《自然》子刊:智能和模拟计算加速保护性药物开发

来源：生物世界2022-09-17 21:21

智能和模拟计算用于加速PROTAC药物的研究和开发。在短短的49天内，发现了具有高降解活性和高药代动力学的新先导化合物，并通过湿法实验进行了验证。

蛋白质降解靶向嵌合体(PROTACs)作为一种新的治疗策略，通过招募泛素-蛋白酶体系统降解致病蛋白质，具有克服不能制成药物的靶标的巨大潜力。然而，PROTAC分子的三元结构特征导致其分子量较高，这使得其药学性质的优化极具挑战性。

兴科技研发团队联合中山大学国家超级计算广州中心杨跃东教授，借助天河二号超级计算机，在超级计算机、AI、生物制药交叉研究背景下，充分结合基于强化学习的分子生成和基于第一性原理的分子模拟技术，利用智能和仿真计算加速PROTAC药物的研发。在短短49天内，发现了一种新的具有高降解活性和高药代动力学的先导化合物，并通过湿法实验进行了验证。该研究对合理的药物设计和优化药物性质具有重要意义。

相关成果发表在9月15日的《自然机器智能》杂志上，题目是：通过深度学习和分子模拟加速理性协议设计。

这也是继《》年6月之后，星星医药科技今年第二次在《自然》子刊上发表AI制药领域的论文。

突破不能入药的目标。

PROTAC理性设计面临挑战。

自从2001年第一个蛋白质降解靶向嵌合体(PROTACs)的概念验证以来，PROTACs已经成为通过泛素-蛋白酶体系统选择性降解目标蛋白质的革命性工具。PROTACs由三部分组成：靶蛋白(POI)配体(也称为弹头)，招募E3泛素连接酶的配体，以及连接两个配体的化学接头。由于这种双功能结构，PROTACs能够同时结合靶蛋白和E3泛素酶，形成活性三元复合物。因此，PROTACs仅通过与目标蛋白短暂结合就能诱导泛素化和降解。此外，PROTACs不需要占用药物的活性位点，这使得利用靶蛋白的所有表面结合位点来调节非药物靶标成为可能。但是，目前PROTACs的设计和优化仍然需要基于经验的迭代和优化，这种开发策略具有一定的局限性。

在ProTAC的开发过程中，最大的挑战是如何选择合适的连接基团，从而形成合适的PROTAC活性三元复合物，发挥其降解活性和目标选择性。由于三元结构的复杂性和动态性，连接基团的设计通常是一个巨大的挑战。连接基团的长度、组成、柔性和连接位点将对结果有很大影响。此外，另一个设计挑战来自于PROTAC分子往往不符合口服药物的共同特性。作为一种多组分分子，较高的分子量导致其与传统小分子相比溶解性差、渗透性差、生物利用度低、挂钩效应不可预测，阻碍了PROTACs的临床转化。因此，如何在有限的条件下合理优化PROTAC分子以克服这些问题是目前该领域的一大难题。

智能模拟计算双驱动

PROTAC-RL仅用49天就找到了新的先导化合物。

为解决这一问题，研究团队提出了一种基于深度生成模型的PROTAC理性设计算法PROTAC-RL。该模型以一对E3配体和弹头为输入，输出设计的连接子，在强化学习(RL)的指导下生成具有特定性质的PROTAC分子。具体来说，研究团队首先用Transformer神经网络预训练了一个连接器生成模型。然后在模型训练过程中，为了克服ProTAC训练数据少的问题，模型使用大量与ProTAC化学空间相似的类PROTAC分子进行预训练，然后通过真实的PROTAC和增强的数据对模型进行微调。然后，将训练好的模型结合到具有经验奖励功能的记忆强化学习模块中，以产生具有更好药代动力学性质的PROTACs。

作为概念证明，研究小组选择BRD4作为目标蛋白，并生成了5000多个PROTACs。依托超级计算能力，研究团队通过高通量机器学习评分器和分子动力学模拟方法，对这些虚拟分子进行聚类和筛选。根据合成的可及性，研究人员最终筛选、合成并测试了6个先导化合物，其中3个对BRD4表现出抑制活性，1个先导化合物对肿瘤细胞系也表现出较高的抗增殖作用，并在小鼠体内表现出良好的药代动力学(图1)。基于姚兴科技在PROTAC研究方向的长期探索和沉淀，中山大学国家超级计算广州中心的大规模并行分子动力学模拟方法，以及深度学习模型训练的海量GPU计算能力，整个研究过程仅用了49天，证明了超级计算、深度学习和分子动力学的结合能够促进高效合理的PROTAC设计和优化。

1.PROTAC-RL流程图

对比实验表明

，PROTAC-RL模型的各项指标表现优越

PROTAC-RL模型由两部分组成，基础生成模型Proformer和成药性强化学习模型RL。在评估Proformer的工作中，研究者首先将PROTAC数据集以8:1:1的比例进行切分，分别用于训练、验证和测试。对于弹头和E3配体的每个测试对，生成10个候选PROTACs，并使用复现测试集真实PROTACs的百分比（复现率）来评估性能。研究者将Proformer与其他最先进的片段连接方法进行了比较，包括基于图学习的方法Delinker、基于序列的方法Syntalinker、以及它们在PROTAC训练集上的重训练版本。如图2-A所示，Proformer达到了43.0%的复现率，明显优于现存最好的基线方法。其生成的分子相比于其他方法，也与PROTAC的真实化学空间更加相近（图2-B）。同时，消融实验（图2-C）也再次证明模型设计的合理性。配合强化学习后，PROTAC-RL模型生成的分子打分也远高于其他模型变体（图2-D）。在一个挑选的案例中，PROTAC-RL模型可以随着目标分数设定的不同，生成特定性质的连接基团（图2-E、F）。总的来说，与其他方法相比，PROTAC-RL模型在复现率、有效性、独特性和新颖性等表现上都有着优越的表现。

图2. PROTAC-RL与最新预测方法的比较结果以及消融实验的结果

验证案例：针对BRD4的PROTAC设计及湿实验验证

BRD4是一种表观遗传调节因子，在癌症发展过程中起着关键作用。虽然利用PROTAC进行BRD4研究的工作很多，但目前仍未有一款候选药物成功推入临床，这主要是由于其药代动力学和毒性的问题所导致。为了验证PROTAC-RL在药物实践开发中的性能，研究者利用PROTAC-RL生成了5000余个具有较好药代动力学打分的虚拟分子，经过机器学习筛选、分子动力学模拟评估、结构聚类、可合成性分析及专利检索，最终确认了6个候选分子进行合成和验证。 研究者首先利用印迹实验检测其蛋白质降解能力。如图3所示，化合物1、2和3显示降低了BRD4蛋白的活性。研究者们进一步研究化合物1、2和3对Molt4细胞的体外抗增殖作用。如图4-A~C所示，这些化合物对Molt4细胞系显示出不同程度的抗增殖活性，其中化合物1、2和3的IC50值分别为116 M、5.1 M和21 M。除了活性之外，研究者还评估了化合物1对hERG通道的抑制作用，发现化合物1对hERG的抑制作用很低，仅为27.4 M，该数值表明化合物1无显著心脏毒性。此外，化合物1表现出良好的理化性质，logS为1.42，logD为3.27。 为了验证PROTAC-RL针对PROTACs的药代动力学特性具有显著优化作用，研究团队在动物模型上继续测试了化合物1，将化合物1给小鼠腹腔注射（2mg/kg）后发现三次给药的半衰期相似，约为2.22小时（图4-D）。腹腔给药在初次给药时达到194纳克/毫升的血浆浓度峰值（Cmax）。这比阳性参考化合物dBET6有明显优势，dBET6的Cmax只有176纳克/毫升，半衰期为0.52小时。这些结果都证明了化合物1是一个强有力的BRD4降解剂，且具有良好的药代动力学。 图3. 生物活性测试和药代动力学测试

本研究报告阐述了一个完全自动化的计算框架，该框架结合了强化学习驱动的深度生成模型、机器学习和分子动力学模拟，用于合理地设计和优化PROTACs。在一项针对BRD4靶点的案例研究中，星药科技研发团队联合中山大学国家超算广州中心杨跃东教授，依托 天河二号 借助超算、AI和生物制药的交叉研究背景，充分结合基于强化学习的分子生成和基于物理的分子模拟技术，利用智能与模拟计算双驱动加速PROTAC药物研发，在短短49天内发现了具有高降解活性及高药代性能的新型先导化合物并完成湿实验验证。这进一步证明了将超算、人工智能驱动的计算策略与实验相结合是获得有效候选药物的重要手段。

版权声明 本网站所有注明“来源：100医药网”或“来源：bioon”的文字、图片和音视频资料，版权均属于100医药网网站所有。非经授权，任何媒体、网站或个人不得转载，否则将追究法律责任。取得书面授权转载时，须注明“来源：100医药网”。其它来源的文章系转载文章，本网所有转载文章系出于传递更多信息之目的，转载内容不代表本站立场。不希望被转载的媒体或个人可与我们联系，我们将立即进行删除处理。

87%用户都在用100医药网APP 随时阅读、评论、分享交流 请扫描二维码下载->

医药网新闻