Crystal Structure, DFT Studies, Molecular Docking and In Vitro Antibacterial–Antifungal Evaluation of 2,4-Dinitro-1-naphthyl 4-Toluenesulfonate (PTN): A Combined Experimental–Theoretical Study with an Outlook on AI Applications
本研究整合了单晶X射线衍射、密度泛函理论（DFT）计算、分子对接以及体外筛选，旨在表征抗菌候选药物2,4-二硝基-1-萘基4-甲苯磺酸酯（PTN）的结构与电子特性，证明了其与关键病原体靶点具有卓越的结合亲和力，且与对照药物相比，对耐药菌株具有有效的活性。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在细菌和真菌繁衍的微观世界中，生命往往取决于一次单一的化学“握手”。这些微小的生物依赖特定的蛋白质来生存，这些蛋白质充当了它们生长和繁殖所必需的机械装置。研究如何阻止这些病原体的科学家们，正在寻找能够滑入这些蛋白质机器并卡住其齿轮的分子。为了有效地做到这一点，他们需要了解两件事：正在测试的分子的精确形状，以及它试图阻断的蛋白质的形状。这是一场三维契合的游戏，其中分子的结构哪怕只有轻微的扭转，也可能意味着治愈与失败之间的差别。几十年来，研究人员一直使用强大的计算机来预测一种候选药物可能契合得如何，但这些预测的准确性取决于它们起始的“地图”。如果分子的地图稍有偏差，预测就会出错。这就是为什么将分子的精确物理结构测量与计算机模拟相结合，仍然是理解一种新化学物质如何对抗感染最可靠的方法之一。
印度钦奈总统学院的一组研究人员最近将这种严谨的方法应用于一种被称为 2,4-二硝基-1-萘基 4-甲苯磺酸酯（简称 PTN）的特定化学化合物。该分子属于一类显示出对抗微生物前景的化学物质，但其在体内的确切行为尚未得到充分理解。研究人员想要通过物理证据和计算机建模共同证明，PTN 是一个能够阻止有害细菌和真菌的强力候选药物。他们首先培养出了该物质的一个完美的单晶，并让 X 射线穿过它。这个过程被称为 X 射线晶体学，使他们能够构建出该分子中每个原子的精确三维地图，展示它们在空间中是如何排列的。他们发现，原子形成了一个特定的形状，其中一个中心硫原子通过一个灵活的键连接到一个氧原子，从而创造出一个略微扭曲而非完全平面的结构。
带着这份物理地图，研究团队转向计算机模拟，以观察 PTN 在不被困在晶体中的状态下是如何表现的。他们使用了称为密度泛函理论的方法，该方法通过计算电子如何在原子周围移动，来确定分子的稳定性和反应性。计算机模型证实了他们在晶体中看到的形状基本是正确的，仅在那个灵活的硫-氧键长度上存在微小差异，这种变化是在从固体晶体转变为自由漂浮分子时预期的现象。计算还显示，该分子具有很强的电性吸引力，存在显著的正负电荷分离。这种电荷失衡表明，该分子完全有能力与生物蛋白质的带电表面发生相互作用，这是药物发挥作用的关键要求。
随后，研究人员利用计算机模拟了 PT时 PTN 如何与维持危险微生物生存的特定蛋白质进行相互作用。他们针对三个不同的目标测试了该分子：一个帮助常见皮肤细菌金黄色葡萄球菌（Staphylococcus aureus）合成 DNA 的蛋白质；一个帮助志贺氏菌（Shigella）构建细胞壁的蛋白质；以及一个帮助念珠菌（Candida albicans）构建其细胞膜的蛋白质。在每种情况下，计算机都预测 PTN 与这些蛋白质的结合紧密度都高于目前用于治疗它们的标准药物。例如，在针对真菌蛋白进行测试时，模拟显示 PTN 的结合强度明显优于氟康唑（一种常见的抗真菌药物）。这是一个引人注目的结果，特别是因为研究人员也在实验室皿中测试了该化合物的现实世界有效性。
当研究团队真正将细菌和真菌暴露于 PTN 的实验室环境中时，结果与他们的计算机预测相吻合。该化合物成功阻止了金黄色葡萄球菌、志贺氏菌和念珠菌的生长。最值得注意的是，它对一种对氟康唑完全耐药的念珠菌菌株也有效。这证实了计算机预测的强结合力是真实的，并且该分子确实可以卡住这些微观机器的齿轮。研究人员还注意到，虽然计算机预测对真菌目标的结合最强，但实验室皿中的细菌实际上对该化合物更敏感。他们解释说，这种差异并非矛盾，而是提醒人们：计算机模型测量的是分子粘附到蛋白质上的紧密程度，而实验室测试还取决于分子穿过凝胶并到达病原体的难易程度。两种方法测量的是不同的东西，但它们共同讲述了一个一致的故事：PTN 是一个强效剂，能够很好地契合它旨在打击的目标。
展望未来，作者建议可以使用人工智能的帮助使本研究中使用的工具变得更加强大。虽然目前的方法是可靠的，但它们可能既缓慢又耗费计算资源。新的 AI 技术有望加速寻找分子正确形状或预测其如何与蛋白质结合的过程，从而允许科学家在目前测试几个候选者的时间内，测试数千个候选者。然而，研究人员警告说，这些 AI 工具对于每一类化学物质而言尚不完美，尤其是对于像他们研究的这种具有复杂或异常结构的分子。目前，物理晶体测量与仔细的计算机模拟相结合仍然是“金标准”。这项研究为理解 PTN 提供了一个完整且可重复的蓝图，为未来的科学家设计出更优秀的版本以对抗日益严重的耐药性感染威胁提供了清晰的路径。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。