上海交大张健课题组Nat. Mach. Intell. 封面文章报道先导分子从头生成方法

生成式药物设计为在广阔的化学空间中发现新化合物开辟了道路，而不是局限于传统的小型化合物库筛选。然而，生成分子的实际效用往往受到限制，因为许多设计过于强调少数药理性质，却忽视了物理可靠性，从而降低了后续实验验证的成功率。为了解决这一问题，上海交通大学医学院张健课题组提出了 ED2Mol，一种结合电子密度信息的深度学习方法，用于提升先导分子的从头生成与优化。大量基准测试结果表明，ED2Mol 在生成成功率和物理可靠性（超过 97%）方面显著优于现有方法。同时，该方法能够实现基于片段的自动化 hit 优化，这是其他方法尚未完全实现的功能。此外，ED2Mol 对更具挑战性的未知变构口袋也表现出较强的泛化能力，维持了稳定的性能。更重要的是，ED2Mol 已应用于多种实际药物靶点，成功发现并通过实验验证了多类活性化合物，包括 FGFR3 正构抑制剂、CDC42 变构抑制剂、GCK 与 GPRC5A 变构激活剂。所生成分子的结合模式与分子对接预测高度一致，并进一步通过 X 射线晶体学结构得到了验证。这些结果凸显了 ED2Mol 在药物设计中提升效率、可靠性与实际应用价值的潜力。

创新药物发现长期以来被认为是一个耗时、高成本且高风险的过程，通常分为四个阶段：hit 化合物鉴定、先导化合物优化、临床前研究和临床试验。其中，hit/lead 化合物的发现至关重要，因为找到一个高效活性分子能显著提高后续临床试验的成功率。过去几十年，大多数活性分子是通过高通量筛选既有化合物库获得的，这些库通常包含 10^4 至 10^10 个分子。然而，经过长期大规模筛选后，具有全新骨架的活性分子变得愈发难以发现。相比之下，从头分子设计（de novo design） 提供了一种能够探索更广阔化学空间（约 10^60）的策略。

随着蛋白质结构数据的激增和深度生成模型的发展，基于结构的生成式分子设计逐渐展现出优势。尽管已有方法能生成在计算上具有较好结合能的分子，但深入分析发现仍存在一些挑战：

• 分子间可靠性不足：许多生成分子在对接时会与受体产生严重空间冲突，或在再对接过程中发生显著结构重排，说明其结合模式并不稳定。
• 分子内可靠性不足：部分生成分子具有不合理的拓扑结构或不良的子结构，导致合成可行性差，药代性质不理想。
• 缺乏系统性优化：很多生成模型停留在生成 hit 分子的阶段，而缺乏进一步优化的机制。
• 计算与实验的差距：部分生成分子在计算预测中表现活性，但缺乏实验验证支持。

研究人员认为，将领域知识融入深度生成模型是解决这些挑战的重要方向。例如，有研究利用药效团形状信息，但其三维结构往往被简化为一维字符串。另一类方法引入片段知识，能提高生成效率，但经常导致结构扭曲。相比之下，结构生物学家通常依赖配体的 电子密度图 来解析精确的结合结构。电子密度不仅能体现配体与靶点的空间互补性，还能捕捉作用力的本质。因此，将电子密度引入分子生成模型，有望更准确地刻画原子间作用并增强泛化性。基于此，研究人员提出了 ED2Mol，一种融合电子密度信息的结构感知深度生成模型。

结果

模型在从头生成中的表现

一个基于结合口袋的三维生成模型需要满足两个核心标准：

• 分子间层面：学习配体在结合口袋中的几何分布，从而生成具有合理结合模式的分子。
• 分子内层面：学习不同口袋中药理相关的分布，以保证生成分子具备必要的药物相似性特征。

研究人员从结合模式可靠性和药理性质两个维度进行评估。

结合模式的可靠性

研究人员提出了“口袋占据密度”指标，描述分子在结合口袋中的分布集中度。ED2Mol 的分子更倾向于聚集在口袋内部，表现优于其他基线模型。同时，ED2Mol 在空间探索覆盖率方面也更高。

进一步的配体效率分析显示，ED2Mol 在两个基准数据集上的生成成功率最高，并且在更具挑战性的变构口袋数据集上仍保持稳定性能。通过 PoseBusters 标准评估分子结构有效性，ED2Mol 生成的分子在 97% 以上符合要求，远超其他模型。再对接实验表明，ED2Mol 生成分子的结合构象稳定性最佳，可靠成功率超过 34%，是表现第二好的模型的两倍以上。

药理学性质

研究人员还从五个方面评价生成分子的药理特征：合成可行性、药物相似性（QED）、Lipinski 五规则、Brenk 规则和 PAINS 过滤。结果表明，ED2Mol 在四个指标上表现最佳，且生成分子的药代动力学性质更佳，包括渗透性、代谢稳定性和口服可用性。其生成分子的结构多样性也与基线模型相当。

从头设计到 hit 优化

目前自动化从头设计仍难以直接生成完全优化的药物，hit 优化仍是关键步骤。ED2Mol 的片段拓展策略天然适用于该过程。研究人员展示了两个案例：

• Brr2 抑制剂的片段替换：在保持核心骨架的前提下，ED2Mol 能够探索结合口袋的次级区域，生成的分子不仅恢复了实验报道的先导分子，还提出了亲和力更佳的新候选结构。

• PPARγ 激活剂的片段添加：ED2Mol 识别到额外的生长空间，生成的分子在亲和力分布上明显优于对照方法，并唯一恢复了已知的高效激活剂。

从基准评估到实验验证

为验证模型的实际价值，研究人员在五个真实靶点上进行了实验：

• FGFR3 正构抑制剂：ED2Mol 在 50,000 个生成分子中筛选候选，并成功合成 F4，SPR 实验验证了结合能力，且其晶体结构与预测高度一致。进一步优化得到 F42，效力提升近 10 倍。

• CDC42 变构抑制剂：ED2Mol 生成的分子 C1 与对接结果高度一致，体外和体内实验验证了其抑制活性。

• GCK 变构激活剂：ED2Mol 成功发现新候选 G11，其效力比起始分子提升约 12 倍。
• GPRC5A 变构调节剂：借助 AlphaFold 结构预测结合 AlloSite 口袋识别，ED2Mol 从头生成分子 A4，实验验证其为活性激活剂。

这些实验验证表明，ED2Mol 能在正构与变构口袋中均产生具备实际活性的化合物。

讨论

研究人员提出的 ED2Mol 方法，将电子密度信息作为生成线索，引导分子的从头设计与优化。其在多个基准和真实应用中的表现表明，它是一种通用且可靠的工具，有助于加速治疗性分子的发现与开发。

与既有生成方法相比，ED2Mol 的独特优势在于：

• 高度可靠的结合模式生成；
• 能够兼顾正构和变构口袋；
• 支持 hit 到 lead 的自动化优化流程；
• 通过实验验证证明了在多种靶点上的适用性。

尽管如此，研究人员也指出仍有改进空间。例如，目前的片段库更偏向常见骨架，可能忽略了部分天然产物类或罕见骨架。未来可以考虑扩充片段库，即使会降低生成效率。同时，还可引入强化学习或多目标优化策略，更直接地提升结合亲和力或安全性等药理学性质。

总体而言，ED2Mol 为人工智能驱动的药物设计提供了新的方向，不仅在生成能力和物理可靠性上实现突破，还通过实验验证展示了落地应用的潜力。

整理 | DrugOne团队

参考资料

Li, M., Song, K., He, J. et al. Electron-density-informed effective and reliable de novo molecular design and optimization with ED2Mol. Nat Mach Intell 7, 1355–1368 (2025).

https://doi.org/10.1038/s42256-025-01095-7

内容为【DrugOne】公众号原创｜转载请注明来源