Insilico Medicine公布生成化学设计的靶向2019年新型冠状病毒关键蛋白质酶的小分子结构
2020年2月6日 – Insilico Medicine宣布,公司将公布2019年新型冠状病毒3CL蛋白酶靶向小分子的结构。利用公司自有资源及其密切合作伙伴的协助,Insilico Medicine将合成并测试其中多达100个分子,为抗击病毒贡献一份力量。其余的分子结构将发布在公司网站上,并在bioRxiv上提供相关信息。InsilicoMedicine公开分子结构信息的初衷是让有志找出治疗方案的人士合成这些分子,并测试其有效性。
这些靶向2019年新型冠状病毒3CL蛋白酶的小分子结构可以在这下载:https://insilico.com/ncov-sprint/ 并会实时进行更新。
利用人工智能驱动药物发现的瓶颈之一就是能否快速快速合成并测试分子。借助先进的生成化学方法,Insilico Medicine能以分子的特定性质作为生成条件,设计出众多具有各种特性的分子。然而,分子的合成和验证过程可能耗费一些时间及大量资源。因此,Insilico Medicine将选取其中最多100种分子结构来合成并测试,其余的分子结构将在Insilico Medicine的网站上公布。
InsilicoMedicine将携手国际大型公开研究平台的各团队来完成分子的合成及筛查工作。同时,公司也将提供自身的人力与资源来支持药物发现过程,与同侪联手抗击病毒,帮助早日解除这个新的全球健康威胁。
Insilico Medicine首席执行官Alex Zhavoronkov博士表示:“在这个艰困时期,所有具有前景的方法都应该被采用来加快针对2019-nCoV进行的药物发现任务,其中包括利用我们端到端药物发现流程中的生成化学方法。我们期待药用化学家能评估这些生成的分子,提供其反馈意见并考虑将其用于合成。我们的团队将合成和测试其中的一些化合物”
1
输入数据和数据集
2019-nCoV 3C样蛋白酶的晶体结构
_
2019-nCoV 3C样蛋白酶的晶体结构是从Rao博士的实验室获得的。该结构以2.1 Å的分辨率与名为N3的共价抑制剂形成复合物。SARS-CoV主蛋白酶事先已用相同的抑制剂结晶。从晶体中提取出配体,并用于基于配体的生成中。然后,利用专有的口袋模块对结合位点进行注释,以创建适合作为基于靶标结构生成的输入数据的氨基酸残基图谱。
同源建模
_
使用与Rao博士实验室提供的晶体结构相对应的一级序列,构建了具有非共价配体的2019-nCoV 3C样蛋白酶的同源模型。SARS-CoV Mpro的X射线结构4MDS(分辨率为1.6Å)用作模板,与2019-nCoV 3C样蛋白酶具有非常高的相似性(95.25%)。使用SWISS-MODEL进行同源模建。使用GROMACS进行结构优化,考虑了位于结合口袋中的His41的两个质子化状态。对构建的同源模型进行预处理以生成晶体结构。
共结晶片段
_
N3抑制剂的3D结构是从已解析的晶体复合物中提取的。丙酸酯亚结构被丙酸酯替代,然后将其转化为E-构型,以恢复在共价添加之前出现的化合物结构。使用专有的模块,将获得的构象用于构建配体的形状及两个药效基团假设。对于每个假设,根据拟肽骨架的初始晶体结构和覆盖范围内的相互作用选择7个药效基点。利用构造的配体形状和假设来估计生成的结构如何适合结合所必需的结构特征。
蛋白酶数据集
_
从Integrity数据库、实验药理模块和ChEMBL数据库中提取酶法测定的蛋白酶数据集与对各种蛋白酶具有活性的分子合并在一起。从ChEMBL数据库中下载的记录具有以下标准类型:'Potency', 'IC50', 'Ki', 'EC50', 'Kd'。
2
方法流程
为每种输入数据类型(晶体结构、同源性模型和共结晶配体)启用了Insilico Medicine的生成化学平台。
在生成阶段,总共28个机器学习(ML)模型用于生成分子结构,并通过采用如下所述的奖励函数的强化学习(RL)对其进行了优化。Insilico Medicine使用了不同的ML方法,例如生成自动编码器、生成对抗网络、遗传算法和语言模型。每个模型都在优化奖励函数,以探索化学空间,利用有前途的簇并生成高分的新分子。奖励函数是多个中间奖励的加权总和:药物化学和类药性评分、活性化学评分、结构评分(适合配体特征和/或结合口袋)、新颖性评分和多样性评分。药物化学评分对具有结构警报的分子给予较低的奖励,而对具有有用的亚结构的分子给予较高的奖励。药物相似性评分驱动着具有代表蛋白酶肽模拟物数据集的分子特性的分子的发展logP:1.49–6.00;分子量(MW):400–800;氢键供体(HBD)的数量:1-10;氢键受体数量(HBA):2-10;拓扑极性表面积(TopoPSA):80-210;MCE-1844:40–180;立体中心数(nSC):0–3。Insilico Medicine在优化程序中使用了新颖性和多样性评分,以探索化学空间并输出一套新颖多样的分子结构。生成的化合物因与现有分子和先前探索的簇的相似性而受到惩罚。
3
结果
这项研究中,Insilico Medicine利用了专有的生成化学平台,利用了靶标蛋白的晶体结构和同源性模型的知识。对于每种输入数据类型,都会三次运行生成方法流程:晶体结构、同源模型和共结晶配体。对于每次运行,都选择了排名最高的结构进行进一步分析。
_
_
参考资料
_
Potential 2019-nCoV 3C-like protease inhibitors designed using generative deep learning approaches. Alex Zhavoronkov, Vladimir A. Aladinskiy, Alex Zhebrak, Bogdan Zagribelnyy, Victor Terentiev, Dmitry S. Bezrukov, Daniil Polykovskiy, Rim Shayakhmetov, Andrey Filimonov, Philipp Orekhov, Yilin Yan, Olga Popova, Quentin Vanhaelen, Alex Aliper, Yan A. Ivanenkov
https://insilico.com/ncov-sprint/