（一）Training set 之化合物的篩選
化合物的篩選相當重要，該如何選擇理想的 training set 之化合物有下列原則可以遵 循：
1. 至少需要 14 個化合物以上才符合統計上的意義。選擇結構差異性大且具有活性的物 質，或是抑制活性雖然不好但是結構特異具代表性的化合物。挑選出的每一個化合 物結構應均能提供 Catalyst 最為新的資訊，故應避免重複無意義的物質，或是無法產 生新的化學基團特性的化合物。
2. 化合物中活性最好與最差的大小數值要差距 4 個等級，也就是需差距 104倍。而且每 個等級的化合物至少要有 3 個代表性化合物。
3. 若兩個結構相近的化合物時，兩者活性差異必須要大些，否則只挑選兩者中活性表 現好的。
4. 若兩個化合物的活性相近時，則兩者必須是結構差異大，否則只挑選兩者中活性表 現好的。
在廣泛網羅作用在微管蛋白抑制的物質，經過不斷的 training set 的多種組合後，我 們發現結果並不理想，因此我們修正 2-phenyl-4-quinolones 類 training set 之化合物的篩 選原則中結構差異性大的原則，我們的考量有下列二點：
1. 正如背景所提，微管的結合點有至少 3 個，雖然過去研究較傾向將
2-phenyl-4-quinolones 歸類於作用在 colchicine 結合位置，但是觀察抑制 colchicine 結 合百分比(ICB)的數據如 Table 7 所示，似乎作用位置與 colchicine 並不完全相同27。 故結構的選取未將 colchicine、podophyllotoxin 等作用在 colchicine binding site 的化合 物列入考慮。
2. 文獻雖有許多結構相異卻同樣有抑制微管蛋白聚合作用的抑制劑，雖不是作用在已 知的微管結合位置，但是其作用點亦不明確，故未將列入 training set。
Table 7. Antitubulin effects of 2-phenyl-4-quinolones27
a ITP: inhibition of tubulin polymerization; b ICB: inhibition of colchicine binding site
49
依據以上二點，因此從過去本實驗室所合成的化合物中挑出適當的做為 training set 的候 選化合物(candidates)。
（二）Hypothesis 之建立
將化合物在 View compound Workbench 的視窗下輸入 2D 結構，在經 2D beautify、3D beautify 及 3D minimization 後，初步得到能量最適化的 3D 立體結構。接著在 Generate conformation model 功能視窗下，設定每個化合物之構型能量變化在 20 Kcal mol-1的範 圍內，最大的構型數量為 250 個，以”best conformer generation”（最精確計算的模式）
的功能，建立所有可能的分子構型(conformer)。 再將所有已建立分子構型的化合物，
在 Generate Hypothesis Workbench 將所有化合物之活性數據輸入如此即完成。
最後將 training set spreadsheet 的資料以” hypothesis generate”的功能，每個化合物結 構間的相異度似乎差異不多，觀察選定的化合物有可能之作用官能基為氫鍵接受者 (hydrogen bond acceptor；HBA)、氫鍵供給者(hydrogen bond donor；HBD)、芳香環(aromatic ring)、厭水性基團(hydrophobic group)等 4 個特徵(feature)。由選定不同的基團特徵，經 過數次不同的組合檢討所得到的結果，著者發現氫鍵接受者是必須的基團，故設定 feature 中 HBA 的數量為 2 個而其餘的 HBD、hydrophobic group、aromatic ring 設定為 0-2 個，由電腦運算並選擇較佳的 feature 來建立 model。經由電腦軟體 Catalys t 統整、
運算結果產生的假設性 pharmacophore 稱為 Hypothesis。最後結果得到 10 個 Hypothesis，
其 Cost 值大小、方均根變異係數（root- mean square deviation, RMS）、correlation 及各個 Cost 的差異值如 Table 8 所示。
S form
NNHCCNHCH-C6H5
H
NNHCCNHCH-C6H5
H
51