基团定位指数用于橙酮类DRAK2抑制剂活性的研究.pdf

生态毒理学报Asian Journal of Ecotoxicology第 18 卷 第 5 期 2023 年 10 月Vol.18,No.5 Oct.2023 基金项目:江苏省自然科学基金资助项目(BK20171168);江苏省高校自然科学基金重大项目(18KJA430015)第一作者:堵锡华(1963),男,教授,研究方向为化合物毒性构效学研究,E-mail: *通信作者(Corresponding author),E-mail:DOI:10.7524/AJE.1673-5897.20230531001堵锡华,李靖,宋明,等.基团定位指数用于橙酮类 DRAK2 抑制剂活性的研究J.生态毒理学报,2023,18(5):112-120Du X H,Li J,Song M,et al.Research on activity of aurone DRAK2 inhibitor using group orientation index J.Asian Journal of Ecotoxicology,2023,18(5):112-120(in Chinese)基团定位指数用于橙酮类 DRAK2 抑制剂活性的研究堵锡华*,李靖,宋明,陈艳徐州工程学院材料与化学工程学院,徐州 221018收稿日期:2023-05-31 录用日期:2023-07-25摘要:DRAK2 激酶在多种细胞死亡信号通路中发挥着关键的作用,为研究橙酮类 DRAK2 抑制剂的抑制活性与其分子结构之间的定量构效关系,根据橙酮类 DRAK2 抑制剂分子中原子的连接特性,提出了一种新的结构指数 基团定位指数(D),?并分别计算了 59 个橙酮类 DRAK2 抑制剂分子的电性距离矢量值,筛选了电性距离矢量中的M2、M3、M9、M14、M15、M21和?M33作为理论结构的描述符,将这几个结构指数与基团定位指数(D)结合,与橙酮类 DRAK2 抑制剂的抑制活性进行回归分析,?将 8 种参数作为神经网络方法的输入节点层的输入参数,采用 8-4-1 的神经网络的网络结构,构建了一种相关性较好的预测橙酮类 DRAK2 抑制剂抑制活性的神经网络法模型,预测模型的方程总相关系数(r总)达到 0.9931,计算得到的抑制活性预测值?与实验值(pIC50)之间的相对平均误差只有 1.12%;对模型进行稳定性和离域性检验,效果良好;与别的模型相比,本模型具有?多方面的优越性。结果表明,橙酮类 DRAK2 抑制剂分子的抑制活性与基团定位指数、电性距离矢量等结构指数具有良好的非线性关系。关键词:橙酮类 DRAK2 抑制剂;基团定位指数;电性距离矢量;神经网络;定量结构-活性关系(QSAR)文章编号:1673-5897(2023)5-112-09 中图分类号:X171.5 文献标识码:AResearch on Activity of Aurone DRAK2 Inhibitor Using Group Orienta-tion IndexDu Xihua*,Li Jing,Song Ming,Chen YanSchool of Materials and Chemical Engineering,Xuzhou University of Technology,Xuzhou 221018,ChinaReceived 31 May 2023 accepted 25 July 2023Abstract:DRAK2 plays a critical role in multiple apoptosis signaling pathways.In order to study the quantitativestructure-activity relationship(QSAR)between the inhibited activity of aurone DRAK2 inhibitor and its molecularstructure,a novel structure indexgroup orientation index(D)was derived based on connectivity of the atoms in?aurone DRAK 2 inhibitor molecules.Moreover,the electrical distance vectors of 59 aurone DRAK2 inhibitor mole-cules were calculated,and the electrical distance vectorsM2,M3,M9,M14,M15,M21andM33were taken as de-?scriptors of theoretical structure.The electrical distance vectors were combined with group orientation indexD,andthey were introduced to the regression analysis of the inhibited activity of aurone DRAK2 inhibitor.Using the eightmolecular parameters in the input node layer of the neural network method,and using 8-4-1 as network structure,a第 5 期堵锡华等:基团定位指数用于橙酮类 DRAK2 抑制剂活性的研究113 neural network model which predicts the inhibited activity of aurone DRAK2 inhibitors was constructed.The totalcorrelation coefficient(rT)was 0.9931.The average relative error between the experimental value and the predictedvalue of inhibited activity(pIC50)was 1.12%.The stability and delocalization tests of the model showed good re-?sults.Compared to other models,this model has many advantages.The results showed there was good non-linearrelationship between the group orientation index,electrical distance vectors and the inhibited activity of auroneDRAK2 inhibitor molecules.Keywords:aurone DRAK2 inhibitor;group orientation index;electrical distance vector;neural network;quantita-tive structure-activity relationship(QSAR)橙酮是植物体内的次生代谢物,属于类黄酮类化合物中重要的一类,它较少在自然界中分布,主要存在于植物果实中1。由于它具有广泛的抗肿瘤、抗病毒、抗菌、抗炎、抗氧化和抗衰老等生物活性和药理作用2-4,故被用作多种酶抑制剂5。研究发现,丝氨酸/苏氨酸激酶是生物酶中的一个大家族,它与白血病、肝癌等多种恶性肿瘤有关6-7,DRAK2激酶即死亡相关凋亡诱导蛋白激酶 2(death associat-ed protein related apoptotic kinase 2),它是丝氨酸/苏氨酸激酶中的一种激酶8,也是死亡相关蛋白激酶(DAPK)家族中的其中一种,该激酶在多种细胞的死亡信号通路中,发挥着非常关键的作用9,它能诱导不同类型的细胞凋亡,所以对该类激酶抑制剂的研究受到人们的关注。但由于目前对 DRAK2 抑制剂的研究还存在明显的局限性10,因此采用构效关系理论研究不失为一种安全有效的方法,特别是采用神经网络法对 DRAK2 抑制剂进行研究未见报道。BP(back propagation)神经网络法是一种误差逆向传播算法,它是一种基于数据驱动的方法,估计精度高11,该法是将计算机技术广泛应用于环境科学12、药 学13、林 学14、农 学15、医 学16、机 械 科学17、毒理学18、食品科学19、计算机科学20、纳米技术21等众多学科,是较为前沿的一种研究方法,该方法能模拟生命活动过程的神经网络行为,进行智能信息化的处理。为此在前期研究工作22-24基础上,根据文献10所列 59 个橙酮类 DRAK2 抑制剂分子的分子结构,认真剖析了橙酮类衍生物的分子结构与生物活性(pIC50)之间的关系,在分子的拓扑?结构基础上,新定义了一种可以表征分子中原子特性的原子特征值(Ai),并对橙酮类衍生物苯环上连?接的基团进行原子特征值的校正,从而建构一种新的分子结构指数 基团定位指数(D)。利用可对?分子结构进行计算相关数据的应用软件,计算了 59个橙酮类 DRAK2 抑制剂分子的电性距离矢量,并筛选了其中部分参数,将基团定位指数(D)与电性距?离矢量两者有机结合,构建了可用于预测橙酮类DRAK2 抑制剂分子生物活性的神经网络模型,所得活性预测结果较为令人满意,本研究工作成果对设计新的具有高抑制活性的橙酮类 DRAK2 抑制剂分子,有重要的实际指导意义。1基团定位指数的建构及生物活性数据来源(Construction of the group localization index andthe source of biological activity data)1.1 生物活性数据来源59 个橙酮类 DRAK2 抑制剂分子及其生物活性值来源于文献10,这些分子的母体结构见图 1,具体连接的 R1 R9基团的结构限于篇幅没有在本文列出(可参考文献10),将这些分子的抑制活性实验值pIC50(抑制活性值采用半数抑制浓度 IC50的负对?数pIC50表示)列于表 1。1.2 基团定位指数(D)的建构构成分子的原子由于其价电子数、电子层数、电负性以及连接不同原子或基团等不尽相同,故会导致各个不同分子的物理化学特性也各不相同。橙酮衍生物的生物活性也与这些有关。通过考察文献10中 59 个橙酮类 DRAK2 抑制剂的抑制活性与分子结构之间的相互关系,新定义一种可用于表征分图 1 橙酮衍生物的母体结构Fig.1 Matrix structure of aurone derivatives114 生态毒理学报第 18 卷子中原子的物理化学特性的原子特征值(Ai)为:Ai=(mi-hi)(c+3)/(i+3)(1)式中:mi、i、hi分别为原子i的价电子数、鲍林电负?性值、直接连接的氢原子个数,c为碳原子的鲍林电负性。在邻接矩阵基础上,为此建构一种新的指数B。B=(Ai)0.5(2)式中:B表示每一个原子对分子的贡献。通过考察?橙酮类衍生物的结构,其母体 2 个苯环连接的基团及位置对活性的影响较大,为此对苯环上不同位置基团的特征值进行校正。JR=B(Ri+9)/10(3)式中:Ri为连接在苯环上的基团位置数。综合以上?分析,确定一种新的分子结构指数。D=(Ai)0.5+JR(4)由于该指数充分考虑了衍生物苯环上连接基团本身的原子特征和所处位置对分子的贡献影响,故将其命名为基团定位指数,根据公式计算得到各位置基团的JR值列于表2 中,59 个橙酮类衍生物分子的D值列于表 1 中。表 1 橙酮衍生物的基团定位指数、电性距离矢量及其活性Table 1 Group localization index,electrical distance vector and activity of aurone derivatives序号No.DM2M3M9M14M15M21M33pIC50实验值Experimental预测值Predicted误差/%Error/%142.5532.4812.4040.68235.43023.4176.3259.4613.9853.966-0.47256.1265.7476.6821.41416.32827.9855.62218.6264.0064.0481.05355.1447.1915.9341.48211.27129.2775.60716.5454.0654.048-0.42455.1436.0966.2461.33813.08631.3655.86717.7024.0274.0480.52540.5893.4701.7320.38632.30427.8487.0396.7564.6694.661-0.17646.0955.4302.4080.67323.04331.4116.9748.3534.0534.048-0.14746.4235.4142.4440.77723.53330.9516.7658.2424.0274.0550.69846.7504.9872.8420.95926.95727.0755.9009.2794.1194.031-2.13952.2566.5613.8121.27016.25530.5385.72111.4114.0814.048-0.821046.4224.5833.0710.90627.15726.9156.23310.8153.9764.0381.571146.7504.6162.9590.85827.67126.9506.31310.6343.9934.0381.131251.9295.3584.8741.21822.58027.0645.78914.7703.9984.0471.241351.6026.1984.2191.16419.40429.0795.99013.1853.9494.0472.491451.2746.3714.2531.21119.48328.8465.92613.1743.9394.0472.741550.9475.8134.7981.28722.17325.6625.70114.3444.0034.0481.121650.6195.7024.3541.09420.14630.1276.10913.7114.2854.048-5.541738.84000034.03118.82312.7483.1565.7885.7950.131844.35900014.54217.12124.0673.0605.7935.792-0.021947.3250009.39616.42124.6793.0655.3485.322-0.492047.1170009.33113.55225.4183.0774.7574.742-0.322147.11800011.08118.16121.8753.0555.4995.5180.352243.4281.9390.6360.51021.83423.85616.3624.0806.6026.6691.012337.17900030.46520.81816.6552.6875.5115.5250.252441.59900024.16617.14519.7602.7405.6165.580-0.642544.98100013.29820.02623.9292.6445.8835.816-1.152642.01400026.11116.96417.9933.1385.7245.7250.022745.18900013.96216.39424.2482.7025.8335.8941.042841.39200024.43317.98918.9613.1095.8605.8770.292941.59900024.73018.25319.1153.1165.9395.909-0.503044.98100019.65816.62719.9383.1175.5135.505-0.143144.77300016.60416.32623.1613.0975.7575.7720.253241.18400020.36420.16522.4872.6505.9916.0160.42第 5 期堵锡华等:基团定位指数用于橙酮类 DRAK2 抑制剂活性的研究115 续表1序号No.DM2M3M9M14M15M21M33pIC50实验值Experimental预测值Predicted误差/%Error/%3344.35800018.97114.26121.5773.1194.8444.8470.063418.4961.6650.6910.76231.28624.39512.1214.3034.9174.9250.163543.0202.7881.7881.59724.95126.7909.9566.6095.1775.142-0.683640.9902.0830.4760.59831.92525.51412.4344.9695.4895.4920.053742.8283.2210.3490.46435.90123.51611.7465.3105.2704.903-6.963842.8283.2210.3490.46435.90123.51611.7465.3104.5364.9038.103946.8244.0311.1591.04923.16228.60812.1506.4316.4816.475-0.094054.0366.0490.7640.86427.53231.21812.8687.4485.4375.381-1.034142.9586.1472.0771.25222.88727.95412.0475.1496.0186.011-0.124245.5272.0640.4930.60223.03928.69212.0845.1984.8634.705-3.264345.5982.0760.5040.60323.48030.87212.1905.3424.5514.516-0.784445.7122.0820.5090.60323.68631.90912.2405.4094.3714.4181.084544.0812.0480.4800.60022.49026.04611.9495.0185.1455.1750.594645.2762.0630.4940.60122.55229.17012.3005.3164.3294.5023.994750.9466.3943.9771.14017.05730.7796.10512.6043.9804.0481.704858.4384.9156.5103.2309.15126.4447.04117.9164.0234.0270.094951.9296.3093.8681.08715.36933.8276.45811.6534.2384.048-4.495047.4054.3903.3980.97828.80625.3936.04211.5363.9944.0371.075147.74000013.74716.38420.3973.0935.4855.459-0.475244.56600017.42418.57821.4673.0865.6135.6330.355339.1511.6650.6910.76231.28624.39512.1214.3035.5075.50705442.8283.2540.3320.45433.30726.33912.8625.2024.7604.755-0.115547.1513.6231.5381.24126.58224.74711.2507.4525.1395.1700.605641.39100020.82419.69322.1922.6366.0045.965-0.665731.86800047.31620.9677.2162.7494.0684.064-0.115845.5272.0830.4760.59831.92525.51412.4344.9694.2194.21905936.32400039.87326.00610.6842.8114.9554.953-0.04表 2 苯环上不同位置基团的JR值Table 2 TheJRvalues of the groups at different positions on the benzene ring基团Perssad基团JR值JRvalues of the groupR1R2R3R4R5R6R7R8R9OCH33.2743.6013.9294.2564.5844.9115.2385.5665.893OH2.0762.2842.4912.6992.9063.1143.3223.5293.737OEt6.095OPr7.933OBu12.778CH31.700Cl4.269Br4.340I4.454NH22.823CH2OH4.188116 生态毒理学报第 18 卷1.3 电性距离矢量的计算由于化合物的生物活性所受影响因素较多,所以与单一分子结构指数之间的相关性一般不会很好,即单一指数不能完全反映化合物某种性质的变化规律,因此常常需要 2 种或 2 种以上指数有机结合,才能与化合物性质有好的相关性,为此,本法利用在众多研究中得到广泛应用的电性距离矢量25-26结构参数,将其与本文建构的基团定位指数协同,与橙酮类 DRAK2 抑制剂的生物活性进行回归分析。用 Chemoffice 绘图应用软件勾画出 DRAK2 抑制剂分子的分子结构,利用 MATLAB 计算软件自编程序27,计算了 59 个 DRAK2 抑制剂分子的电性距离矢量值,通过回归分析发现,选择电性距离矢量的M2、M3、M9、M14、M15、M21、M337 个结构参数与基?团定位指数结合,与橙酮类 DRAK2 抑制剂的生物活性pIC50所得结果相对相关性最好,将计算得到的?M2、M3、M9、M14、M15、M21、M33数据同样列于表1。2 多元回归分析和神经网络模型建构(Multipleregression analysis and neural network model con-struction)2.1 多元回归分析将选择的电性距离矢量M2、M3、M9、M14、M15、?M21、M33和基团定位指数(D)共 8 个参数为自变量,?以橙酮类 DRAK2 抑制剂的生物活性pIC50为因变?量,用 SPSS 回归分析应用软件进行多元回归,建立了预测 DRAK2 抑制剂生物活性的方程为:pIC50=0.012D+0.072M2+0.556M3+0.396M9+?0.051M14+0.039M15+0.175M21-0.267M33+0.498(5)n=59,r=0.8535,r2adj=0.6849,S=0.444,F=?16.761式中:n为所取样本分子的样本数,r为结构指数与?活性相关方程的相关系数,r2adj为方程的调整可决系?数,S为方程的标准误差,F为 Fischer 精确检验的?值。根据该式计算得到生物活性值与实验值的相对平均误差为 5.83%,误差偏大,而且方程的相关系数为 0.8535,说明分子结构参数与活性之间的相关性和预测结果并不十分理想。2.2 模型稳定性、离域值及预测能力检验为检验预测 DRAK2 抑制剂生物活性的多元回归方程的稳定性及预测能力,这里先采用逐一剔除法对式(5)进行检验,即每次剔除 1 个 DRAK2 抑制剂分子,用余下的 58 个 DRAK2 抑制剂分子回归分析,这样共可以建立 59 个方程,得到 59 个相关系数(数据见表 3),所有检验的相关系数平均值为0.8538,这里可以看出,检验的相关系数与式(5)的相关系数基本一致,说明预测活性模型(5)的稳定性较好;为了进一步建议模型的拟合优度、稳健性和预测能力,使用 MINITAN 软件对该活性预测模型进行留一法交互验证,计算得到模型交叉验证相关系数r2CV=0.5811,该值0.5,说明稳健性较好28;再通过表 3 检验的相关系数(r)Table 3 Correlation coefficient(r)of inspection剔除分子Removemoleculer剔除分子Removemoleculer剔除分子Removemoleculer剔除分子Removemoleculer剔除分子Removemoleculer10.850130.849250.849370.854490.85120.851140.849260.853380.857500.85030.851150.850270.850390.877510.85440.851160.853280.852400.853520.85150.854170.867290.852410.848530.85360.853180.850300.852420.854540.85770.854190.855310.850430.854550.85480.852200.870320.848440.857560.84890.851210.852330.861450.859570.858100.850220.861340.856460.855580.867110.850230.852350.853470.849590.854120.850240.851360.854480.857第 5 期堵锡华等:基团定位指数用于橙酮类 DRAK2 抑制剂活性的研究117 计算调整可决系数r2adj(0.6849)-交互验证相关系数?r2CV(0.5811)=0.1038,一般认为当两者的差值n/(Si+2)H+11.4(6)式中:n为样本分子的总数,Si、H则为神经网络 3?层结构中的输入节点层参数值、隐含节点层参数值。根据此式计算可得H取值为 3 或 4,经计算分析比?较,发现H采用 4 时,建立方程所得结果较为理想,?为此网络结构采用 8-4-1 的结构方式。为防止过度拟合,将 59 个橙酮类 DRAK2 抑制剂分子分为训练集、测试集和验证集,训练集为每 5 个分子组成一组的第 1、3、5 个分子,测试集为每组的第 2 个分子,验证集为每组的第 4 个分子。由此建构的预测橙酮类DRAK2 抑制剂活性的神经网络模型的总相关系数(r总)达到 0.9931,3 个集合的相关系数:训练集r训练?达到 0.9929,测试集r测试达到 0.9914,验证集r验证达?到 0.9964,从数据可以看出,无论训练集、测试集、验证集三者之间还是与总相关系数较为接近,吻合度较好,而且相关系数均超过了 0.99,属于优级相关,说明橙酮类 DRAK2 抑制剂分子的电性距离矢量和基团定位指数与抑制剂的抑制活性之间是非线性关系,而不是线性关系,利用新建构的神经网络模型预测橙酮类 DRAK2 抑制剂的生物抑制活性,抑制活表 4 差异性比较Table 4 Difference comparison差异性比较Difference comparison文献10方法Literature 10 method本文方法The method of this paper建模方法Modeling method3D 定量构效关系3D quantitative structure-activity relationship2D 定量构效关系+神经网络法2D quantitative structure-activityrelationship+neural network method创新性Innovativeness应用软件计算Application software calculation自定义新的结构指数+应用软件计算Customize the new structuralindex+application software calculation预测结果准确度Accuracy of theprediction results预测平均误差 0.325(CoMFA)和 0.231(CoMSIA),误差大The predicted mean errors of CoMFA and CoMSIA are0.325 and 0.231 respectively,which are large预测平均误差 0.052(相对误差 1.12%),误差小The predicted mean error is 0.052(the relative error is 1.12%),which is small118 生态毒理学报第 18 卷性的预测值与其实验值之间的相对平均误差只有1.12%,神经网络法预测相对误差只有多元回归方法预测误差的 1/5,明显比多元回归法计算得到的相对平均误差 5.83%要小,说明神经网络法模型对抑制剂抑制活性的预测精度更好。对神经网络法预测值与实验值、多元回归法预测值与实验值分别作关系图(图 2 和图 3),明显可以看出,神经网络法的活性预测值与实验值的对应值都紧靠 45直线,而多元回归法活性预测值则较为分散,说明神经网络法对橙酮类 DRAK2 抑制剂的活性预测结果比较可靠。将神经网络法对生物抑制活性pIC50预测值也?列入表 1。图 2pIC50神经网络法预测值与实验值的关系Fig.2 Relationship between predicted and experimentalvalues ofpIC50by neural network method图 3pIC50多元回归法预测值与实验值的关系Fig.3 Relationship between predicted and experimentalvalues ofpIC50by multiple regression method3 结果讨论(Results and discussion)通过分析橙酮类 DRAK2 抑制剂的分子结构与其生物活性之间的关系可以看出,当橙酮类抑制剂母体苯环上连接的为给电子基团时,其活性会增大,且基团的极性越大,其生物活性越强;如连接的为吸电子基团时,则活性会降低;如 1 号和 17 号分子、3号和 20 号分子、9 号和 27 号分子、10 号和 28 号分子等等,在 2 个苯环上连接有OH 的分子活性明显高于对应位置连接有OCH3的分子活性;又如R8位连接的吸电子基团Cl、Br、I 分子的活性明显小于同一位置连接给电子基团NH2的分子活性。所以基团的极性大小、苯环上连接的基团的数量等等,均会影响分子活性的大小,本文定义的原子特征值并通过对基团连接位置校正而建构的新的基团定位指数,能蕴含分子活性的这一变化规律,并将其与电性距离矢量进行结合,从而建立预测橙酮类 DRAK2 抑制剂生物活性的神经网络模型,根据神经网络模型预测的结果可以看出,总体可靠性较好,各个分子的相对误差较小,只有对 38 号分子的预测误差达 8.10%,稍显偏大,这可能与 R4位连接的OPr 链稍长,而其活性实验值明显偏小有关,但总体而言,本文建构的神经网络理论模型对设计活性大的橙酮类 DRAK2 抑制剂分子,可起到重要的实际理论指导作用。综上所述,本研究表明:(1)定义了新的原子特征值,并建构了一种新的分子结构指数 基团定位指数(D),并与优化筛选?电性距离矢量中获得的M2、M3、M9、M14、M15、M21、?M337 个结构参数有机结合,8 种指数与橙酮类?DRAK2 抑制剂生物抑制活性之间有良好的非线性关系,按照神经网络 8-4-1 的网络结构,建立的橙酮类 DRAK2 抑制剂活性的神经网络法预测模型的总相关系数达到了 0.9931 的优级相关,生物抑制活性的预测值与实验值之间的相对平均误差只有1.12%,该预测结果明显优于多元回归法活性预测值与实验值的相对平均误差 5.83%,说明橙酮类DRAK2 抑制剂的分子结构参数与其生物活性值(pIC50)之间具有好的非线性关系,而不是简单的线?性关系。(2)橙酮类 DRAK2 抑制剂生物活性的大小,除与橙酮类 DRAK2 抑制剂分子的 2 个苯环上相连接基团的极性大小有关外,还与这些基团连接的数量多少、连接在苯环上所处的位置等等空间特性有很第 5 期堵锡华等:基团定位指数用于橙酮类 DRAK2 抑制剂活性的研究119 大的关系,当所连接的基团极性越大活性越强,基团所处位置受周围相邻的原子或基团影响较大时也会影响活性的大小。参考文献(References):1 刘斌,张敏,谢龙观,等.橙酮衍生物的合成、晶体结构及除草活性J.高等学校化学学报,2011,32(10):2335-2340Liu B,Zhang M,Xie L G,et al.Synthesis,crystal struc-ture and herbicidal activity of aurone derivatives J.Chemical Journal of Chinese Universities,2011,32(10):2335-2340(in Chinese)2 黄新炜,王征,陈巧利,等.橙酮衍生物的合成及初步抗肿瘤活性研究J.有机化学,2013,33(12):2565-2571Huang X W,Wang Z,Chen Q L,et al.Synthesis and pre-liminary antitumor activities of aurone derivatives J.Chinese Journal of Organic Chemistry,2013,33(12):2565-2571(in Chinese)3 Socha R,Gakowska D,Bugaj M,et al.Phenolic compo-sition and antioxidant activity of propolis from various re-gions of Poland J.Natural Product Research,2015,29(5):416-4224 Cho J K,Curtis-Long M J,Lee K H,et al.Geranylatedflavonoids displaying SARS-CoV papain-like protease in-hibition from the fruits ofPaulownia tomentosaJ.?Bioorganic&Medicinal Chemistry,2013,21(11):3051-30575 马淑玥.香豆素/橙酮衍生物制备及阴离子识别和脂滴成像研究D.济南:济南大学,2021:1Ma S Y.Preparation,anion recognition and lipid dropletimaging of coumarin/aurone derivatives D.Jinan:Uni-versity of Jinan,2021:1(in Chinese)6 郑建涛,张承英.丝氨酸/苏氨酸激酶 15 蛋白在结肠癌的表达J.福建医科大学学报,2007,41(2):134-136Zheng J T,Zhang C Y.Expression of serine/theronine ki-nase 15 in colorectal carcinoma J.Journal of FujianMedical University,2007,41(2):134-136(in Chinese)7 祝昊丹,倪艳秀,茅爱华,等.丝氨酸/苏氨酸激酶对猪链球菌 2 型应激和毒力的影响J.江苏农业学报,2016,32(3):593-600Zhu H D,Ni Y X,Mao A H,et al.The impact of serine/threonine kinas