步骤(子结构过滤和药效团筛选)引入工作流程。这种方法鉴定出三种具有经实验证实的SETD2抑制活性的新化合物,其中一种还有效降低了H3K36me3水平并阻断了SETD2依赖性AML细胞系的增殖。化合物C13含有一个非核苷核心支架,可以被认为是优化SETD2抑制剂的潜在起点。

2. 结果

2.1. 虚拟筛选工作流程及回顾性验证

为了鉴定SETD2抑制剂的新化学型,我们着手在包含近600万种市售化合物的Mcule数据库[16]上开展基于结构的虚拟筛选,采用配体对接方法。为避免对接所有这些化合物带来的高计算需求,我们在工作流程中引入药效团筛选作为计算成本较低的预筛选步骤。这是基于现有SETD2抑制剂(即正弦菌素类似物)的结构和蛋白质-配体相互作用特征来实施的。通过研究异丁基-正弦菌素(最有效的SETD2抑制剂, 值为 ,图2A)的X射线结构,我们观察到,除了锚定腺嘌呤核心的氢键网络外,鸟氨酸单元和带电荷的仲胺(对于SAM来说,是甲硫鎓阳离子)还提供了进一步的 键和阳离子 相互作用,以稳定非极性侧链朝向酶疏水通道的位置。在药效团层面,这转化为一组特别丰富的药效特征(图S1)。由此得出一个共识药效团模型,并在预筛选步骤中应用(图2B)。该药效团模型包含腺嘌呤核心的关键相互作用特征以及两个带正电荷的基团,能够从我们的训练集中检索出9种已知的SETD2抑制剂(9种已知抑制剂和450种诱饵化合物),误报数量最少(补充材料,S2节)。需要注意的是,该药效团模型表现出色,在1%和2%的误报率下,接受者操作特征(ROC)富集分别为40和28[17];ROC曲线下面积(AUC)值为0.97,ROC的玻尔兹曼增强判别(BEDROC)值为0.702。

image

 

图2. (A)SETD2的SAM结合口袋中的异丁基-正弦菌素(iBu-SNF,PDB:5LSY[15])。(B)叠加在iBu-SNF结构上的共识药效团模型。

对于对接,最初考虑了8个蛋白质数据银行(PDB)结构,基于对大量蛋白质结构和所用对接约束配置的测试(补充材料,S3节),最终选择了其中两个(5JLE[18]和5LSY[15])。对接协议从上述训练集中检索出所有9种已知抑制剂,具有出色的早期富集因子(在1%和2%误报率下,与大小无关的ROC富集因子分别为80和44[17]),ROC曲线下面积(AUC)值为0.97,通过基于药效团的预筛选,该值进一步提高到0.99;BEDROC值分别为0.816和0.854。

2.2. 前瞻性筛选与命中选择

接下来,我们着手应用组装好的虚拟筛选工作流程,以前瞻性方式从一个大型供应商数据库(Mcule,约600万种化合物)中鉴定新的SETD2抑制剂。虽然药效团筛选在计算需求方面比对接提供了一种更经济的选择,但它需要在筛选前为每个分子生成一个构象集合。对于500 - 600万种化合物,这将生成数TB的数据。为了减少数据量,我们引入了一个宽松的子结构过滤器作为额外的预筛选步骤。它使用一个通用查询子结构,使我们能够保留任何与天然辅因子SAM和正弦菌素衍生物至少有最小结构相似性的分子,即那些含有芳香核心和胺基、由至少五个原子的连接区隔开的分子(补充材料,S4节)。

虚拟筛选是逐步进行的;每一步的化合物确切数量总结于图3中。最初约600万种化合物的起始数据库,通过排除具有反应性基团的化合物或泛测定干扰化合物(PAINS)[19],首先减少了约65万种。接下来,宽松的子结构过滤器保留了约35.5万种化合物,其中30047种能够形成至少一种符合药效团过滤器要求的构象状态。这些化合物通过Glide标准精度(SP)对接被对接至合适的受体网格中,结果有9781种化合物成功对接至至少一个受体网格中。

image

 

图3. (A)虚拟筛选工作流程,标明了每一步的化合物数量。(B)用于预筛选的通用子结构过滤器。A代表任何非氢原子,(a)表示该原子处于芳香键中,(X4)表示一种 杂化状态。 为 或 ,允许(但不要求)有任意侧链。连接子长度定义为 (这也允许线性或含环连接子)。

为了选择用于购买和实验测试的化合物,我们考虑了两个标准:除了50种对接分数最佳的化合物外,还基于另外50种化合物与三种最有效的抑制剂具有相似的结合姿势这一事实(基于它们与共识相互作用指纹的Tanimoto相似性[20])保留了它们。由于存在重叠,这产生了86种独特的化合物,对其对接姿势进行了详细的视觉检查,检查主要的相互作用特征,如腺嘌呤模拟核心和活性中心带正电荷的胺。对得到的55种配体进行聚类,并选择22种代表性化合物作为虚拟命中物并购买用于实验测试。

2.3. 实验命中物的确认与表征

首先对购买的22种虚拟命中物进行体外测定,以在基于化学发光的SETD2酶抑制测定中评估它们的抑制作用(详细信息见补充材料,第S5节和图S4A)。在该测定中,使用抗H3K36me3抗体和重组SETD2蛋白来测量SETD2特异性的H3K36三甲基化。作为对照,我们使用了杀稻瘟菌素,其在浓度为 时完全抑制了SETD2的酶活性(图S4B)。这些化合物最初以浓度 单独进行筛选(图S4B)。在第二轮中,对17种化合物进行了重复测试,确定了12种至少抑制SETD2酶功能 的化合物(图S4C)。选择这12种优选化合物进行 的重复测量。

三种虚拟命中物C13、C17和C19以剂量依赖性方式抑制SETD2活性, 值在高微摩尔范围内。对于化合物 ,在其溶解度范围内(测定浓度为1 mM)未达到抑制效果。这些命中物的预测结合姿势总结于图4中(IC 曲线包含在图S5中)。值得注意的是,这三种化合物包含三种不同的核心支架,并且基于它们的预测结合姿势,所有三种都通过三个交替的 键(受体-供体-受体基序)强烈锚定在腺嘌呤结合口袋中,将它们指定为可用于抑制剂设计的新型SETD2抑制剂支架。

image

 

图4. 命中化合物C13(A)、C17(B)和C19(C)的预测结合姿势。

最后,我们旨在评估三种已确认的命中物在细胞中的抑制作用。我们使用了MOLM-13和MV4-11细胞,它们代表了两种同时携带MLL重排和FLT3-ITD突变的AML细胞系,因为我们之前证明这些细胞系对SETD2扰动敏感[12]。

有趣的是,只有C13在两种细胞系中诱导了剂量依赖性的抗增殖作用(图 ),因此将其指定为我们的主要命中化合物。C17和C19缺乏细胞活性,这表明这些化学型需要进一步进行物理化学优化,以实现适当的溶解度和渗透性。

接下来,我们旨在进一步表征C13抑制SETD2驱动的细胞增殖的潜力。在这些长期培养实验中,三种不同浓度的 和 抑制了MOLM-13和MV4-11细胞系的增殖(图5B)。最后,我们评估了C13是否能够抑制细胞中的SETD2活性。我们用 C13处理MOLM-13细胞 ,并通过蛋白质免疫印迹法测定H3K36me3水平(图5C)。我们发现,C13处理导致H3K36me3水平特异性下调,而H3K36me2水平未受影响。这一结果证实了C13在细胞环境中抑制SETD2的KMT活性的靶点作用[21]。

同时,我们注意到观察到的 的SETD2抑制活性比其细胞活性 弱,这暗示了 可能通过抑制更多与SETD2结构相似的组蛋白甲基转移酶来发挥其细胞效应。尽管我们无法进行进一步的甲基转移酶测定,但我们通过对15种其他甲基转移酶的可用PDB结构进行简要对接研究来检验这种可能性(补充材料,第S7节)。该分析突出了六种组蛋白甲基转移酶:NSD1、ASH1L、SETMAR、EHMT2、SUV420H1和SMYD2,作为进一步的潜在靶点。

image

 

图5. 确认的命中化合物C13抑制白血病细胞系的增殖并抑制细胞中SETD2的酶活性。(A)用不同浓度的C13处理MOLM-13和MV4-11细胞5天的剂量反应曲线,得出 值为 。(B)用三种不同浓度的C13和作为对照的二甲基亚砜处理AML细胞系的增殖测定。每48小时或 处理细胞一次,并定期测定细胞计数; 。(C)用 C13或二甲基亚砜处理MOLM-13细胞 后的蛋白质免疫印迹分析。膜与抗H3K36me3和抗H3K36me2抗体孵育。总H3用作上样对照。** ,*** ,**** 。

总之,我们的验证实验表明,C13是一种具有合理细胞活性的非核苷类SETD2抑制剂,该化学型有必要进一步优化,作为急性髓系白血病的一种新的治疗选择。

3. 讨论

我们最近的研究结果为SETD2在伴有MLL重排的急性髓系白血病(AML)进展中的作用提供了充分证据[12]。由于目前针对SETD2的研究工作有限,目前已知的唯一小分子SETD2抑制剂是西奈芬净及其N-烷基化合成类似物[15]。与SETD2的组蛋白结合通道的疏水特性一致,观察到烷基链中的羟基会显著降低抑制活性。然而,由于西奈芬净不能透过细胞膜,因此不能用于细胞研究。值得注意的是,SETD2抑制也引起了制药行业的关注,因为Epizyme(现为基因泰克的一部分)报道了一种结构尚未公开的强效SETD2抑制剂[22]。

鉴于SETD2在癌症中的相关性,我们着手通过虚拟筛选来鉴定新的非核苷类SETD2抑制剂化合物。为此,我们组装了一种计算效率高的逐步筛选方案,该方案采用了多种概念,并针对现有的已知SETD2抑制剂进行了验证。在使用该方案对一个大型供应商数据库进行前瞻性筛选后,我们测试了22个虚拟命中化合物,其中三个在体外以浓度依赖的方式抑制了SETD2。值得注意的是,这三个得到确认的命中化合物包含三种不同的、新的非核苷类SETD2抑制剂支架,可用于进一步的药物化学研究。对这些命中化合物进行了进一步研究,以评估它们在白血病细胞系MOLM-13和MV4-11中的抑制活性。结果表明,命中化合物C13有效地阻断了SETD2介导的MLL重排AML细胞系的增殖,因此将其确定为本研究中鉴定出的主要命中化合物。此外,C13诱导了H3K36me3的下调,而H3K36me2水平保持不变,这在细胞水平上证实了SETD2靶点的作用。我们应该注意到,C13的酶抑制活性比我们预期的要弱,这突出了进一步优化使其成为一种强效先导化合物的必要性。另一方面,这是第一种也适用于细胞研究的非核苷类抑制剂(与细胞通透性有限的天然底物不同)。

总之,化合物C13是开发SETD2特异性抑制剂的一个有前景的起点。SETD2特异性小分子抑制剂的可用性将作为重要的化学探针,用于研究SETD2在癌症和其他疾病中的作用。

4. 材料与方法

4.1. 数据集和配体制备

这些已知SETD2抑制剂的结构和活性数据是从上述原始文献中检索到的 。从蛋白质数据库(PDB)中获得了这些出版物中可获得的14个带有各种配体的SETD2 X射线结构。我们使用了包含5936834个条目的可购买现货化合物的Mcule数据库[16]。这些数据库操作是使用KNIME(瑞士苏黎世KNIME公司)[23]和Instant JChem(匈牙利布达佩斯ChemAxon公司)[24]进行的。使用薛定谔Ligfilter去除具有反应性基团的化合物,同时使用Canvas的PAINS过滤器去除泛测定干扰化合物(PAINS)[19]。在配体制备之前,进行了计算要求较低的子结构筛选(见补充材料,S4节),得到约355000种化合物用于后续研究。这些化合物使用薛定谔LigPrep(美国纽约薛定谔公司)进行制备,生成在 的水性介质中显著存在的可能互变异构体和质子化状态的3D结构。作为后续筛选步骤的必要条件,使用薛定谔ConfGen(美国纽约薛定谔公司)为LigPrep生成的每个结构生成50种构象状态[26,27]。

4.2. 药效团筛选

使用薛定谔公司的Phase软件中的电子药效团模块[28,29],为五个蛋白质数据银行(PDB)结构(4FMU [3]、5LSS、5LSX、5LSY和5LT6 [15])中的每一个创建了一个药效团模型,这些结构分别包含SETD2的活性最高(低微摩尔或亚微摩尔)的抑制剂,即Pr-SNF、iBu-SNF、Bn-SNF和Pe-SNF作为配体。基于这些模型在从训练集中检索所有九种已知抑制剂方面的表现,得出了一个共识药效团模型,该训练集包括:(i)九种已知抑制剂和(ii)由DUD-E服务器生成的450种诱饵化合物库(更多细节见补充材料S2部分)[30]。

4.3. 配体对接

使用薛定谔公司的Prime一步蛋白质制备界面并采用默认设置,对PDB中可用的14个SETD2的X射线结构进行了制备[25,26]。简要来说,添加了氢原子,并使用PROPKA插件在pH为7.4的条件下计算了可电离侧链最可能的质子化状态[31]。那些包含H3组蛋白片段的条目(5JJY、5JLB、5V21和5V22 [18])被省略(因为这些条目中均没有活性抑制剂作为配体),而其余结构进行了叠加。5LSX [15]结构在结合口袋中缺少关键氨基酸残基(1671 - 1673),4H12 [3]处于封闭构象,底物无法进入;这些文件也被排除在进一步研究之外。我们的目标是从其余八个条目中识别出具有代表性的结构,这些结构组合在一起时,在整体对接场景中表现最佳,能够以良好的对接分数和最低的均方根距离(RMSD)值重现原始配体的晶体学对接姿势。我们还通过对前面描述的训练集进行对接来验证该方案,结果显示活性化合物有良好的富集效果。最后,从其余八个结构中选择了两个进行前瞻性筛选(更多细节见补充材料S3部分):5JLE [18]和5LSY [15]。其中一个结构5JLE发表在一项研究SETD2肽结合特性的研究中。然而,有趣的是,这个特定结构不包含组蛋白肽,而是SETD2和SAH(S - 腺苷同型半胱氨酸,酶催化反应的产物)的二元复合物。同样,5LSY是SETD2和N - 异丁基 - 杀稻瘟菌素之间的二元复合物,杀稻瘟菌素是最有效的杀稻瘟菌素类似物。由于这两个结构在其核苷结合位点都含有小分子,它们被认为适合对这些小分子文库进行虚拟筛选,以识别与该位点结合的新化学类型。在对接之前,从这两个结构的结合位点去除了水分子。这样,配体就可以取代甚至替换结合位点的水分子,这将进一步增加结合自由能。使用薛定谔公司的Glide进行网格生成和对接(标准精度,SP)[26,32,33]。

4.4. 后处理与命中选择

通过两种方法评估成功对接的构象:Glide对接分数作为结合能的粗略近似值,以及与从SETD2的三种活性最高的抑制剂(5LSY、5LSX和5LSS [15],分别以iBu-SNF、Bn-SNF和nPr-SNF为配体)推导的一致性相互作用指纹的相似性,作为对接构象的评估。在这些结构的个体指纹不匹配的位置,根据目视检查手动设置相应的位。为每个预测的对接构象生成一个指纹,并使用KNIME [23]从一致性IFP计算Tanimoto相似性 [20]。对于对接的配体,高相似性值表明与受体的相互作用模式与活性最高的抑制剂相似。目视检查后,根据其分子指纹(薛定谔画布中的哈希线性指纹)[26,34],使用“平均”连锁规则对其余55种化合物进行聚类。簇的数量由凯利准则确定,但最大的簇根据独特子结构 -二氮杂双环 壬烷)的存在与否进一步分为两个子簇。从每个簇中选择一种代表性化合物进行购买和测试。

4.5. SETD2酶活性的测量

此处使用的化学发光测定法在体外设置中评估SETD2对组蛋白H3赖氨酸36(H3K36me3)的特异性三甲基化活性(测定原理见图S4A)。SETD2活性的测量按照制造商的方案(目录号52060,https://bpsbioscience.com/setd2 -chemiluminescent-assay-kit-52060,于2021年8月1日访问)进行。这些值进行了空白校正和归一化。相对于试剂盒的阳性对照(完全酶活性)和已知的SET结构域抑制剂西尼芬净(用作阴性对照,完全抑制酶活性)测定酶活性。所用化合物在DMSO中稀释并以 使用。 值使用Prism8软件(GraphPad,美国加利福尼亚州圣地亚哥)从至少五个浓度的一式两份样品中计算得出,起始浓度为1 mM,进行系列稀释。

4.6. C13对白血病细胞系增殖抑制作用的评估

MOLM-13和MV4-11人白血病细胞系购自德国微生物和细胞培养物保藏中心(Deutsche Sammlung von Mikroorganismen und Zellkulturen GmbH,2014,www.dsmz.de,于2021年8月1日访问)。将MOLM-13和MV4-11白血病细胞系以 个细胞/孔的密度接种在白色96孔板中,并以指定浓度对C13进行生物学重复处理。处理五天后,使用CellTiter-Glo发光细胞活力测定法(美国威斯康星州麦迪逊市Promega公司)在SPARK多模式微孔板读数仪(瑞士曼纳多夫市Tecan Trading AG公司)上评估细胞活力。使用Prism8软件(GraphPad,美国加利福尼亚州圣地亚哥)计算IC 和 值。细胞培养和蛋白质免疫印迹实验程序的详细信息包含在补充材料第S6节中。

补充材料:以下内容可在https://www.mdpi.com/article/10.3390/ijms221810055/s1在线获取。

作者贡献:概念构思,D.B.、F.G.和G.M.K.;方法学,D.B.、Z.B.和J.E.;验证,D.B.、J.E.和F.G.;初稿撰写,D.B.、Z.B.和J.E.;审阅和编辑,F.G.和G.M.K.;可视化,D.B.、Z.B.和J.E.;监督,D.B.、F.G.和G.M.K.;资金获取,F.G.和G.M.K.。所有作者已阅读并同意发表的手稿版本。

资金来源:本研究由匈牙利国家研究、发展与创新办公室(OTKA,合同编号K_20135150)资助。D.B.的工作得到了匈牙利科学院的扬·鲍耶研究奖学金以及创新与技术部的UNKP - 21 - 5新国家卓越计划的支持。J.E.得到了奥地利研究促进局(FFG)授予的第857935号资助。F.G.获得了欧盟“地平线2020”研究与创新计划下欧洲研究委员会(ERC)的资助(资助协议编号636855)。

机构审查委员会声明:不适用。

知情同意声明:不适用。

数据可用性声明:本研究中呈现的数据可在文章及补充材料中获取。虚拟筛选计算和生化测量的源数据可应作者要求提供。

利益冲突:作者声明无利益冲突。References

1. Copeland, R.A.; Solomon, M.E.; Richon, V.M. Protein methyltransferases as a target class for drug discovery. Nat. Rev. Drug Discov. 2009, 8, 724-732. [CrossRef]

2. Edmunds, J.W.; Mahadevan, L.C.; Clayton, A.L. Dynamic histone H3 methylation during gene induction: HYPB/Setd2 mediates all H3K36 trimethylation. EMBO J. 2008, 27, 406-420. [CrossRef]

3. Zheng, W.; Ibáñez, G.; Wu, H.; Blum, G.; Zeng, H.; Dong, A.; Li, F.; Hajian, T.; Allali-Hassani, A.; Amaya, M.F.; et al. Sinefungin derivatives as inhibitors and structure probes of protein lysine methyltransferase SETD2. J. Am. Chem. Soc. 2012, 134, 18004-18014. [CrossRef]

4. Skucha, A.; Ebner, J.; Grebien, F. Roles of SETD2 in Leukemia-Transcription, DNA-Damage, and Beyond. Int. J. Mol. Sci. 2019, 20, 1029. [CrossRef]

5. Tang, M.; Luo, H.; Lu, J. Genetically Altered Cancer Epigenome; Elsevier Inc.: Amsterdam, The Netherlands, 2016; ISBN 9780127999586.

6. Al Sarakbi, W.; Sasi, W.; Jiang, W.G.; Roberts, T.; Newbold, R.F.; Mokbel, K. The mRNA expression of SETD2 in human breast cancer: Correlation with clinico-pathological parameters. BMC Cancer 2009, 9, 290. [CrossRef] [PubMed]

7. Duns, G.; van den Berg, E.; van Duivenbode, I.; Osinga, J.; Hollema, H.; Hofstra, R.M.W.; Kok, K. Histone Methyltransferase Gene SETD2 Is a Novel Tumor Suppressor Gene in Clear Cell Renal Cell Carcinoma. Cancer Res. 2010, 70, 4287-4291. [CrossRef] [PubMed]

8. Martinelli, G.; Mancini, M.; De Benedittis, C.; Rondoni, M.; Papayannidis, C.; Manfrini, M.; Meggendorfer, M.; Calogero, R.; Guadagnuolo, V.; Fontana, M.C.; et al. SETD2 and histone H3 lysine 36 methylation deficiency in advanced systemic mastocytosis. Leukemia 2018, 32, 139-148. [CrossRef]

9. Bagger, F.O.; Sasivarevic, D.; Sohi, S.H.; Laursen, L.G.; Pundhir, S.; Sonderby, C.K.; Winther, O.; Rapin, N.; Porse, B.T. BloodSpot: A database of gene expression profiles and transcriptional programs for healthy and malignant haematopoiesis. Nucleic Acids Res. 2016, 44, D917-D924. [CrossRef] [PubMed]

10. Mar, B.G.; Bullinger, L.B.; McLean, K.M.; Grauman, P.V.; Harris, M.H.; Stevenson, K.; Neuberg, D.S.; Sinha, A.U.; Sallan, S.E.; Silverman, L.B.; et al. Mutations in epigenetic regulators including SETD2 are gained during relapse in paediatric acute lymphoblastic leukaemia. Nat. Commun. 2014, 5, 1-6. [CrossRef]

11. Mar, B.G.; Chu, S.H.; Kahn, J.D.; Krivtsov, A.V.; Koche, R.; Castellano, C.A.; Kotlier, J.L.; Zon, R.L.; McConkey, M.E.; Chabon, J.; et al. SETD2 alterations impair DNA damage recognition and lead to resistance to chemotherapy in leukemia. Blood 2017, 130, 2631-2641. [CrossRef]

12. Skucha, A.; Ebner, J.; Schmöllerl, J.; Roth, M.; Eder, T.; César-Razquin, A.; Stukalov, A.; Vittori, S.; Muhar, M.; Lu, B.; et al. MLL-fusion-driven leukemia requires SETD2 to safeguard genomic integrity. Nat. Commun. 2018, 9, 1983. [CrossRef]

13. Yebra, M.J.; Sanchez, J.; Martin, C.G.; Hardisson, C.; Barbes, C. The effect of sinefungin and synthetic analogues on RNA and DNA methyltransferases from streptomyces. J. Antibiot. 1991, 44, 1141. [CrossRef] [PubMed]

14. Richon, V.M.; Johnston, D.; Sneeringer, C.J.; Jin, L.; Majer, C.R.; Elliston, K.; Jerva, L.F.; Scott, M.P.; Copeland, R.A. Chemogenetic Analysis of Human Protein Methyltransferases. Chem. Biol. Drug Des. 2011, 78, 199-210. [CrossRef]

15. Tisi, D.; Chiarparin, E.; Tamanini, E.; Pathuri, P.; Coyle, J.E.; Hold, A.; Holding, F.P.; Amin, N.; Martin, A.C.L.; Rich, S.J.; et al. Structure of the epigenetic oncogene MMSET and inhibition by N-alkyl sinefungin derivatives. ACS Chem. Biol. 2016, 11, 3093-3105. [CrossRef]

16. Kiss, R.; Sándor, M.; Szalai, F.A. http://Mcule.com: A public web service for drug discovery. J. Cheminform. 2012, 4 (Suppl. 1), 17. [CrossRef]

17. Nicholls, A. Confidence limits, error bars and method comparison in molecular modeling. Part 1: The calculation of confidence intervals. J. Comput. Aided. Mol. Des. 2014, 28, 887-918. [CrossRef]

18. Yang, S.; Zheng, X.; Lu, C.; Li, G.M.; Allis, C.D.; Li, H. Molecular basis for oncohistone H3 recognition by SETD2 methyltransferase. Genes Dev. 2016, 30, 1611-1616. [CrossRef]

19. Baell, J.B.; Holloway, G.A. New substructure filters for removal of pan assay interference compounds (PAINS) from screening libraries and for their exclusion in bioassays. J. Med. Chem. 2010, 53, 2719-2740. [CrossRef]

20. Rácz, A.; Bajusz, D.; Héberger, K. Life beyond the Tanimoto coefficient: Similarity measures for interaction fingerprints. J. Cheminform. 2018, 10, 48. [CrossRef]

21. Wagner, E.J.; Carpenter, P.B. Understanding the language of Lys36 methylation at histone H3. Nat. Rev. Mol. Cell Biol. 2012, 13, 115-126. [CrossRef]

22. Thomenius, M.J.; Totman, J.; Cosmopoulos, K.; Brach, D.; Ci, L.; Farrow, N.; Smith, J.I.; Chesworth, R.; Duncan, K.W.; Tang, C.; et al. Identification of a First-in-Class SETD2 Inhibitor That Shows Potent and Selective Anti-Proliferative Activity in t(4;14) Multiple Myeloma: T(4;14) Multiple Myeloma Cells Are Dependent on Both H3K36 Di and Tri-Methylation. Blood 2018, 132, 3207. [CrossRef]

23. Berthold, M.R.; Cebron, N.; Dill, F.; Gabriel, T.R.; Kötter, T.; Meinl, T.; Ohl, P.; Thiel, K.; Wiswedel, B. KNIME—the Konstanz Information Miner: Version 2.0 and Beyond. SIGKDD Explor. Newsl. 2009, 11, 26-31. [CrossRef]

24. Instant JChem 19.4.0; ChemAxon LLC: Budapest, Hungary, 2019. Available online: http://www.chemaxon.com (accessed on 1 August 2021).

25. Sastry, G.M.; Adzhigirey, M.; Day, T.; Annabhimoju, R.; Sherman, W. Protein and ligand preparation: Parameters, protocols, and influence on virtual screening enrichments. J. Comput.-Aided Mol. Des. 2013, 27, 221-234. [CrossRef] [PubMed]

26. Schrödinger Release 2020-4: Schrödinger Suite 2020-4 Protein Preparation Wizard, LigPrep, Epik, ConfGen, Phase, Glide, Canvas; Schrödinger, LLC: New York, NY, USA, 2020.

27. Watts, K.S.; Dalal, P.; Murphy, R.B.; Sherman, W.; Friesner, R.A.; Shelley, J.C. ConfGen: A Conformational Search Method for Efficient Generation of Bioactive Conformers. J. Chem. Inf. Model. 2010, 50, 534-546. [CrossRef]

28. Salam, N.K.; Nuti, R.; Sherman, W. Novel Method for Generating Structure-Based Pharmacophores Using Energetic Analysis. J. Chem. Inf. Model. 2009, 49, 2356-2368. [CrossRef]

29. Loving, K.; Salam, N.K.; Sherman, W. Energetic analysis of fragment docking and application to structure-based pharmacophore hypothesis generation. J. Comput. Aided. Mol. Des. 2009, 23, 541-554. [CrossRef]

30. Mysinger, M.M.; Carchia, M.; Irwin, J.J.; Shoichet, B.K. Directory of useful decoys, enhanced (DUD-E): Better ligands and decoys for better benchmarking. J. Med. Chem. 2012, 55, 6582-6594. [CrossRef]

31. Olsson, M.H.M.; Sondergaard, C.R.; Rostkowski, M.; Jensen, J.H. PROPKA3: Consistent Treatment of Internal and Surface Residues in Empirical pKa Predictions. J. Chem. Theory Comput. 2011, 7, 525-537. [CrossRef]

32. Friesner, R.A.; Banks, J.L.; Murphy, R.B.; Halgren, T.A.; Klicic, J.J.; Mainz, D.T.; Repasky, M.P.; Knoll, E.H.; Shelley, M.; Perry, J.K.; et al. Glide: A new approach for rapid, accurate docking and scoring. 1. Method and assessment of docking accuracy. J. Med. Chem. 2004, 47, 1739-1749. [CrossRef]

33. Halgren, T.A.; Murphy, R.B.; Friesner, R.A.; Beard, H.S.; Frye, L.L.; Pollard, W.T.; Banks, J.L. Glide: A new approach for rapid, accurate docking and scoring. 2. Enrichment factors in database screening. J. Med. Chem. 2004, 47, 1750-1759. [CrossRef]

34. Duan, J.; Dixon, S.L.; Lowrie, J.F.; Sherman, W. Analysis and comparison of 2D fingerprints: Insights into database screening performance using eight fingerprint methods. J. Mol. Graph. Model. 2010, 29, 157-170. [CrossRef]

急性髓系白血病,SETD2,虚拟筛选,H3K36me3

图片名称

艾维缔官网

图片名称
图片名称

艾德官网

图片名称
图片名称

B站IVDSHOW

图片名称
图片名称

抖音军哥聊表观

图片名称
图片名称

视频号艾维缔

图片名称
图片名称

小红书艾维缔

图片名称
图片名称

快手表观盒子

图片名称
图片名称

表观遗传学

图片名称

联系我们

Tel:+86-0313-5935521|18911529660

ADD:张家口市怀来县东花园镇哈工大研究院T8幢7层

邮箱:1951545998@qq.com

留言咨询

如果您对我们的产品和服务感兴趣,请留下您的信息。

立即咨询 →

IVDSHOW

订阅我们,以便及时了解产品更新和特惠活动

%{tishi_zhanwei}%
售后反馈 →

免责申明:本网站销售的所有产品均不得用于人类或动物之临床诊断或治疗,仅可用于工业或者科研等非医疗目的。(获得国家相关部门批准的产品除外) 

版权所有:艾维缔科技怀来有限公司 

营业执照