摘要：流感疾病是一种很典型的严重病毒性感染病，给世界范围内人类的生活和健康造成了非常大的威胁。在本次课题研究中，神经氨酸酶（NA）被作为一个对抗流感病毒的治疗靶点。本次论文研究共从文献里选择了25个奥司他韦的类似物分子，通过实验确定了其中19个化合物分子能作为训练集。其余的6个化合物分子和在所有化合物中活性最好的化合物分子作为测试集。使用训练集化合物分子建立了通过测试被认为是可靠的3D-QSAR模型。其中，CoMFA模型的q2为0。58，R2为0。915；CoMSIA模型的q2为0。61，R2为0。988。通过模型的分子场色块图，运用训练集中活性最好的化合物进行分子设计，共设计了20个化合物分子。采用模型对设计分子进行预测计算。其中17_12号化合物有比训练集中活性最好化合物更好的活性。在对设计分子进行分子对接测试中，17_12号化合物的总打分分数比训练集中活性最好的化合物的总打分分数好。对设计分子进行药代动力学的测试，17_12号化合物分子在毒性，药物吸收等药代动力学方面有很好的测试结果。82301

毕业论文关键词：奥司他韦；分子对接；3D-QSAR；药代动力学；神经氨酸酶抑制剂

The 3D-QSAR research and design of novel anti influenza drug molecules with oseltamivir as template 

Abstract：Influenza is a very serious typical viral infection, which caused a great threat to human health and live。 In this study, NA was used as a therapeutic target against influenza virus。 This study selected 25 oseltamivir analogues molecules from the literature, and then 19 compounds identified can be used as the training set through the experiment。 The 3D-QSAR model considered reliable by testing was established with training set compounds。 The q2 of CoMFA model is 0。58。 The R2 of CoMFA model is 0。915。 The q2 of CoMSIA model is 0。61。 The R2 of CoMSIA model is 0。988。 The compound with the highest activity were selected as templates, and then a total of 20 compounds were designed by molecule field data。 Testing the designed molecules through the 3D-QSAR model。 17_12 compound have better activity than the molecule with best activity in the training concentrate。 In molecular docking tests for design molecules, the total scoring score for 17_12 compound was better than the total score for the best active compound in the training concentrate。 Pharmacokinetic testing of the designed molecules, 17_12 compound have good data on pharmacokinetics, such as toxicity, drug absorption, etc。。

KeyWords：Oseltamivir；molecular docking；3D-QSAR；neuraminidase inhibitors；pharmacokinetics

目录

1 引言 1

2 原理和方法 5

2。1 SYBYL和Discovery Studio软件 5

2。2 原理 6

2。2。1 三维定量构效关系 6

2。2。2 比较分子场分析方法（CoMFA） 6

2。2。3 比较分子相似性指数分析方法（COMSIA） 7

2。2。4 分子对接 8

2。2。5 药代动力学 8

2。3 奥司他韦类似物3D-QSAR模型 9

2。3。1 数据的收集 9

2。3。2 分子预处理 14

2。3。3 CoMFA模型的建立 15

2。3。4 CoMSIA模型的建立 16

2。3。5训练集和测试集预测活性计算 16

2。3。5。1 CoMFA模型的预测