Cell 50周年特刊评论 | “利用预测模型实现基于结构的药物设计”

加星标，再也不怕错过更新！方法见文末动图。

在当今的医药研发领域，基于结构的药物设计（SBDD）已成为新药开发的关键技术路径之一。通过解析目标蛋白质的三维结构，研究人员能够精确地设计和优化药物分子，以提高其对特定生物靶标的亲和力和选择性，从而增加药物的功效和安全性。近年来，随着人工智能和计算生物学的飞速进步，尤其是AlphaFold和RoseTTAFold等结构预测技术的出现，为结构基础药物设计开辟了新的可能性。

在这一背景下，Cell期刊在50周年结构生物学专题板块推出了《Enabling structure-based drug discovery utilizing predicted models》一文。这篇文章由来自薛定谔公司的Edward B. Miller等人撰写，提出了利用高质量的预测模型来加速和优化基于结构的药物设计流程的新策略。文章详细讨论了如何通过自由能微扰（FEP）技术，结合预测得到的蛋白质结构，来指导药物分子的设计和优化，突破了传统依赖实验获得蛋白质结构的限制。

背景介绍

随着AlphaFold和RoseTTAFold等结构预测技术的发展，现在为任何给定的蛋白质序列提供高保真度的预测结构成为可能。这一进展为扩展基于结构的药物设计的应用领域提供了前所未有的机会，尤其是在传统方法难以获得特定蛋白质结构的情况下。然而，作者们也指出，尽管预测结构在技术上取得了显著进步，但在将这些结构直接应用于药物设计之前，必须仔细评估它们的准确性和实用性。特别是预测模型在产生实验解析蛋白质的替代构象方面的局限，需要通过适当的验证和优化方法来克服。

AlphaFold¹（上）RoseTTAFold²（下）

文章中通过实例展示了自由能微扰（FEP）技术如何作为一种计算测定手段，用于量化预测结构在药物设计中的准确性。FEP技术能够评估预测模型对药物分子设计决策的影响，包括优化目标活性、减少非目标效应以及改善药物的ADMET属性。通过这种方式，尽管这些预测模型并不完全基于实验数，但FEP技术为使用预测模型在药物设计中提供了一种可信的方法。

本文的核心论点也就集中在这两个方面：首先是高质量的预测结构如何为药物设计提供新的机遇；其次是自由能摄动（FEP）技术在确保这些预测模型可靠性和实用性方面的关键作用。

结构预测技术的动机

结构预测技术的核心动机是在传统实验技术难以获得结构信息的情况下，提供一种能够精确描绘蛋白质三维结构的方法。文章指出，获得与药物设计相关蛋白质的高精度结构信息，是实现结构基础药物设计（SBDD）的关键。在疾病状态下，能够获得正确的蛋白质目标结构，对于指导药物分子的设计和优化至关重要。

文章进一步阐释了结构预测技术的发展，特别是AlphaFold和RoseTTAFold等工具的出现，为药物研发领域带来了新的机遇。这些先进的算法能够基于蛋白质的氨基酸序列，预测其可能的三维结构，从而为那些难以通过实验方法获取结构信息的蛋白质提供了新的解决方案。尽管如此，目前这些预测方法也有很大的局限性，比如它们在预测蛋白质在不同功能状态下的多种构象方面存在不足。

结构预测不仅仅是为了获得蛋白质的静态图像，而更重要的是为了理解蛋白质的功能和动态变化。这对于药物设计尤其重要，因为不同的蛋白质状态可能影响药物分子的结合效率和特异性。因此，结构预测技术的目标是提供足够的信息，以揭示蛋白质功能相关的结构细节，支持药物分子的设计决策。

为了探究蛋白质与配体之间的相互作用，作者介绍了自由能微扰（Free Energy Perturbation, FEP）的技术。FEP技术是一种物理基础的模拟方法，属于自由能计算技术的一个分支，与热力学积分、伞形采样和超分子动力学等技术同属一类。这些技术因为完全遵循经典力学，所以原则上提供了一种物理上严谨且准确的用于计算配体对蛋白质的亲和力的方法，但前提是提供了准确的蛋白质-配体复合物的三维结构。

FEP技术通过在一系列状态间进行转换，连接感兴趣的初始和最终状态，来发挥作用。这些状态可以是蛋白质结合口袋中的两种不同配体，或者是相同配体在蛋白质结合口袋和溶剂中的状态。因此，FEP可以用来计算相对结合自由能（即化学修饰对结合亲和力的影响）或配体与其受体的绝对结合自由能。

通过FEP计算对目标蛋白质的配体A与配体B的结合自由能（ΔG）差异

基于数十年前建立的严谨理论框架，现代FEP实现纳入了蛋白质和小分子相互作用的准确物理细节，并有效采样了蛋白质和配体的配置空间，已在回顾性和前瞻性研究中展现出高水平的准确性和可靠性。凭借准确的蛋白质-配体结合复合物模型，FEP能够在结合效能预测中可靠地达到实验精度限制。这项技术已被广泛验证，并被生物制药药物发现团队广泛采用，多个由FEP计算推动的药物候选物已进入临床阶段。

蛋白质结构准确性在计算药物设计中的重要性

FEP在药物发现中的理想应用通常需要一个与相关配体结合的疾病相关靶蛋白的高质量实验解析结构。这种配体结合结构能使药物设计团队使用FEP计算预测当改变配体的化学结构时效能的变化。这有两个目的：（1）通过只对预测为足够紧密结合的化合物进行成本高昂的合成化学资源投入，可能实现效能的理性增加；（2）在优化其他性质时保持效能。然而，即使蛋白质结构是通过实验获得的，准确的FEP计算也需要密切注意蛋白质结构模型的原子细节。一个基本考虑是配体或结合位点残基中氢原子的确切存在或缺失，也就是质子化状态。除了来自高分辨率X射线晶体学实验的信息外，必须根据每个可滴定位点的微观pKa推断确切的质子化状态。错误的质子化状态可能会将一个有利的配体-受体相互作用变成一个排斥性的，而FEP的结果也会与实验结果产生差异。

鉴于错误的蛋白质结构模型产生较好的FEP性能的可能性很低，FEP可以作为一种严格的蛋白质结构模型选择工具。以PTP1B抑制剂的两个预测模型为例，通过诱导拟合对接计算产生了两种位姿，第一种位姿与原始结构非常相似，配体均方根偏差（RMSD）为1.2Å，而第二种位姿的RMSD为2.8Å。第二种位姿的误差增加是由于配体噻吩被错误地旋转进入口袋。在两个晶体结构未知的情况下，这些RMSD将是未知的，而FEP能够帮助我们区分哪个模型是正确的。

通过将另外22个与对接中的配体同源的配体与两种对接模型对齐并执行FEP，能够很好的重现正确模型的△G。结果显示，1.2Å的位姿与实验结果有很好的一致性（R²为0.56），而2.8Å位姿的R²只有0.17。因此，我们可以可以定量地观察到第一个模型更优。

PTP1B抑制剂的两个诱导拟合对接模型的回顾性FEP比较

在这个例子中，作者利用有限量的基于实验配体的数据来产生和评估一个完整的基于结构的模型。反过来，经过验证的预测模型可以用来减轻实验结构确定的负担，从而加速迭代药物设计过程。最初的模型越接近目标蛋白质与项目化学物质的真实情况，FEP找到满意解决方案的可能性就越高。因此，实验结构生物学和结构预测工具之间仍然是相辅相成的关系。实验可以增强蛋白质结构预测的准确性，结构预测可以减轻实验的成本和负担。根据两者之间相辅相成的关系，文章作者提出了一个两者共同使用，提高药物发现效率的示意图。

FEP用于验证预测结构并前瞻性的筛选新化学物质的示意图

前瞻性FEP用于基于结构的ADMET建模

预测结构在药物发现中尤其在优化药物的ADMET属性方面展现了其重要价值。hERG蛋白的抑制模型是一个很好的例子。hERG抑制与严重的心脏毒性副作用相关，因此被认为是药物发现中的关键反靶蛋白。目前，尽管有挑战，但使用有限的公开冷冻电镜结构资料和预测结构来基于结构的建模消除hERG抑制已被应用于药物发现项目中，包括使用FEP验证来筛选和优化与hERG结合的化合物。此方法已经在实际药物设计中显示出前景，强调了实验结构生物学和预测模型在药物开发中相互补充的重要性。

结论

本文提出了利用高质量的预测模型来加速和优化基于结构的药物设计流程的新策略。文章详细讨论了如何通过自由能扰动（FEP）技术，结合预测得到的蛋白质结构，来指导药物分子的设计和优化，突破了传统依赖实验获得蛋白质结构的限制。

评论与分析

强项分析

本文的主要强项在于其深入探讨了结构预测技术与药物设计结合的新领域。文章通过明确的实例和理论分析，展示了如何利用高质量的预测模型，结合自由能摄动（FEP）技术，来指导药物分子的设计和优化。这种方法的创新之处在于，它不仅展现了预测模型在药物发现过程中的实用性，而且还提供了一种评估预测模型准确性和可靠性的有效手段。

此外，该文章对于如何克服结构预测技术的局限性提出了实际的解决策略，尤其是在处理蛋白质多态性和动态性方面。通过将结构预测技术与FEP结合使用，作者们为药物设计领域提供了一条既能加速药物发现流程，又能确保设计过程科学性和准确性的新途径。

挑战与局限性

尽管文章提出了一种前沿的结构预测与药物设计相结合的方法，但这一方法仍面临一些挑战和局限性。首先，结构预测技术本身的局限性，特别是在精确预测蛋白质在不同功能状态下的结构方面，可能影响药物设计的准确性。此外，自由能摄动（FEP）技术虽然是一个有力的工具，但其计算密集型的特点可能限制了它在一些资源受限的环境下的应用。

参考文献

参考文献

1. Jumper, J. et al. Highly accurate protein structure prediction with AlphaFold. Nature 596, 583–589 (2021).

2. Baek, M. et al. Accurate prediction of protein structures and interactions using a three-track neural network. Science 373, 871–876 (2021).

供稿 | 刘安吉

责编 | 囡囡

设计 / 排版 | 可洲 王婧曈

微信号：FRCBS-THU

因扫码入群人员已满，可扫码添加中心官方微信号，管理员邀请入群

原文链接

精彩回顾

精彩回顾

特别提示

微信公众号又双叒叕更改推送机制了，不是星标的订阅号，收到推送内容的时间会有延迟，甚至根本无法收到最新推送！不想错过FRCBS最新资讯，快来设为星标吧！

方法超简单，只需3秒钟！

点击上方卡片

关注我们吧

THE END

我知道你“在看”哟