Nat. Commun. | 多靶标化合物的从头设计

DRUGAI

今天为大家介绍的是来自Trey Ideker团队的一篇论文。多靶点药物——抑制多种蛋白的化合物——具有多种应用，但设计难度大。为了应对这一挑战，作者开发了POLYGON，这是一种基于生成性强化学习的多靶点药物研发方法。POLYGON嵌入化学空间，并迭代抽样以生成新的分子结构；这些结构根据预测的抑制两种蛋白靶点的能力、药物样性和合成容易性得到奖励。在超过100,000种化合物的结合数据中，POLYGON以82.5%的准确率正确识别多靶点相互作用。作者随后针对十对具有记录的共依赖蛋白生成了新化合物。对接分析表明，顶级结构以低自由能和与经典单蛋白抑制剂相似的三维取向结合其两个靶标。作者合成了32种针对MEK1和mTOR的化合物，大多数在1-10μM剂量下对每种蛋白活性和细胞存活率的降低都超过50%。这些结果支持了生成模型用于多靶点药物开发的潜力。

传统的药物发现遵循“一种疾病——一个靶点——一种药物”的模型。虽然这种模型已产生了许多成功的疗法，但许多疾病并没有单一的分子原因，而是与多个潜在的干预点相关，每个干预点都可能对疾病病因有部分影响。这种困难在多基因疾病（如癌症和精神障碍）中尤为明显，这些疾病涉及复杂生物网络中许多基因的功能效应。

因此，越来越多的治疗策略开始关注同时针对多个靶点。这一策略可以通过多重疗法的组合或使用多靶点药物来实现，后者可以同时结合并功能性调控两个或更多的分子靶点。尽管多靶点药物研究仍处于初级阶段，但近期研究已开始展示其在疾病治疗中的效用。例如，几个研究小组已经显示，KRAS突变的非小细胞肺癌，这种癌症对传统单一靶点药物治疗持有抵抗性，可以通过使用多靶点化合物有效治疗。多靶点药物也提供了比组合疗法更多的潜在优势，如更优的药代动力学和安全性档案，获得性抗药性的可能性较低，以及简化的治疗配方，从而提高患者依从性。

多靶点化合物的一个主要障碍是设计一种能同时强效抑制多种蛋白的单一药剂的挑战。有效的多靶点药物设计，如针对甲状腺癌中RET和VEGFR2的药剂，需要大量时间和资源来识别合适的活性框架。出于这些原因，这类化合物大多是偶然发现的，而不是系统性发现。另一方面，近期在机器学习领域的许多进展开始在相关活动中显示，包括系统预测化合物-靶点互作、单一靶点抑制剂的从头生成、以及识别具有多靶点（双重靶向）潜力的现有药物。

多靶点药物的生成模型

图 1

类似于人像肖像的从头生成（例如调整多个独立的面部特征以达到特定目标，如情绪和年龄），POLYGON优化多个可能独立的化学属性（见图1）。

图 2

POLYGON的第一个组成部分是一个变分自编码器（VAE），一种深度神经网络，用于处理分子化合物的化学公式，将其转化为“化学嵌入”（见图2a）。嵌入是一个复杂输入的低维表示，在其中每个数据点（这里是化学结构）被分配在降维后的坐标中。许多机器学习研究集中于创建一个良好的嵌入，其中相似的输入（这里是相似的化学结构）在嵌入空间中彼此接近。这个化学编码器与一个解码器相连，可以将化学嵌入中的任何位置转换回有效的分子公式。

作者检查了从化学嵌入中相似位置提取的化合物绑定相同靶点的程度。为此，作者收集了包括BindingDB和Pharos在内的24个不同靶点的18,763个化合物-靶点结合亲和力数据。作者观察到，与不同靶点有亲和力的化合物相比，对同一靶点有亲和力的化合物对在化学嵌入中的距离显著更近。一些靶点在其对应的化合物分布中有部分重叠（见图2b），表明嵌入中的某些区域具有多靶点药物的潜力。

POLYGON的第二个主要组成部分为一个针对两个不同靶点活性的多靶点药物生成的强化学习系统（见图2c）。强化学习是一种强大的机器学习策略，通过这种策略，模型进行迭代训练，在每一步中奖励期望的输出和/或惩罚不期望的输出。它与监督学习的不同之处在于，它不需要标记的输入/输出对，而是在利用当前知识和探索未知领域（这里是化学空间）之间寻求平衡。在实施过程中，化合物从化学嵌入中随机抽取，并根据它们预测的抑制两个特定靶点的能力得分，同时还包括多个与化合物合成性和药物样性相关的其他奖励标准。高分化合物的坐标然后被用来定义化学嵌入的缩减子空间，用于模型的再训练和在进一步迭代中的随机抽样，产生越来越高质量的化合物。

图 3

作为另一个基准，作者让POLYGON对一组保留的（化合物，靶点1，靶点2）三元组进行评分，这些三元组的IC50针对两个靶点都已被表征并记录在BindingDB中（见图3a）。在IC50 < 1μM的活性阈值下，POLYGON在分类两个靶点都有效的化合物的案例中达到了81.9%的准确率，即表现出多靶点药理活性（见图3b）。

针对合成致命癌症蛋白的化合物生成

图 4

作者接下来使用POLYGON进行从头生成针对十对先前确定为相互依赖（合成致死）的蛋白靶标的多靶点药物（见图4a）。这些靶蛋白包括多个蛋白类别，包括丝氨酸/苏氨酸激酶、酪氨酸激酶、DNA结合因子和组蛋白修饰因子。作者选择了每对靶标得分最高的前100种化合物。为了模拟这些化合物与其相应蛋白靶标的相互作用，作者使用AutoDock Vina和UCSF Chimera进行了分子对接分析。在这组化合物和靶标中，作者发现化合物对接时的平均ΔG变化是有利的，为 -1.09 kcal/mol，支持POLYGON的结合预测（见图4b）。

为了研究针对MEK1（丝裂原激活的蛋白激酶激酶1）和mTOR（哺乳动物雷帕霉素靶蛋白）的合成致死组合的POLYGON化合物，作者首先查询Protein Data Bank以获得这些蛋白与它们经典的单一靶点抑制剂的共晶结构。作者获得了MEK1与经典MEK1抑制剂曲美替尼的结构，以及mTOR-FRB/FKBP12复合体与雷帕霉素的结构（PDB记录7M0Y和3FAP）。

图 5

作者验证了AutoDock Vina能正确地将曲美替尼定向在MEK1中，具有有利的ΔG为 -9.2 kcal/mol，并且在第二个靶标mTOR中曲美替尼的最佳位置ΔG明显不那么有利，为 -7.4 kcal/mol（见图5a, b）。同样地，作者确认了雷帕霉素在mTOR复合体中被正确放置，具有有利的ΔG为 -8.6 kcal/mol，而在第一个靶标MEK1中的最佳位置ΔG明显不那么有利，为 -3.7 kcal/mol（见图5c, d）。接下来，作者研究了最佳POLYGON化合物（IDK12008）的对接位置，发现其在MEK1中的最佳取向与曲美替尼相似，ΔG为 -8.4 kcal/mol（见图5e），而在mTOR复合体中的最佳取向与雷帕霉素相似，结合能为 -9.3 kcal/mol（见图5f）。

MEK1/mTOR双链化合物的合成与验证

鉴于目前对MEK1和mTOR激酶进行联合治疗的兴趣，作者寻求在实验室中验证POLYGON生成的针对这些靶点的化合物。首先，作者实验确认目前的单一靶点抑制剂MEK1和mTOR可以结合使用，以实现协同减少细胞存活率。这种协同作用适用于多种人类癌细胞，并且这些效果是由于每个靶点的特异性抑制所致。

图 6

接下来，针对前100名的MEK1/mTOR候选化合物，作者合成了32种进行验证，目标是最小化反应步骤；因此，由于共享合成路线，苯胺类被过量代表。作者首先对合成的化合物进行了活性筛选，包括整体细胞生长抑制的剂量-反应测试（IC50，见图6a）和靶标mTOR和MEK1激酶的磷酸化活性的直接测量（phospho-P70和phospho-ERK，见图6b, c）。作者发现大多数化合物的IC50在1-10 μM范围内（见图6d），伴随着两种激酶活性的大于50%降低（10 μM，见图6e, f）。mTOR和MEK1活性的减少与整体生长抑制显著相关，这表明分子和细胞结果是一致的。作者进一步复制了六种化合物在初筛中对mTOR和MEK1活性减少最多的多药性能力，验证了四种在1 μM时减少了两个靶标磷酸化活性 > 50%（见图6g）。作者还在无细胞体外激酶测试中验证了IDK12008的抑制能力，发现mTOR（图6h）和MEK1（图6i）的IC50值与早先在人类细胞中观察到的一致。

结论

总结来说，作者的研究结果展示了一个流程，通过这一流程系统地生成、合成并实验验证多靶点药物候选化合物，最终形成一个具有针对两个靶点活性的多样化分子结构库。正如所展示的，POLYGON解决了多靶点药物设计的初步阶段，可以通过如结构-活性关系（SAR）这样的传统技术进一步优化。鉴于这里的概念验证，探索利用不断增长的遗传依赖性和合成致死组合的多靶点药物将是非常令人兴奋的，这些依赖性和组合来自包括癌症依赖图在内的持续的基因组和化学基因组筛选。

编译 | 于洲

审稿 | 王建民

参考资料

Munson B P, Chen M, Bogosian A, et al. De novo generation of multi-target compounds using deep generative chemistry[J]. Nature Communications, 2024, 15(1): 3636.