Nat Commun｜多靶标药物设计新突破

2024年5月6日，Nature Communication上发表了一篇分子生成的文章：De novo generation of multi-target compounds using deep generative chemistry。

作者提出了一种基于结合自编码器和强化学习的方法（POLYGON）来设计双靶标抑制剂。通过将预测的抑制两个靶标的结合能力、类药性、可合成性作为评分函数来不断迭代地采样以生成新的分子结构。随后，通过对靶向十对合成致死蛋白生成的化合物的实验表明POLYGON可以生成与两个靶标同时结合的化合物。此外，还合成了32种预测对MEK1和mTOR均有活性的化合物，实验发现大多数分子浓度在1-10μM时对每种蛋白活性降低超过了一半以上，凸显了该方法在多靶标药物设计中的潜力。

多靶标药物设计研究背景

多靶点药物是指可以同时选择性地作用于两个或多个分子靶点的单一组分的药物，合适的靶点组合可以产生协同作用从而达到相应的治疗效果。单靶点药物在治疗具有复杂的网络调控的疾病如肿瘤、心血管系统和内分泌系统疾病时，往往难以干扰其完整的网络调控而产生较大的毒性，而多靶点药物通过精准调控疾病的多个关键环节，能够显著提升治疗效果，有效减少不良反应，并显著改善耐药性问题，展现出极为广阔的应用前景和巨大的临床价值。

例如，一些研究表明对于KRAS突变的非小细胞肺癌，传统的单靶点药物治疗可能效果有限。因此，采用多药理学的策略考虑到肿瘤微环境或其他相关信号通路的影响表现出了显著的治疗效果。

设计流程

2.1 POLYGON架构部分

POLYGON的核心部分是变分自编码器（VAE），首先将化合物的SMILES表示映射到一个潜在空间的分布上。这个潜在空间通常是连续的，并且维度比原始数据空间低，这使得它能够捕捉数据的潜在表征，解码器将该表征转换回一个有效的分子式（图1a）。作者进一步探索相似的化学结构是否可以结合同一个靶标，首先从BindingDB和Pharos获取了18,763个药靶对。一些靶标（如MEK1和mTOR）相应的化合物在投影空间中有部分重叠，说明这些分子是具有多药理学潜力的（图1b）。

为了生成更多针对两个不同的靶标具有活性的多药理学化合物，还利用强化学习方法首先根据生成的分子抑制两个特定靶点的预测抑制浓度（pIC50）、可合成性和类药性等多个奖励标准进行评分，然后使用分数高的化合物用于下一步迭代，以此得到质量越来越高的化合物（图1c）。这种方法在药物设计、材料科学等领域非常有用，因为它可以用于识别具有特定性质的分子。

图1 POLYGON架构设计流程

实验分析与探究

3.1 针对合成致死癌症蛋白的化合物质量评估

为了探究POLYGON生成合成致死癌症蛋白的化合物质量如何，作者选择了10对合成致死靶标来进行测试，针对每一对靶蛋白选择模型评分最高的前100个化合物。为了模拟这些化合物与其相应的蛋白靶标的相互作用，还使用了AutoDock Vina和UCSF Chimera进行分子对接分析。图2a展示了以前在人类癌细胞中报道过具有合成致死相互作用的靶标，其中不同的颜色对应不同的蛋白质类别，为了探究生成分子对特定靶标的结合能力大小，还分别计算了POLYGON生成的100个多药理学化合物与从Bindingdb中随机选择的100个配体针对不同的靶标对的自由能大小。可以发现POLYGON生成的化合物对每个靶标的自由能明显要优于从BindingDB中随机采样得到的化合物（图2b）。

图2 生成合成致死作用的多药理学化合物的质量评估

3.2 双靶标抑制剂预测

作者选择BindingDB中109,811个化合物和1850个靶标来验证POLYGON预测双靶标抑制剂的能力，图3a对双靶标抑制剂做了一下解释，即存在这样一个（化合物，靶标1，靶标2）三元组，且该化合物针对两个靶标的ic50均小于1μM称之为双靶标抑制剂。由实验可知POLYGON在分类双靶标抑制剂时的准确率可达81.9%（图3b），从ROC曲线和PR曲线可以看出POLYGON在不同活性阈值下仍旧有着较为显著的分类性能（图3c和3d）。

图3 POLYGON对双靶标活性的预测能力评估

3.3双靶标（MEK1/mTOR）抑制剂的合成与验证

作者以MEK1和mTOR的合成致死对为例用POLYGON设计双靶标抑制剂。首先在PDB数据库中获得了MEK1与曲美替尼（MEK1抑制剂）的结构以及mTOR-FRB/FKBP12复合物与雷帕霉素（mTOR抑制剂）的结构。由对接结果可以发现POLYGON生成的化合物IDK12008针对两个靶标都有较低的对接分数，表明具有成为双靶标抑制剂的潜力。

此外，还从中筛选了32个模型预测出的双靶标抑制剂进行合成来验证它们的活性。实验表明大多数化合物的IC50值在1到10μM范围内，且10μM时两种激酶（MEK1/mTOR）活性都减少一半以上。这表明大多数化合物在分子层面和细胞层面的水平是大致一样的，接着进一步挑选出初筛中mTOR和MEK1活性降低最显著的六种化合物，验证了其中四种（化合物IDK12008, IDK12038, IDK12058, 和IDK12065）在1μM浓度下能够将两个靶点的磷酸化活性降低超过50%。最后，根据在无细胞体外激酶测定的IDK12008对mTOR和MEK1的抑制能力的实验发现其与之前在人类细胞中观察到的结果一致（图4）。

图4 mTOR/MEK1抑制剂的设计和合成实验

介绍

作者提出了一种创新的计算模型POLYGON，它能够直接生成针对两个靶点具有活性的多药理学化合物，从而构建了一个多样化的分子结构库。现有的分子生成方法很难设计双靶标抑制剂，为了实现该目标，通过强化学习策略并根据对每个靶点（pIC50）的预测抑制浓度、可合成性和类药性作为评分项，将得分最高的化合物用于重新训练以便生成高质量的分子。

在未来，可以进一步将化合物的选择性纳入排名指标，即收集相关的结构-活性关系（SAR）数据对模型进行额外的训练，从而逐步提高化合物在单一或多个靶点上的作用效果，同时增强其选择性，从而为设计出更多有效和安全的药物奠定厚实的基础。

参考文献

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.