基于片段的药物发现(FBDD)
12篇
亲电试剂优先筛选发现E2酶UBE2D2的共价氨基噻唑抑制剂
- 结合亲电试剂优先筛选与X射线晶体学,得到可同时作用于UBE2D2两个半胱氨酸(C85和C111)的共价命中物。
- 依据结构对酰胺和酯基团做SAR优化,消除了对C111的结合,同时提高了对C85的亲和力。
- 优化后的类似物在体外抑制UBE2D2活性,并抑制A549肺癌细胞增殖。
E2酶长期被视为难成药靶点,有晶体结构支持的共价系列因此本身就是一步进展。设计上的亮点是把第二个半胱氨酸的结合“调掉”,这正是称其为探针前必须做的事。接下来我想知道它对UBE2D家族其他成员的表现,毕竟活性位点半胱氨酸高度保守,选择性才是难点。
共价片段触及SHP2变构“闩锁”位点的赖氨酸
- 结合“亲电试剂优先”的共价片段筛选与“配体优先”策略,靶向磷酸酶SHP2变构“闩锁”位点上的赖氨酸。
- 计算与实验分析支持其结合模式,作者称由此得到该位点上首批高活性、具细胞活性的变构共价抑制剂。
- 这表明闩锁位点可被共价靶向,为新型SHP2变构骨架开辟了道路。
针对赖氨酸的共价化学远比半胱氨酸罕见,因此真正在赖氨酸上做出细胞活性苗头的工作流程,比SHP2本身更值得带走。我的保留意见是反应性与稳定性:赖氨酸亲电试剂可能易水解或可逆,在称其为探针之前,我想先看全蛋白质组选择性数据。
Fragment-Based Covalent Targeting of Lysines at the Allosteric Latch Site of SHP2 ↗
FragDockRL:用强化学习从对接核心生长可合成配体
- FragDock利用已知反应将易合成的构建模块组装成分子,并通过约束预设核心构象的锚定对接(tethered docking)进行评分。
- FragDockRL在此基础上引入强化学习:以rDock锚定对接加SMINA评分得到的奖励,驱动改进的深度Q网络逐步引导分子生长。
- 该方法在包括一种受体酪氨酸激酶在内的三个重要治疗靶点上进行了评估。
在合成约束下从固定核心向外生长,正是项目中片段扩展的真实做法,比吐出做不出来的结构的自由生成模型更实用。基于对接的奖励仍是软肋,因为它偏爱分子尺寸;我会看它给出的化合物是否真能合成,以及能否通过前瞻性验证。
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。
利用片段生长策略优化天然半胱氨酸亚砜类BACE-1抑制剂
- 阿藿因(Alliin)是一种天然半胱氨酸亚砜化合物,可与BACE-1的催化二联体发生螯合作用,但药代动力学性质较差,限制了其作为药物先导化合物的应用。
- 研究人员以该核心结构为起点,采用分子动力学模拟指导的片段生长策略,旨在提高其结合亲和力和成药性。
- 目前这仍是早期阶段的计算/基于片段的优化研究,尚未产生经过验证的临床候选化合物。
从丙氨酸亚砜(alliin)这类食源性片段起步很诱人——毒性清除路径现成,手性也不用愁——但BACE-1生化层面再干净,临床上也是让一众优秀抑制剂折戟的坟场(verubecestat、lanabecestat、atabecestat都因安全性或疗效问题倒下)。纯靠计算做片段生长只是简单的那80%;如果没有SPR、ITC或晶体结构数据支撑这些MD构象,我更愿意把这些亲和力提升看作假设,而不是结果。
基于规则的SMILES编辑工具助力片段到先导化合物优化
- 一种新方法通过系统性编辑SMILES字符串——包括原子类型替换、环的扩大/缩小或开环,以及片段嫁接——来生成用于片段到先导化合物优化的类似物设计思路。
- 该方法最初以KNIME工作流形式实现,并在来自多个项目的片段上进行了测试;现在也提供了开源Python版本,并与AutoDock Vina对接程序配套使用。
- 这种非学习型、基于规则的方法是对AI/ML生成式设计的补充,在目标靶点训练数据有限时尤其实用。
老实说,这就是我平时手动在做的事——环收缩、生物电子等排、片段嫁接——只是这个工具自动化、更穷举罢了,省得自己在白板上画十个点子。对于数据稀缺的片段项目,我更信这个,而不是一个没法逐条核实的生成式模型。免费的KNIME/Python组合,也不用再去求IT部门批一个SaaS许可。
Fragment Optimization─Simple SMILES String Manipulation Strategies to Optimize a Hit or Fragment ↗
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 ↗
靶向赖氨酸的共价片段开辟SHP2变构抑制新途径
- 研究团队构建了一套将共价片段筛选与配体优先设计策略相结合的工作流程，用于寻找能与赖氨酸侧链（而非更常见的半胱氨酸）发生反应的化合物。
- 该研究聚焦于SHP2磷酸酶的变构“闩锁”区域，这是一个与酶的催化口袋以及之前已成药的变构隧道位点都不同的调控位点。
- 计算建模与实验表征相结合，用于指导片段筛选，并揭示闩锁位点赖氨酸的共价结合如何影响该蛋白的构象行为。
- 该方法得到了被描述为首批通过此闩锁位点发挥作用、具有细胞活性的强效共价化合物，表明该口袋能够支持功能性、类药物的结合，而不仅仅是结构表征对象。
- 研究结果确立了赖氨酸导向型共价化学作为SHP2变构调控的可行途径，为后续药物化学优化提供了起始化合物和作用位点。
赖氨酸导向的共价化学才是真正的赌注所在：与半胱氨酸丙烯酰胺相比，弹头化学和选择性筛选还远未成熟，所以在信任细胞活性数据之前，我首先想看到全蛋白质组范围内的赖氨酸反应性数据。 这个闩锁位点本身也确实是全新的——它与SHP099、TNO155一类变构抑制剂结合的位点截然不同，所以不是在拥挤的专利空间里重复布局。 片段筛选阶段就能直接筛出细胞活性化合物，这是个强信号，说明这个口袋形状特殊或存在高反应性赖氨酸，但赖氨酸化学的片段到先导优化，SAR周期会比我们熟悉的半胱氨酸弹头慢不少。真正的价值在于：为一个变构成药空间已经快挖尽的靶点，提供了全新的化学型和作用位点。
Fragment-Based Covalent Targeting of Lysines at the Allosteric Latch Site of SHP2 ↗
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。
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 ↗
动态组合化学发现可逆的亚皮摩尔级三价凝血酶抑制剂
- 以肽核酸(PNA)为模板的动态组合化学(DCC)平台,利用DNA/PNA杂交"把手"对三片段库(约12.5万种可能组合)进行无偏平衡化。
- 凝血酶本身作为模板,选择并放大结合最强的片段组合;结合尺寸排阻过滤与MALDI质谱读出,可在一小时内完成从筛选到读出的完整循环。
- 被选中的三价组装体同时占据凝血酶的活性位点及两个外位点,展现出极高(亚皮摩尔级)的结合亲和力和接近化学计量比的抑制效果。
- 与共价型凝血酶抑制剂不同,该结合是完全可逆的——对于需要控制出血风险的抗凝药物而言具有重要药理学意义。
- 该研究表明靶点模板化DCC是一种即便针对研究已相当深入的靶点,也能快速生成跨多位点多价抑制剂的有效策略。
从12.5万种组合的DCC文库中筛出亚皮摩尔级亲和力,第一眼就能看出这是亲和力叠加效应的产物,而不是单一口袋的高亲和结合——活性位点加上两个外位点同时占据,本质上是把比伐卢定的活性位点/外位点I策略又往前推了一步。外位点结合依赖于凝血酶特有的表面拓扑,理论上应该能带来对胰蛋白酶样丝氨酸蛋白酶的良好选择性,但还是想看看与fXa、胰蛋白酶的直接对比数据。让我有所保留的是可成药性:这种DNA/PNA模板化的三价组装体是很漂亮的概念验证和化学工具,但离先导化合物还有距离——口服化的路还很长。跟DOAC单口袋、小分子的简洁路线相比,这个分子在亲和力和可逆性上占优,但在类药性上明显吃亏;真正值得关注的是,靶点模板化DCC能否被引导去选出一个真正可成药的组合,而不只是结合最紧的那一个。
Discovery of a Reversible Sub-Picomolar Thrombin Inhibitor Using DCC ↗
共价分子胶锁定Kalirin-Rac1复合物以阻断GTP酶激活
- 研究团队将XChem晶体学片段筛选与计算机(in silico)筛选相结合,并将获得的片段命中化合物拼接融合,开发出靶向Kalirin-Rac1 GEF-GTP酶复合物的共价先导化合物。
- 这些共价化合物并非直接与GTP/GDP竞争Rac1的核苷酸结合位点,而是作为分子胶,将Kalirin与Rac1锁定为无活性的三元复合物,从而阻断核苷酸交换。
- 由此产生的两个抑制剂RS-009和MC-278,通过与核苷酸部分竞争加上稳定非生产性复合物的双重机制,降低了Kalirin的GEF活性。
- 生化选择性检测及细胞内基于活性的蛋白质组分析(ABPP)表明,这些化合物能够区分不同的GEF-GTP酶复合物,而非无差别地发挥作用。
- 作者将这种复合物稳定化策略视为直接抑制GTP酶的替代方案,可能提供更精细的时空调控,并将RS-009和MC-278列为候选化学探针。
与其和GTP/GDP在核苷酸口袋里硬拼,不如把非生产性的Kalirin-Rac1复合物锁死——这才是更聪明的打法。GTP/GDP的亲和力在亚纳摩尔级别,像NSC23766这类靶向Rac1核苷酸口袋的工具化合物从来都不干净。相当于把SOS1-KRAS那套打法搬到了Rho生物学上,不算新颖,但值得借用。 跨GEF-GTPase配对的选择性才是真正的收获,而不是额外负担——Rho家族同源性太高,靠界面驱动的选择性把手,比在活性位点上硬拼化学结构靠谱得多。 我更想追问的是:把XChem的片段命中物合并成共价先导化合物这一步,片段合并的失败率一向很高,所以能拿出RS-009和MC-278这两个验证过的化合物并不是理所当然的结果。在看到弹头反应动力学和全蛋白质组ABPP数据之前,光有GEF-GTPase选择性面板,我还不会称它们为"干净"的化学探针。
Discovery of a molecular glue inhibitor that stabilises a non-productive Kalirin-Rac1 complex ↗