苗头化合物发现与筛选
28篇
一款在小鼠中单剂量治愈的吡嗪-2-甲酰胺类抗疟药进入一期临床
- 通过恶性疟原虫生长抑制筛选,发现了针对红内期疟疾的新型吡嗪-2-甲酰胺系列。
- 先导优化提高了抗疟活性和代谢稳定性,并降低了CYP2D6抑制风险,得到IWY357。
- 在Pf人源化SCID小鼠模型中单剂量即可完全治愈,耐药筛选显示耐药屏障高,并已通过GLP毒理研究进入一期临床。
表型筛选得到的苗头化合物一路推进到临床,并在人源化小鼠中实现单剂量治愈,正是一线药物耐药不断蔓延之下业界所期待的。解决CYP2D6问题对联合用药尤其重要,而短疗程方案的落脚点正是联合用药。单剂量能否成立取决于暴露量,所以我会重点关注人体药代数据。
AlphaLISA筛选平台为ISG15–UBA7相互作用抑制剂的发现打开通路
- ISG15及其E1酶UBA7驱动ISG化修饰,该通路与肿瘤耐药相关,但目前尚无抑制剂。
- 作者建立了检测ISG15–UBA7相互作用的AlphaLISA方法,稳健性指标适合高通量筛选。
- 小型化合物库的先导筛选得到少数命中,其中两个在细胞中也能降低ISG化。
这只是不足千个化合物的先导筛选,命中物算起点而非先导化合物。关键在于,泛素样修饰分子与E1之间的蛋白质相互作用终于有了可筛选的形式。我会用真实的多样性库去跑,并严格做AlphaLISA干扰物的反筛。
高通量筛选平台发现阻断tau与LRP1受体结合的小分子
- 团队以纯化的LRP1配体结合结构域4为核心,建立了荧光偏振、分裂荧光素酶和TR-FRET组成的定量检测体系。
- tau、RAP和一种肽配体竞争重叠的结合位点,各检测形式下亲和力均在纳摩尔范围。
- 基于该平台的筛选发现了抑制该相互作用的小分子,为阻断tau摄取与扩散提供起点。
与受体胞外域的蛋白–蛋白相互作用是难成药靶点,用三种正交检测剔除假阳性的做法很恰当。在苗头化合物于细胞tau摄取实验中显示活性、并且不对ApoE等LRP1其他配体造成广泛影响之前,我会保持谨慎。
High-Throughput Screening Identifies Small-Molecule Inhibitors of the Tau-LRP1 Interaction ↗
HTS来源的共价抑制剂靶向活性GTP结合态KRAS G12C
- 已上市的KRAS G12C药物主要锁定无活性的GDP态并面临耐药;该系列转而靶向活性的GTP结合态。
- 一个含酮基吲哚嗪骨架和苯胺衍生丙烯酰胺的HTS苗头与switch-II口袋中的Cys12共价结合,晶体结构显示弹头与GTP类似物的γ-磷酸相互作用。
- 优化得到的化合物17在临床前物种中具有口服生物利用度,可持续阻断KRAS–cRAF结合和ERK信号,并在胰腺癌异种移植模型中实现肿瘤完全消退。
利用γ-磷酸来定位弹头很巧妙:对GTP态的选择性来自核苷酸本身,而不仅是口袋。我想对比的是RAS(ON)三元复合物抑制剂,后者需要亲环素A而本系列不需要。丙烯酰胺的反应性与全蛋白质组半胱氨酸选择性,在这里也比GDP态结合剂更为重要。
计算辅助选择构建模块,拓宽40万化合物类肽DEL的多样性
- 构建了三轮合成、含403,200个化合物的类肽DEL,并利用4,774种商品化氨基酸的化学空间模型寻找代表性不足的构建模块。
- 针对三个靶点进行亲和筛选以比较文库性能。
- 针对碳酸酐酶II的筛选回收了已知的磺酰胺药效团,支持了计算辅助设计思路。
在CA II上回收磺酰胺只是预期中的合理性检验,并不能证明覆盖了类先导化合物空间。类肽DEL常给出体积大、极性强的命中,所以我更看重脱离DNA后有多少选中化合物落在可用的性质空间,以及另外两个靶点的表现。
仅筛选不到0.1%的化合物库即获得QPCT/L抑制剂工具分子BI-3614
- QPCT及定位于高尔基体的QPCTL将N端谷氨酰胺转化为焦谷氨酸,影响Aβ寡聚化、趋化因子稳定性和CD47–SIRPα信号。
- 基于与已知抑制剂活性构象的相似性,仅挑选内部化合物库不到0.1%进行虚拟筛选,即得到新骨架并显著加快了命中发现。
- 对喹唑啉酮(quinazolidinone)系列进行结构导向优化,得到活性优于既往抑制剂的细胞工具化合物BI-3614。
只筛了不到千分之一的化合物库仍能挖出新骨架,说明基于构象相似性的检索效率很高。以往的QPCT抑制剂依赖金属结合基团,所以一个新的细胞活性系列对研究CD47焦谷氨酸化生物学很有帮助。我最先要核查的是QPCT与QPCTL之间的选择性。
Scope库：介于片段与完整分子之间的化学空间，获得易于优化的苗头化合物
- Scope定义了介于片段与高度修饰的低分子量库化合物之间的化学空间，强调化合物质量、配体效率和选定的理化性质范围，使苗头化合物在药物化学上易于优化。
- Scope环系（ring-X-ring）用于组织该化学空间，并指导有意识的官能团化以获得低至中等微摩尔活性；约1万个化合物的集合适用于SPR、原生质谱、DSF和生化方法的中通量筛选。
- 在锥虫CLK1、14-3-3/ERα分子胶项目和SARS-CoV-2 Mpro的案例中，其一次筛选命中率与多样性库相当，而反筛后的配体效率更优。
老实说，我喜欢这里的思路：筛出来的苗头能直接上手做。这个库介于片段和完整分子之间，以配体效率为核心，ring-X-ring 骨架还提示了下一步该在哪里官能团化。约1万个化合物的规模适合SPR、原生质谱和DSF，小团队也跑得动。我关心的是：一次命中率与多样性库相当、反筛后LE更优的结果，能否在这三个靶点之外站得住，以及环系限制会在多大程度上压缩骨架新颖性。
覆盖九种人DNA糖基化酶的小分子抑制剂公开筛选数据集
- 北欧联合团队为启动碱基切除修复的11种人DNA糖基化酶建立了高通量生化检测平台。
- 化学基因组学库针对其中检测质量足以判定命中的九种酶进行筛选,得到初筛和浓度-响应数据,并发现多个此前未报道的抑制剂。
- 全部数据、实验方案和元数据均公开。
糖基化酶在化学上长期被忽视,覆盖九种酶的带注释公开筛选,是命中发现团队可直接挖掘的起点材料。化学基因组学库带有靶点注释,有助于判断机制和选择性。核酸酶类筛选以假阳性著称,我会第一时间排查命中化合物的检测干扰和DNA结合剂假象。
A high-throughput screening dataset of small-molecule inhibitors across human DNA glycosylases ↗
自动化配体检测NMR平台加速药物发现中的命中化合物分级
- 介绍了一种自动化、高通量的配体检测核磁共振(NMR)方法,专为药物化学中的命中化合物分级(hit triage)而设计。
- 该方法被定位为可对筛选命中化合物进行快速、定性结合评估的手段。
- 更偏向平台/方法学层面的进展,强调通量与流程自动化,而非针对单一靶点或化合物系列的研究。
NMR给的是结合模式,不只是"结合与否"——这是SPR和TSA给不了的筛选力度,尤其对那些吃掉你一整周时间的乱结合频繁命中化合物。如果这套自动化真能在HTS规模下稳定运行,它能当作送入共晶队列前的快速确认步骤,而不是取代它。
新平台直接筛选粗反应混合物,简化药物发现流程
- 本文介绍了一种“直接生物筛选”(D2B)平台:候选化合物以小规模合成后,未经纯化的粗反应混合物即被直接用于生物活性测定。
- 该方法将微量化、适配自动化的合成手段与快速生物学检测相结合,旨在缩短早期苗头化合物发现与化合物库探索阶段的“设计-合成-测试”周期。
- 该工作属于当前药物化学领域日益兴起的D2B方法学潮流,可用于加速多种化学类型中苗头化合物的识别。
跳过纯化才是真正的亮点——筛选几百个类似物时,能从DMT周期里砍掉好几天。但在盲目相信粗反应混合物的活性之前,我想看到残留催化剂/副产物导致假阳性率的确切数字;适合快速SAR初筛,不适合直接送去做确证性量效关系实验。
两步法合成拓展共价遗传编码大环肽文库的弹头多样性
- 报告了一种构建共价遗传编码大环肽文库(cGELs)的两步合成法:先通过二酮"锚点"连接两个半胱氨酸形成大环,再通过独立的Knorr-吡唑反应安装亲电"弹头"。
- 将成环(碱性条件)与弹头安装(酸性条件)分开进行,避免了早期一步法化学翻译后修饰产生的位置异构体混合物问题。
- 这使得可以安全使用更多样、反应性更强的亲电试剂,拓宽了在DEL式筛选中可用于靶蛋白选择的共价化学型范围。
在解析共价DEL/GEL的活性化合物时,位置异构体混杂是最让人心里没底的——你根本分不清信号是真实的还是杂乱亲电试剂混合物带来的假象。将环化步骤与Knorr吡唑弹头安装步骤分开后,终于可以放心筛选超越丙烯酰胺/氯乙酰胺这类常规弹头的、反应性更强的新型亲电试剂,而不必怀疑每个命中化合物的真实身份。
TrmD:抗菌新靶点及小分子抑制剂发现策略综述
- TrmD是SPOUT家族细菌tRNA甲基转移酶,在人体中没有对应酶,在抗菌药物耐药性不断上升的背景下,被视为一个已获验证的抗菌靶点。
- 该综述梳理了用于发现TrmD小分子抑制剂的多种策略,包括基于片段的药物设计、高通量与虚拟筛选、基于点击化学的直接生物学筛选、分子杂交以及前药策略。
- 文章还总结了这些不同化学骨架间的结构特征与构效关系(SAR),为后续抑制剂优化提供参考。
TrmD没有人类同源蛋白才是这篇综述真正的卖点——意味着难得地拥有宽治疗窗口,不用太担心脱靶毒性,这在抗菌药物研发里并不多见。最值得关注的是点击化学/直接生物筛选这条路线:不必把每个类似物都做全合成就能快速迭代SAR,对于这种骨架高度分散的靶点,在真正找到兼顾谱系和药代动力学的候选物之前,这恰恰是最需要的打法。
TrmD: A Promising Antibacterial Target and Its Small-Molecule Inhibitors ↗
机器学习与对接方法在DNA编码文库筛选中的泛化能力参差不齐
- 该研究利用DNA编码文库(DEL)筛选数据,对机器学习、基于物理的对接方法及共折叠方法在蛋白质-配体结合预测中的表现进行了基准评估。
- 比较的方法包括最新的机器学习模型,以及基于物理的对接工具(Schrodinger Glide、Rosetta GALigandDock)和共折叠方法Boltz-2。
- 真实结合数据来自针对三个生物学上具有多样性的蛋白质靶点、涵盖多种DEL合成格式的超大规模DEL筛选实验。
- 该研究延续了此前一项NeurIPS竞赛的发现——即使是基于DEL数据训练的顶尖机器学习模型,也无法泛化到分布外(OOD)化学空间。
- 机器学习模型在分布内表现良好,但在分布外的命中判别能力取决于具体靶点和配体背景,没有一种方法能在所有情况下始终占优。
- 作者认为,基准测试表现本身不足以预测分布外泛化能力,并发布了开源工具包DEL-iver,用于评估结合预测方法在DEL筛选数据上的表现。
这篇论文,我会转给任何想用单一ML模型取代对接重打分步骤的人看。"没有一种方法能在OOD场景下全面碾压其他方法"这句话说透了一切——实际做hit triage时,面对的永远是模型没见过的骨架,而基于分布内DEL数据跑出来的benchmark AUC,几乎无法预示它下周会怎么给你的新颖化合物排序。这不是要否定ML——Boltz-2之类的方法作为快速过滤器确实好用。但这恰恰说明,基于物理的对接/共折叠方法该一直并行跑,而不是等ML结果看着不靠谱时才拿出来救场。靶点和配体的context依赖性这么强,也意味着没法在公司内部一刀切地定死"最佳流程",每换一个靶点、一个化学型都得重新验证。DEL-iver开源这件事很实在——比起相信供应商用Tanimoto相似度美化过的内部数据,大家共用一个OOD基准靠谱得多。
全新化学空间概念“Scope”在三个药物靶点上产出高配体效率先导化合物
- “Scope”是一个介于极简片段库与完全优化的低分子量(LMW)化合物库之间的化学空间概念,规模约为1万至5万个化合物,旨在最大化配体效率与药物化学可操作性。
- 作者提出“Scope环系”(ring-X-ring)作为库设计与后续功能化以获得足够效力的核心组织原则。
- 通过表面等离子共振(SPR)、天然质谱、差示扫描荧光法(DSF)及生化检测评估的万级Scope筛选集,在更高筛选浓度下仍能保持与常规多样性化合物集相当的初筛命中率,同时表现出更优的配体效率,并在反筛选后拥有更高的命中率。
- 针对锥虫CLK1激酶、14-3-3/雌激素受体α分子胶项目以及SARS-CoV-2主蛋白酶的案例研究表明,该化合物集能在不同结合位点上产出多样、易于优化且配体效率高的先导化合物。
"介于片段库和成品化合物库之间"这个定位本身并不新鲜——DEL、FBDD、各家自建库都这么宣传过。Scope真正新鲜的是"ring-X-ring"这种搭建逻辑:不是从单一平面骨架出发,而是强制从两个环系统上引出取代基方向,这样从拿到hit的那一刻起就自带SAR拓展的矢量——这恰恰是传统片段筛选项目通常要后期才补上的东西。 对我来说真正有意义的数字不是初筛命中率,而是"counter-screening之后命中率更高"这一点——意味着少追几周SPR伪信号和聚集体假阳性。 真正的试金石是14-3-3/ERα分子胶案例:PPI/分子胶靶点通常没有深口袋可以撑起配体效率,常规库很难啃得动。如果这套刚性、中等规模的骨架集能种出一个分子胶hit,那才是值得关注的"可迁移性"证据,比Mpro或CLK1上的成功更说明问题。
基准研究揭示Keap1-Nrf2虚拟筛选中的AI评分盲点
- 一项新的基准研究考察了一条虚拟筛选流程,该流程将基于结构的共折叠(co-folding)模型与学习型亲和力评分相结合,这种组合在计算药物发现中正变得越来越常见。
- 该级联流程被应用于Keap1-Nrf2蛋白-蛋白相互作用(PPI),该靶点因结合界面平坦、极性较强而长期被视为难以成药的目标。
- 作者并未仅凭最终排序结果做判断,而是分别评估了流程中每一阶段的评分是否与具有实验意义的信号相符。
- 研究识别出若干具体环节,其中某阶段的评分会与真实信号脱节,这种失效模式可能误导下游化合物的优先排序。
- 论文提出了从业者在信赖级联流程最终命中列表之前,应在每个阶段执行的控制检查措施,并将该工作定位为方法学与可靠性研究,而非报告新型抑制剂。
Keap1-Nrf2正是那种co-folding模型能自信地摆出一个像样构象、亲和力评分又会莫名其妙把它排到榜首的平坦、极性PPI靶点——所以这篇把级联拆开逐级验证的论文,对我来说比又一篇"我们找到了苗头化合物"的论文更有用。 我想从中拿到的是一份清单:在让自家或供应商这套流水线的前20个化合物进入合成排期之前,先照着跑一遍。如果co-folding的置信度和亲和力评分开始悄悄背离,那正是会把几周时间烧在根本没有真实信号的化合物上的典型失效模式。 这里没有新的化学结构,也没有值得追的结合模式——只是提醒一句:对这么难啃的靶点,排名列表本身从来不是质控环节。归入"下单前先读"一类,不是"当阻断剂新闻读"。
新型基于片段的对接方法解决长而柔性的多肽配体难题
- 研究人员开发了一种名为STELLAR的新对接工作流程,旨在解决现有工具长期存在的短板:难以处理超过约10个亚基的长链、高度柔性的多肽及其他生物聚合物配体,原因是其构象自由度极大。
- STELLAR将长链配体分解为较小的片段并分别进行对接,随后借助GNINA、RDKit和GROMACS等成熟软件将各片段重新组装,得到物理上合理的全长构象。
- 在基于Propedia数据库和蛋白质数据库(PDB)中已知的多肽-蛋白质复合物进行的验证中,该方法能够以较高准确度重现实验观察到的结合姿态。
- 与其他先进对接工具相比,STELLAR主要依赖CPU运行、计算时间随配体长度线性扩展、运行速度更快,并提供专用排序指标,适合用于长链聚合物-蛋白质相互作用的高通量筛选。
标准对接工具让我失去信心的临界点,大概就在10个残基左右——超过这个长度,链的构象自由度太大,结果往往只能手动加约束,或者干脆放弃。把长链拆成片段分别对接再重新拼装,这个思路很实际;用GNINA、RDKit、GROMACS这些成熟软件而不是黑箱神经网络,意味着可以真正检查中间构象。最实用的一点是纯CPU运行、线性扩展,不用排GPU队列,也不用花云计算的钱,晚上在工作站上跑一个订书肽库就行。大多数机器学习对接工具只给一个分数,没有靠得住的排序依据;而这里针对长链配体专门做了排序指标,这在同类工具里确实少见。不过要提醒一句,Propedia和PDB上的基准测试都是已知复合体,能重现晶体构象不代表在没有解析结构的全新靶点上也能正确排序。值得先试跑一下,但不能盲目直接上手用于关键项目。
STELLAR: A Fragment-Based Docking Workflow for Highly Flexible Long-Chain Biopolymers ↗
动态组合化学发现亚皮摩尔级凝血酶抑制剂
- 研究人员采用了动态组合化学(DCC),这是一种先导化合物发现方法:可逆的化学构建单元在靶标存在下不断组合与重组,使靶标本身能够挑选出与其结合最强的组分。
- 一种新平台以短肽核酸(PNA)标签为模板,构建三片段组合,形成一个包含12.5万种三价组装体的文库,用于针对凝血酶进行筛选。
- 候选复合物通过尺寸排阻过滤分离,并通过MALDI质谱鉴定,使从筛选到读出的整个流程可在一小时内完成。
- 凝血酶优先富集能同时结合其活性位点及两个外位点的组合,这种三价结合模式是其超高结合亲和力的基础。
- 最终获得的组装体是一种完全可逆的抑制剂,具有亚皮摩尔级亲和力,并实现了接近化学计量比的凝血酶抑制效果。
DCC长期以来都被DEL和FBDD盖过风头,但这个结果可能会改变这一局面——通过PNA模板化和MALDI读出实现的不到一小时的选择-读出周期,正说明了长期以来阻碍DCC实用化的真正瓶颈(缓慢的动力学和繁琐的分析手段)正在被逐步解决。不过,这种亲和力可不是靠运气得来的——研究者刻意设计了一个三价配体,让它同时桥连凝血酶的活性位点和两个外位点,这是对已被充分解析的外位点结构的理性利用,是教科书式的多价策略。但我也保持一份怀疑:一个PNA模板化的三价组装体能达到亚皮摩尔级亲和力,几乎可以肯定分子量大、带电性强、成药性不佳。在看到分子量、PK和口服生物利用度的数据之前,我更愿意把它看作一个工具化合物或长效注射候选物,而非口服药物苗头。尽管如此,作为DCC应用于其他富含外位点的多靶点的概念验证,这套方法值得借鉴。
Discovery of a Reversible Sub‐Picomolar Thrombin Inhibitor Using DCC ↗
AI筛选管线锁定可用于阿尔茨海默病的CASP4抑制剂再利用候选药物
- CASP4是一种与阿尔茨海默病相关的炎症性半胱天冬酶,一个新的计算药物重定位流程正是围绕它展开,用于从DrugBank数据库中筛选潜在抑制剂。
- 该流程将基于对接评分的优先排序与ChemBERTa语言模型嵌入及理化描述符相结合,用于训练机器学习分类模型。
- 研究人员使用随机森林分类器和回归模型来识别可能具有活性的化合物,并根据预测效力对其排序。
- 后续的化学信息学分析、PK-PD评估和分子对接将候选化合物范围缩小至五个。
- 随后进行的分子动力学模拟和MM/PBSA自由能分析评估了结合稳定性,结果显示DB05316和DB00519这两种化合物的预测结合情况优于参照药物多奈哌齐。
- 作者将该流程作为一种针对新靶点优先筛选再利用化合物的通用策略提出。
对接→ChemBERTa嵌入→随机森林→MD/MM-PBSA,五级漏斗筛到两个化合物,听起来很严谨,但每一级都有各自的假阳性率,叠加多层过滤并不能保证误差相互抵消——尤其是MM/PBSA用来给结构毫不相关的配体做绝对值排序,这一点业内早已公认不太靠谱。筛得越狠,有时反而是在把假阳性打磨得更漂亮,而不是把它们筛掉。 放到当下AI驱动的先导化合物发现浪潮里看,这类工作的定位很清楚:不是生成全新骨架,而是让已知化合物库的筛选速度更快——这是个真实存在、也在扩大的细分方向。 真正的优势在于DrugBank出身:DB05316和DB00519已经带有ADMET、安全性和制剂数据,从候选物走向IND准备工作,不用再补合成或毒理包。 但这些都替代不了结合实验。在CASP4活性被生化实验验证之前,这只是一份排好序的假设清单,还称不上“命中”。
新型筛选平台发现USP7非抑制性配体,助力DUBTAC稳定CFTR蛋白
- 能结合去泛素化酶(DUB)却不抑制其催化活性的配体极为难找。为解决这一难题,研究人员构建了一种新的珠上邻近驱动功能筛选平台。
- 这类非抑制性DUB配体对构建DUBTAC(去泛素化酶靶向嵌合体)至关重要——这是一类双功能分子,通过招募DUB去除底物蛋白上的泛素标记来使其稳定,机制与基于降解的传统靶向蛋白降解(TPD)相反。
- 这种稀缺性,正是DUBTAC开发迟迟难以推进的关键瓶颈。
- 利用该平台,研究团队发现了一种此前未见报道的USP7非抑制性配体。
- 将该USP7配体与CFTR结合基团偶联后,获得了DUBTAC先导化合物WJ045,其在细胞中有效稳定了CFTR蛋白水平。
- 该结果证明了该平台在发现DUB招募配体和推进靶向蛋白稳定化疗法方面的潜力,并与囊性纤维化相关生物学具有相关性。
非抑制性DUB配体说起来容易做起来难——需要一个占据USP7但不碰触催化口袋的结合物,常规的活性抑制筛选在这里完全用不上。真正有意思的是这套珠上邻近驱动的功能筛选平台本身:比起分子,能否推广到其他DUB靶点才是解决这个瓶颈的关键。DUBTAC这些年一直是降解剂化学的冷门镜像——大家都在追PROTAC,几乎没人手里握着能用的DUB招募配体。WJ045能稳定CFTR是个不错的概念验证,和囊性纤维化生物学挂上了钩,但目前只是单一的细胞稳定化读数——还想看看它在USP家族里的选择性,以及这个平台能否真的再筛出一个不相关的DUB配体。
内质网靶向近红外探针助力hCES2A抑制剂的高通量发现
- 近红外荧光探针PA-HDCI以HDCI骨架为基础,被设计为定位于内质网(ER),可在活细胞和动物体内实时报告人羧酸酯酶2A(hCES2A)的活性。
- PA-HDCI具有大斯托克斯位移、高代谢稳定性和可靠的内质网靶向性,能够在多种生物系统中对hCES2A功能进行原位实时成像。
- 利用PA-HDCI建立的高通量筛选方法,研究团队鉴定出化合物A4,一种对hCES2A具有极高效力的共价抑制剂。
- hCES2A是肠道内负责将化疗药物伊立替康转化为其毒性活性代谢物的关键酶,是导致伊立替康所致肠道毒性(IIT)的主要因素。
- 在荷瘤小鼠模型中,A4表现出良好的安全性,并在维持疗效的同时减轻了伊立替康相关的肠道毒性。
- 该研究不仅提供了一种新的成像工具,也建立了一个用于发现hCES2A靶向药物的验证平台。
这次的看点首先是探针设计本身:在HDCI骨架上同时实现内质网选择性定位和大斯托克斯位移,不是随手拼凑的荧光试剂,而是能在细胞内保持稳定光物理性质的扎实工程。 真正的价值在于方法学上的转变:一个原本用于机制成像的工具直接充当HTS读出,把hCES2A活性变成活细胞乃至活体内可筛选的表型,弥合了生化检测与细胞真实环境之间常见的脱节。 靶点本身并不新颖——hCES2A早已是将伊立替康活化为肠毒性代谢物的脱靶风险酶,这更像是一次“修补副作用”的努力,而非开辟新机制。 A4是HTS筛选出的共价先导化合物,小鼠数据令人鼓舞,但接下来仍需走完共价命中化合物的常规验证:反应性谱分析、在酯酶家族内的选择性评估以及构效关系优化。
高通量筛选发现已知GABA-B调节剂CGP7930可作为增强心脏线粒体生物能量学的强效MCU激活剂
- 研究团队筛选了由1,280种已知生物活性化合物组成的化合物库,以寻找线粒体钙单向转运体复合物(MCUc)的药理激活剂——该靶点目前普遍缺乏高效、高选择性的激动剂。
- 筛选发现,原本已知作为GABA-B受体别构调节剂的化合物CGP7930能够强效激活线粒体钙摄取,凸显了针对这一难成药靶点进行药物重定位的价值。
- 后续机制研究表明,该激活作用依赖于MICU1(单向转运体复合物中的关键调控亚基),提示其作用机制具有特异性,而非非特异性膜效应。
- 线粒体钙内流增强进而改善了心脏收缩相关的生物能量学表现,提示其可能对心脏能量代谢受损相关疾病具有治疗意义。
- 这项工作提供了一个有价值的药理学工具化合物,并为开发更具选择性的下一代MCU激活剂奠定了基础。
CGP7930被筛出来当上MCU激活剂,这种命中兼具惊喜和麻烦,是典型的双刃剑。真正有意思的是它依赖MICU1——说明它不是靠非特异性地打穿膜或硬闯孔道起作用,而是作用在调控亚基的界面上,这正是做SAR、找选择性把手时梦寐以求的性质。 可这个分子本职工作是GABA-B正向别构调节剂,在把它当先导化合物之前,我得先做反筛,搭一套SAR系列,把GABA-B亲和力压下去同时保住MCU激活活性——这是多靶点药理学分拣的标配动作,不是额外加分项。 老药新用这条路能带来PK/毒理数据,但给不了真正的知识产权或优化过的活性,顶多算个起点,离先导化合物还远。 不过话说回来,MCU的工具化合物储备一直这么单薄,任何经过验证的化学物质都值得追一追。
AI共折叠模型Boltz-2助力高效发现AKR1B10抑制剂
- AKR1B10是一种在多种癌症中高表达的醛酮还原酶,是一个颇具潜力但难以攻克的药物靶点。
- 研究团队利用基于AI的蛋白质-配体共折叠模型Boltz-2,对一个化学结构多样的大型化合物库进行计算筛选,并从中挑选出一小部分具有充分多样性的候选化合物用于实验验证。
- 对这份候选清单的实际测试显示,其中大多数化合物都表现出对AKR1B10的抑制活性,命中率异常高。
- 在确认的活性化合物中,有多个达到了亚微摩尔级别的效力,并具有此前未见报道的全新化学骨架。
- 这一结果表明,共折叠AI模型是将计算预测转化为可实验验证先导化合物的高效实用途径,有望减少对大规模盲目筛选的依赖。
• 一份刻意做了多样性的小规模候选清单,大多数化合物真的打出了抑制活性。这个命中率不是HTS式的运气能解释的,说明模型确实学到了结合口袋的某些信息,而不是那种我通常要打折扣看的对接分数。 • 全新骨架才是真正的亮点,但兴奋之前我想先看SAR:效力是不是压在某个单一的特权片段上,还是真的存在可优化的方向?前所未见的化学型一上来就是亚微摩尔,通常意味着还有提升空间,而不是已知还原酶配体的死胡同类似物。 • AKR1B10和AKR1B1(醛糖还原酶)关系很近,选择性才是这里的真正考验——没人想要一个脱靶问题一堆的“脏”醛酮还原酶泛抑制剂。 • 目前只是一个靶点、一次实验。在没看到它在结合口袋不那么“配合”的靶点上重现之前,我不会把共折叠模型当成取代系综对接/FEP的默认初筛手段。有前景,但还没被证明——不过命中发现的大方向确实在往这边走。
Efficient Discovery of Potent AKR1B10 Inhibitors Using Co-folding Model Boltz-2 ↗
SuFEx点击反应助力DNA编码大环肽库高效构建
- DNA编码文库(DEL)技术可筛选超大规模的大环肽集合以寻找药物发现中的先导化合物,但高效的DNA上环化反应一直是瓶颈。
- 一种新的DNA上大环化方法利用硫(VI)氟交换(SuFEx)——一种快速的点击型反应——直接在DNA标签上完成肽环的闭合。
- 该设计将一个酚羟基和一个芳基磺酰氟基团嵌入同一条DNA标记肽链中,使两个基团能够发生分子内反应。
- 只需将该构建体溶于碱性水溶液缓冲液中,即可在无需额外催化剂或苛刻条件下实现快速、高转化率的环化。
- 该方法能够高效、高产率地构建超大规模DNA编码大环肽库,拓展了可用于DEL基础靶点发现的化学空间。
DNA标记化学是好的click反应容易翻车的地方——CuAAC要用铜,容易伤害条形码;大多数偶联反应会产生截断副产物,得在HPLC上追好几个星期。SuFEx这次是真的契合这些限制:不需要金属,不需要偶联试剂,只是一个酚和一个芳基磺酰氟在碱性水溶液里自己反应起来。这才是"click"化学在DEL里名副其实的样子,而不只是蹭个概念。零催化剂还能高转化率,意味着QC工作会变得很"无聊"——这是好事。池子里截断/未环化的副产物少了,下游钓出来的hit更可能是真信号,而不是最差一步反应带来的假象。大环肽本身就占据了小分子和生物药之间那块诱人的化学空间,而一个干净的环化步骤才能让文库在不牺牲质量的前提下做大做多样。这种不起眼的方法学进步,恰恰是不断解锁下一代DEL文库的关键。
SuFEx Cyclization Enables DNA-Encoded Macrocyclic Peptide Libraries for Drug Discovery ↗
多模态深度学习框架靶向耐药菌并同步筛查细胞毒性
- 抗菌药耐药性(AMR)正在缩小针对金黄色葡萄球菌(SA)和淋病奈瑟菌(NG)等重点病原体的治疗选择,促使人们关注新型计算发现工具。
- MAPViS是一种多模态深度学习框架,通过门控融合机制整合分子图、分子指纹以及描述符/三维几何特征,并在约1000万个分子上通过分层伪标签分类和掩码图对比学习进行预训练。
- 经微调后,该模型可联合预测化合物对SA和NG的抗菌活性,以及在三种人类细胞系(HepG2、HSkMC、IMR-90)中的细胞毒性风险。
- 在基准测试和外部验证数据中,MAPViS在SA任务上表现出较强的早期富集性能,排名前十的候选化合物全部经实验证实具有活性,而在NG任务上的泛化能力则相对有限。
- 作者认为MAPViS是一种可扩展的联合活性-毒性建模工具,可用于支持抗菌药虚拟筛选。
这是配体导向而非结构导向的模型——没有把靶点结构信息放进循环,所以一旦超出约1000万分子预训练化学空间、跨入陌生的靶点类别,我就会担心它的适用范围。活性与细胞毒性联合预测才是真正的差异化亮点:把HepG2/HSkMC/IMR-90的毒性标记直接并入同一份排名列表,省掉了我平时手动做的counterscreen那一步——这是真省时间,不只是方便。但金黄色葡萄球菌(前十全部实验验证活性)对比淋球菌("中等")的落差说明了问题:表现更多取决于每个病原体的训练数据密度,而不是真正的抗菌化学型直觉。在新靶点上信任这份排名列表之前,我想看到按病原体分层的校准曲线和确认过的真阴性样本,而不只是前十命中率。作为便宜的pre-HTS初筛工具还不错;但替代不了结构导向设计或真正的counterscreen。
可逆功元动力学实现快速苗头化合物筛选,同时揭示AI共折叠方法的记忆偏差
- 虚拟筛选常因快速但近似的评分函数而产生假阳性,而能够筛除这些假阳性的高精度自由能计算方法,对于常规高通量应用而言成本仍然过高。
- 作者提出了CTMD(基于c(t)的元动力学)方法,利用源自若干条独立、短时的阱势增强元动力学轨迹的非平衡可逆功估计量c(t)对结合稳定性进行排序,无需获得收敛的结合自由能。
- 在多种靶点和化学型上的测试表明,CTMD在保持快速、可迁移且几乎无需参数调整的同时,实现了稳健的早期富集效果。
- 作者还对AI共折叠方法进行了基准测试,发现Boltz-2的富集效果与其训练集相似度成正比,即便对活性位点进行大幅改造后仍是如此,提示其表现可能部分源于"记忆"而非真实的结合物理。
- CTMD被定位为介于快速对接/共折叠筛选与昂贵自由能计算之间的开源中间方案,旨在减少药物发现项目中人力和资金的浪费。
对接和全套FEP计算之间,一直缺一个分诊环节,这个方法正好补上了这块空白。单靠对接打分来决定合成优先级太粗糙,而对每一个虚拟筛选命中都跑FEP,无论预算还是周期都吃不消。CTMD用短时、独立的元动力学轨迹加c(t)估计量,恰好卡在这个位置上,真有可能改变我们最终送去合成的化合物——而且不需要一整个计算集群。开源、基本不用调参,意味着不用专人盯着也能用起来。 Boltz-2那个发现是我会提醒团队的一点:哪怕对活性位点做了改造,富集效果依然跟训练集相似度挂钩,这说明它很可能是在对已知化学型做模式匹配,而不是真正在评估结合物理。这对我们正在追的那些新颖骨架来说,恰恰是个陷阱。
Early-Enrichment Hit Discovery via Reversible-Work c(t) Estimation in Metadynamics (CTMD) ↗
双环肽库首次发现靶向难成药受体Siglec-7的非糖类抑制剂
- 利用“双环遗传编码肽库”(BiGEL)——通过化学方法将噬菌体展示肽固定为双环结构——研究人员搜寻了针对Siglec-7的抑制剂,该受体是公认极难用小分子靶向的糖结合型免疫受体。
- 通过下一代测序分析针对Siglec-7的淘选结果,筛选出数百个候选序列,其中一部分经表面等离子体共振确认为真实结合物,并通过竞争ELISA验证其能阻断Siglec-7与GD3的相互作用;机器学习模型还从测序数据中识别出活性相近的其他抑制剂。
- 构效关系研究表明,双环拓扑结构本身对活性至关重要;NMR研究发现其中一个优化先导物的结合位点并非位于经典的糖结合结构域,提示可能存在别构结合机制。
- 基于细胞的多价结合实验证实了其与Siglec-7的结合,但也观察到对不表达该受体的细胞存在明显的非特异性结合,凸显了后续优化中亟待解决的选择性问题。
真正的看点其实是那个别构位点——这个双环肽结合在经典糖结合口袋之外的位置,而大家一直以为这个靶点只有糖识别结构域可成药。对Siglec-7来说这确实令人兴奋,也开辟出一条完全不同于直接与唾液酸竞争的SAR路线。不过,细胞实验里出现的非特异性结合,在我对任何一个先导物产生感情之前都得先解决——多价效应带来的表观亲和力很容易掩盖平庸的核心结合力,这正是后期会把项目拖垮的那类假象。双环肽这个化学类别本身值得押注:易于合成,化学稳定性足以支撑反复的SAR优化,也不像DEL来源的小分子那样受制于平坦浅表的拓扑结构。
预注册研究显示:许多"虚拟筛选改进"可能只是统计噪音
- 这篇预印本探讨了一个基础性的方法学问题:在典型规模的基于结构的虚拟筛选基准测试中,两种方案之间在AUROC或富集度上的差异,究竟能在多大程度上被统计学意义上可靠地区分开。
- 作者没有默认基准测试比较结果天然可靠,而是首先直接测量了这种可分辨的"分辨率极限"。
- 随后,他们对对接/打分流程的六项干预措施进行了预注册,并将每一项都与测得的分辨率极限进行对照检验,而非事后挑选"成功"结果来报告。
- 这种预注册设计旨在防范虚拟筛选文献中时有出现的选择性报告问题,即把仅在特定基准上出现的微小提升当作普遍适用的改进来呈现。
- 该研究并未提出新的抑制剂或特定靶点,而是一项关于应当如何评估虚拟筛选改进方法的方法学/严谨性研究。
- 其实际意义在于:许多已发表的虚拟筛选性能提升声明,可能落在典型基准测试的噪声范围之内,因此先导化合物发现团队应谨慎对待仅基于单一基准得出的改进结论。
今后评估各家VS供应商的宣传话术,我都想拿这篇论文当标尺。如果所谓的'方案改进'连基准测试规模下AUROC/富集度的噪声下限都跨不过,那就不是改进,只是套上路演PPT外壳的抛硬币。六项预注册干预是很高的门槛——说实话,我们大多数人做筛选项目前都不会真去预注册,但至少可以要求合作方汇报相对于分辨率极限的效应量,而不是只报一个漂亮的AUROC提升数字。对我来说最扎心的启示是:co-folding那套热潮(Boltz-2之类)也该接受同样的检验——如果这些模型只是在对PDB附近的化学型做模式匹配,那它们在公开基准上'战胜'经典对接/自由能微扰的战绩,可能只是记忆而非真正的泛化能力。单凭这点证据,我还不会把FEP换成黑箱模型。
从源头沉默PARP1:靶向启动子G-四链体的小分子有望绕开PARP抑制剂毒性
- 与已获批的PARP抑制剂(PARPi)通过抑制或捕获PARP1蛋白本身的方式不同,该研究转而靶向PARP1基因的启动子区域,力图在转录水平下调PARP1的产生,从而规避PARPi捕获机制所引发的血液毒性及耐药问题。
- 该启动子区域可形成一种带有腺嘌呤凸起(adenine bulge)的非经典(3+1)混合型G-四链体(G-quadruplex)结构,这是此前未被开发利用的独特DNA折叠方式。
- 研究团队结合计算建模与生物物理学表征,鉴定出一种能够选择性结合这一特殊G4构象的小分子化合物。
- 在多发性骨髓瘤(MM)细胞中,该化合物可下调PARP1表达、扰乱下游DNA修复通路,并诱导与DNA损伤相关的细胞凋亡。
- 同时,该化合物对健康血细胞的影响较小,提示其可能拥有区别于传统PARP抑制剂毒性谱的治疗窗口。
最耐人寻味的是这一招:不打活性位点,而是攻击启动子来沉默PARP1。市面上的PARP抑制剂(奥拉帕利、尼拉帕利、他拉唑帕利……)无一例外都是通过捕获或抑制PARP1蛋白起效,血液学毒性和"捕获"相关的耐药几乎是这种机制自带的代价。通过G-四链体在转录水平掐断表达,理论上可以整体绕开这套毒性谱。不过G4靶向小分子这条路并不好走——真正的失败点往往不是效力,而是在基因组中海量G4形成序列里保持选择性。再加上这个带腺嘌呤凸起的(3+1)混合型折叠是个真正新颖的口袋,这既意味着有意思的构效关系(SAR)空间,也意味着没有前人经验可循。目前仍处早期——只是在MM细胞里验证过的苗头化合物,离先导化合物、更别说候选药物,还有很长距离。值得关注,但还不到下注的时候。