靶向氧化还原系统中谷胱甘肽的抗癌药物的数字化创新设计实验

doi:10.12461/PKU.DXHX202505028

大学化学 >> 2026, Vol. 41 >> Issue (1): 144-158.doi: 10.12461/PKU.DXHX202505028

所属专题：化学实验数字化设计竞赛获奖作品

靶向氧化还原系统中谷胱甘肽的抗癌药物的数字化创新设计实验

管堂升, 杨睿智, 耿平越, 林禹宏, 胡水, 陈小娟, 李厚金, 沈勇

中山大学化学学院, 广州 510006

收稿日期:2025-05-08 录用日期:2025-07-04 发布日期:2025-12-30
通讯作者: 李厚金, 沈勇 E-mail:ceslhj@mail.sysu.edu.cn;cessy@mail.sysu.edu.cn Houjin Li, Yong Shen
基金资助:
广东省本科高校教学质量与教学改革工程建设项目(化学实验教研室)；中山大学本科教学质量工程项目

Innovative Digital Experiments for Glutathione-Targeted Anticancer Drugs in Redox Systems

Tangsheng Guan, Ruizhi Yang, Pingyue Geng, Yuhong Lin, Shui Hu, Xiaojuan Chen, Houjin Li, Yong Shen

School of Chemistry, Sun Yat-Sen University, Guangzhou 510006, China

Received:2025-05-08 Accepted:2025-07-04 Published:2025-12-30
Contact: Houjin Li, Yong Shen E-mail:ceslhj@mail.sysu.edu.cn;cessy@mail.sysu.edu.cn

摘要/Abstract

摘要： 谷胱甘肽参与调节细胞内活性氧水平，消耗癌细胞内的谷胱甘肽，可导致活性氧水平上升，诱导癌细胞失活、凋亡，这成为癌症治疗的潜在靶点。基于α,β-不饱和羰基化合物易与谷胱甘肽发生Michael加成反应而消耗谷胱甘肽，利用ChemDraw、Chem3D、Gaussian、Chemprop等软件创新设计了靶向谷胱甘肽的抗癌药物AI虚拟筛选实验，构建了抗癌药物分子数据库，计算表征了化合物与谷胱甘肽的反应性。AI预测结果与文献记录的实验数据具有高度一致性，说明基于该模型的虚拟筛选方法科学、结果可靠。AI虚拟筛选出潜在的靶向抗癌药物经过化学反应动力学实验、药理实验进一步筛选验证，得到了具有深入研究价值的先导化合物。AI赋能新药研发，降低了筛选成本，提高筛选效率和准确性。本实验可作为化学生物学实验或者化学信息学课程的实践内容。AI技术助力学生更好地理解和掌握知识，让教学内容更具高阶性、创新性和挑战度，有利于调动学习积极性，提升创新思维和创新能力，培养面向未来的卓越人才。

关键词: 谷胱甘肽, 抗癌药物, 人工智能, 虚拟筛选, Michael加成反应

Abstract: Glutathione (GSH) plays a crucial role in regulating intracellular reactive oxygen species (ROS) levels. Depletion of glutathione in cancer cells leads to elevated ROS levels, subsequently inducing cellular inactivation and apoptosis, thereby establishing GSH as a promising therapeutic target for cancer treatment. Capitalizing on the propensity of α,β-unsaturated carbonyl compounds to undergo Michael addition reactions with glutathione, we developed an innovative AI-driven virtual screening protocol using ChemDraw, Chem3D, Gaussian, and Chemprop software. This approach involved constructing a molecular database of anticancer compounds and computationally characterizing their reactivity with glutathione. The AI prediction results demonstrated remarkable consistency with experimentally reported data in the literature, validating the scientific rigor and reliability of our virtual screening methodology. Potential drug candidates identified through AI screening were subsequently evaluated via chemical kinetics and pharmacological assays, yielding lead compounds worthy of further investigation. This AI-enhanced drug discovery approach significantly reduces screening costs while improving both efficiency and accuracy. The experimental framework serves as an effective pedagogical tool for chemical biology or chemoinformatics courses, where AI technology facilitates deeper understanding of core concepts. This innovative teaching method enhances curriculum sophistication, stimulates student engagement, and cultivates critical thinking and innovative capacity, ultimately fostering the development of exceptional talents for future scientific challenges.

Key words: Glutathione, Anticancer drug, Artificial intelligence, Virtual screening, Michael addition reaction

管堂升, 杨睿智, 耿平越, 林禹宏, 胡水, 陈小娟, 李厚金, 沈勇. 靶向氧化还原系统中谷胱甘肽的抗癌药物的数字化创新设计实验[J]. 大学化学, 2026, 41(1): 144-158.

Tangsheng Guan, Ruizhi Yang, Pingyue Geng, Yuhong Lin, Shui Hu, Xiaojuan Chen, Houjin Li, Yong Shen. Innovative Digital Experiments for Glutathione-Targeted Anticancer Drugs in Redox Systems[J]. University Chemistry, 2026, 41(1): 144-158.

链接本文: https://www.dxhx.pku.edu.cn/CN/10.12461/PKU.DXHX202505028

https://www.dxhx.pku.edu.cn/CN/Y2026/V41/I1/144

参考文献

[1] Bray, F.; Laversanne, M.; Sung, H.; Ferlay, J.; Siegel, R. L.; Soerjomataram, I.; Jemal, A. CA-Cancer J. Clin. 2024, 74, 229.
[2] Niu, B.; Liao, K.; Zhou, Y.; Wen, T.; Quan, G.; Pan, X.; Wu, C. Biomaterials 2021, 277, 121110.
[3] Fan, H.; Yan, G.; Zhao, Z.; Hu, X.; Zhang, W.; Liu, H.; Fu, X.; Fu, T.; Zhang, X. B.; Tan, W. Angew. Chem. Int. Ed. Engl. 2016, 55, 5477.
[4] Zhang, W.; Lu, J.; Gao, X.; Li, P.; Zhang, W.; Ma, Y.; Wang, H.; Tang, B. Angew. Chem. Int. Ed. Engl. 2018, 57, 4891.
[5] Kann, B. H.; Hosny, A.; Aerts, H. J. W. L. Cancer Cell 2021, 39, 916.
[6] Elemento, O.; Leslie, C.; Lundin, J.; Tourassi, G. Nat. Rev. Cancer 2021, 21, 747.
[7] Li, H. J.; Lan, W. J.; Lam, C. K.; Yang, F.; Zhu, X. F. Chem. Biodivers. 2011, 8, 317.
[8] Gach, K.; Dugosz, A.; Janecka, A. N-S Arch. Pharmacol. 2015, 388 (5), 477.
[9] Kolb, H. C.; Sharpless, K. B. Drug Discov. Today 2003, 8, 1128.
[10] Sharpless, K. B.; Manetsch, R. Expert. Opin. Drug Discov. 2006, 1, 525.
[11] Liu, Z.; Chen, S.; Wang, H.; Zhao, Y.; Dong, S. Bioorg. Chem. 2022, 129, 106221.
[12] Chen, W. Y.; Hsieh, Y. A.; Tsai, C. I.; Kang, Y. F.; Chang, F. R.; Wu, Y. C.; Wu, C. C. Invest. New Drugs 2011, 29, 1347.
[13] Heid, E.; Green, W. H. J. Chem. Inf. Model 2022, 62, 2101.
[14] Böhme, A.; Thaens, D.; Schramm, F.; Paschke, A.; Schüürmann, G. Chem. Res. Toxicol. 2010, 23, 1905.
[15] Madzhidov, T. I.; Polishchuk, P. G.; Nugmanov, R. I.; Bodrov, A. V.; Lin, A. I.; Baskin, I. I.; Varnek, A. A.; Antipin, I. S. Russ. J. Org. Chem. 2014, 50, 459.
[16] Lin, A. I.; Madzhidov, T. I.; Klimchuk, O.; Nugmanov, R. I.; Antipin, I. S.; Varnek, A. J. Chem. Inf. Model. 2016, 56, 2140.
[17] Gimadiev, T. R.; Madzhidov, T. I.; Nugmanov, R. I.; Baskin, I. I.; Antipin, I. S.; Varnek, A. J. Comput. Aid. Mol. Des. 2018, 32, 401.
[18] Madzhidov, T. I.; Gimadiev, T. R.; Malakhova, D. A.; Nugmanov, R. I.; Baskin, I. I.; Antipin, I. S.; Varnek, A. A. J. Struct. Chem. 2017, 58, 650.
[19] Burns, J. A.; Whitesides, G. M. Chem. Rev. 1993, 93, 2583.
[20] Townsend, P. A.; Farrar, E. H. E.; Grayson, M. N. ACS Omega 2022, 7, 26945.
[21] Yang, K.; Swanson, K.; Jin, W.; Coley, C.; Eiden, P.; Gao, H.; Guzman-Perez, A.; Hopper, T.; Kelley, B.; Mathea, M.; et al. J. Chem. Inf. Model. 2019, 59 (8), 3370.
[22] Böhme, A.; Thaens, D.; Paschke, A.; Schüürmann, G. Chem. Res. Toxicol. 2009, 22, 742.
[23] Böhme, A.; Laqua, A.; Schüürmann, G. Chem. Res. Toxicol. 2016, 29, 952.

靶向氧化还原系统中谷胱甘肽的抗癌药物的数字化创新设计实验

Innovative Digital Experiments for Glutathione-Targeted Anticancer Drugs in Redox Systems

PDF

赞

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

Metrics

推荐阅读 0

[1]	董惠馨, 周振垒, 邹雯欣, 金娟, 刘希光, 牛余忠, 祝丽荔, 姜华. 基于人工智能的无机化学课程思政探索与实践[J]. 大学化学, 2026, 41(3): 254 -261 .
[2]	郑奇峰, 高爱梅, 赵瑞瑞. 人工智能时代化学专业“科教融创”本科生培养新模式探索[J]. 大学化学, 2026, 41(2): 161 -167 .
[3]	陈宁远, 曾庆宜, 况志强, 田佩聪, 颜大智, 靳伟良, 孔德明. 数字化助力多孔材料的染料吸附实验[J]. 大学化学, 2026, 41(1): 321 -331 .
[4]	杨智科, 许锦帆, 陈俊豪, 杨政, 丁飞, 苏乃强. AI核磁帮：基于DP5的核磁谱图智能解析[J]. 大学化学, 2026, 41(1): 20 -28 .
[5]	杨晴羽, 于渊海, 吴艳柳, 杨婷, 钟乐, 阮文红, 李洁. 数智赋能碳纤维前体共聚聚丙烯腈合成及应用实验的探究[J]. 大学化学, 2026, 41(1): 41 -56 .
[6]	王月娇, 毛全兴, 崔俊硕, 冯小庚, 常晓红, 娄振宁, 熊英. 颜色识别式人工智能融入混合碱滴定实验的应用[J]. 大学化学, 2026, 41(1): 107 -113 .
[7]	胡笑添, 邱彬桓, 乐晶琳, 代闰锐, 吕小兰, 胡昱. 基于绿色能源理念的数字化有机太阳能电池设计、计算、制备与表征[J]. 大学化学, 2026, 41(1): 298 -309 .
[8]	马逍, 王俊杰, 陈鑫, 李京城, 赵丽红, 孙雪萍, 程绍娟, 王芳. 人工智能驱动的化学教学组织形式创新路径探究[J]. 大学化学, 2025, 40(9): 99 -106 .
[9]	杨润, 庞华婕, 臧惠萍, 张瑞中, 张志成, 李希艳, 张立兵. 人工智能赋能DNA计算：探索生物信息的新前沿[J]. 大学化学, 2025, 40(9): 107 -117 .
[10]	张岩, 周立敏, 曹晓燕, 包木太. 人工智能在海洋特色物理化学综合实验中的应用探索[J]. 大学化学, 2025, 40(9): 118 -125 .
[11]	林琦, 刘坚华, 姚莉韵, 杨秀岩, 何伟娜, 杨若林. 超星AI助教在医用有机化学课程中的应用探索[J]. 大学化学, 2025, 40(9): 142 -147 .
[12]	张浩然, 金亚鑫, 康鹏, 张生. 人工智能在科学研究中的融合创新应用——以双碳目标背景下的二氧化碳电催化还原为例[J]. 大学化学, 2025, 40(9): 148 -155 .
[13]	冯五一, 赵娣. 浅谈人工智能技术融入高校化学教学的意义和举措[J]. 大学化学, 2025, 40(9): 156 -163 .
[14]	房喻. 人工智能赋能教育：从跟随ChatGPT-4进行的一次自主学习说起[J]. 大学化学, 2025, 40(9): 1 -4 .
[15]	吴凌莉, 雷圣宾. 生成式人工智能驱动化学创新教学的现状及展望[J]. 大学化学, 2025, 40(9): 206 -219 .