匹兹堡大学FSGLD流程:三类靶点验证靶向化合物发现潜力
来自美国宾夕法尼亚州匹兹堡大学的研究团队提出了一种全谱生成式先导化合物发现流程,其核心是多尺度 DRUG-GAN 模型,能够在三个不同场景下,通过生成式模型指导药物分子的发现。在针对三类药理学特征各异的靶点开展的评估中,FSGLD 在识别靶点特异性候选化合物方面展现出良好的应用潜力。 传统药物发现是一项极具挑战性的工作
美国宾夕法尼亚州匹兹堡大学的一支研究团队提出了一套全谱生成式先导化合物发现流程。该流程以多尺度 DRUG-GAN 模型为核心,可在三种不同场景下借助生成式模型指导药物分子发现。针对三类药理学特征各异的靶点所做评估显示,FSGLD 在识别靶点特异性候选化合物上表现出不错的应用潜力。
新药研发从来不是轻松活。其核心目标,是在体量庞大的化学空间里找出既具备特定理想性质、又能作用于特定靶点的分子。从最初产生研发构想到最终获批上市,一款新药的成本超过 26 亿美元,耗时超过 12 年。真正的难点在于:化学空间包含 1023-1060 个分子,如何在其中高效搜索,找到同时满足目标生物活性、理化性质和可合成性要求的化合物。近几年,生成式人工智能给分子设计打开了新路子。生成模型学习已有分子的结构和性质后,能够探索潜在的化学空间,提出带有特定理化性质或生物活性特征的候选分子。问题是,模型生成的分子怎么变成化学结构有效、实际拿得到、并且具有真实生物活性的化合物,仍是这一领域绕不开的难题。
针对这一难题,该团队提出了全谱生成式先导化合物发现(Full-Spectrum Generative Lead Discovery,FSGLD)流程,这是一种由深度学习驱动、用于高效识别药物先导化合物的方法。FSGLD 的核心是多尺度 DRUG-GAN 模型,能够在三种不同场景下通过生成式模型指导药物分子发现,包括:
(1)生成随机的类药性化合物;
(2)生成具有靶点特异性的化合物;
(3)生成具有共同化学结构的靶点特异性系列化合物。
在三类药理学特征各异的靶点上开展评估后,FSGLD 在识别靶点特异性候选化合物方面展现出良好的应用潜力。研究团队还搭建了一套用于热力学积分(TI)计算的计算流程,计算精度得以保持,计算时间则缩短了 80% 至 90%。
相关成果以「A Full-Spectrum Generative Lead Discovery (FSGLD) pipeline via DRUG-GAN: A multiscale method for drug-like/target-specific compound library generation」为题,已刊登在 ScienceAdvances。
研究亮点:
这套流程不光能用生成式模型设计具备类药性和靶点特异性的化合物,还能对候选化合物做系统、高效的筛选与验证。研究人员构建的框架兼具实用性和可扩展性,有望压降临床前药物发现所需的时间和成本。经由该流程生成的化合物并不停留在理论层面的候选分子,它们具备进一步开展实验验证的可行性,能给学术研究人员和制药行业从业者带来切实价值。

论文地址:https://www.science.org/doi/full/10.1126/sciadv.aei5257
数据集:三种应用场景各配一套数据
由于 FSGLD 面向不同的先导化合物发现任务设计了三类应用场景,数据集和训练策略也相应不同。
场景 I 中,研究人员按照 Lipinski 五规则并结合多样性筛选,从 DrugBank 数据库(https://go.drugbank.com/)收集了 7,002 种药物,据此构建类药性化合物数据集。
诱饵分子集方面,研究人员先用 Open Babel 计算了 ZINC 数据库类药性子集中 19,212,639 个分子的分子量(MW)和脂水分配系数(logP),随后用内部开发的程序筛出 284,552 种分子量和 logP 值与 DrugBank 化合物最接近的 ZINC 化合物。接着,研究人员使用 SYBYL-X 2.1.1 软件,基于分子指纹(FP)对这些化合物聚类,以尽量提高其结构多样性,最终选取 9998 种分子构建诱饵分子集。为了训练和验证 dcGAN 的判别器,研究人员采用十折交叉验证方法([75]),把全部选定的类药性分子(7002种)和诱饵分子(9998种)划入训练集和测试集。
场景 II 和场景 III 要生成靶点偏向型化合物,研究人员从 ChEMBL 数据库收集了 1,896 种 CB2 活性化合物(Ki/IC50 低于100 nM)和 2996 种 CB2 非活性化合物(Ki/IC50 大于或等于100 nM),用于训练 cdcGAN 模型。研究人员还人工检查了所收集 CB2 活性化合物的化学结构,识别出其中最常见的三个最大公共子结构(MCS),如下表:

模型训练时,所有分子均通过 Open Babel 2.3.1 版本软件转换为 MACCS 分子指纹(168位)。为进一步验证,研究人员获取了 CB1 的 X 射线晶体结构,并构建了 CB2 的同源模型。
FSGLD 框架:DRUG-GAN 挑大梁
DRUG-GAN 是 FSGLD 的核心。它的关键思路是学习分子指纹的分布,生成带有特定特征的指纹,再把这些指纹当作查询条件,从大型化学数据库中检索结构相似的真实化合物,而非直接生成完整分子结构。其流程概览如下所示:FSGLD 流程概览

这一设计与传统基于 SMILES 字符串或分子图的生成模型不同。MACCS 分子指纹能以紧凑形式描述分子的结构特征,适合从相对有限的数据集中学习。但分子指纹既无法与单一分子建立唯一映射关系,也不能直接转换为化学有效的分子结构,所以 DRUG-GAN 生成的指纹还得跟 ChEMBL、ZINC 等数据库做相似性匹配,才能拿到实际的候选化合物。
模型架构上,研究人员用深度卷积神经网络(DCNN)构建判别器,并探索了四种主要的 DCNN 架构,分别为 LeNet-5、AlexNet、ZFNet 和 VGGNet。
DRUG-GAN 面向不同的发现目标,设定了三种应用场景。
场景 I 用的是标准 dcGAN:真实样本取自 DrugBank 中的类药性分子指纹,模型据此学习这类分子的特征分布。生成器从随机噪声起步,产出新的分子指纹,再拿相似性检索去 ZINC 数据库里找对应化合物。这一场景的用途,是探索带类药性特征的化学空间。
场景 II 把靶点特异性信息加了进来,采用条件生成对抗网络 cdcGAN。训练数据分两类——CB2 活性配体和非活性配体,模型从中学习与 CB2 活性相关的分子指纹特征,进而生成带有 CB2 靶点偏向性的指纹。接下来,研究人员把这些生成指纹当作查询条件,从 ChEMBL 和 ZINC 数据库中检索候选化合物。由此,探索从无偏的类药性分子延伸到了靶点导向型发现。
场景 III 让分子设计变得更可控。研究团队在生成器中加入掩码层(Mask Layer),做法是用 Lambda 层把预定义 MCS 对应的分子指纹特征位固定住,生成的指纹因此保留指定结构特征,其余特征位仍可变动。这样一来,模型就能产出同时具备 CB2 靶点偏向性和特定骨架特征的化合物系列,为命中化合物扩展和后续先导化合物优化提供支撑。
候选化合物生成之后,FSGLD 还搭了一套分层计算筛选流程。先用分子对接评估候选分子与目标受体的结合情况,再用靶点特异性LRIP评分函数筛选,之后是分子动力学(MD)模拟、MM-PBSA结合自由能计算和热力学积分(TI)计算。化合物只有通过当前阶段筛选,才能进入下一环节。最后,研究人员对优先级较高的候选分子做实验验证,串起从生成、检索、计算筛选到实验评估的完整流程。
成果:在三类药理学特征各异的靶点评估中均表现良好
模型表现通过三种场景来评估:
场景 I:生成类药性化合物
研究人员拿 DRUG-GAN 与三种已发表的生成式模型——ORGAN、OR(W)GAN 和 ORGANIC——做了全面比较,比较维度有五个:唯一性(Uniqueness)、新颖性(Novelty)、多样性(Diversity)、相似性(Similarity)和有效性(Validity)。
如下表所示,在 MACCS FP 空间中,DRUG-GAN 多项关键指标都压过作为基准的其他生成式模型。其唯一性和新颖性得分双双达到1.00,拿到满分——所有生成的分子指纹彼此不同,且都没有在训练数据中出现过。多样性得分为0.73,与 ORGAN(0.77)和 ORGANIC(0.76)接近,高于 OR(W)GAN(0.63)。另外,DRUG-GAN 生成的分子指纹与 7002 个参考药物之间的平均相似性最低,只有 0.25。这说明该模型在保留类药性特征的同时,能生成结构差异明显的分子指纹。

评估使用 10,000 个生成的样本,在 FP 和 SMILES 空间中对 DRUG-GAN 和已发表的生成模型进行比较
结果与 FP 空间一致,DRUG-GAN 在 SMILES 空间同样表现不俗。其新颖性得分仍是1.00,说明解码得到的所有分子都未出现在训练数据集中。唯一性得分则从 FP 空间的1.00降到 SMILES 空间的0.77,这也在意料之中——多个不同的分子指纹可能解码成相同的分子结构。即便如此,DRUG-GAN 的唯一性仍高于 ORGAN 和 OR(W)GAN,只比 ORGANIC 略低。同时多样性保持在较高水平,得分 0.89,生成分子与参考药物的相似性偏低,为 0.35。这与该模型的设计目标相符:不牺牲化学合理性,同时拓展化学空间。
为进一步评估这些结果,研究人员还分析了 2252 种美国食品药品监督管理局(FDA)批准的药物,其分子量(MW)范围为 100 至 1000 Da。这些已获批药物的平均分子量(MW)、脂水分配系数对数值(logP)和拓扑极性表面积(TPSA)分别为 358.0 Da、2.8 和 89.3 Ų。DRUG-GAN 检索得到的分子类药性特征与之相近:平均分子量 382.9 Da,平均 logP 为 2.0,平均 TPSA 为 76.0 Ų。对比来看,DRUG-GAN 检索到的分子整体分子量略大,极性则相对较低,显示出潜在的有利理化性质。
场景 II:靶点特异性化合物生成
除生成类药性候选化合物外,DRUG-GAN 也能生成靶点特异性化合物。研究人员以大麻素受体2(CB2)为例来展示这一能力。
与生成的分子指纹相似性达到 85% 或以上(TS ≥ 0.85)的 ChEMBL 化合物共 186 个,其中 169 个的分子量(MW)介于 100 至 500 Da 之间;这 169 个里有 104 个已在生物活性实验中被报道为具有 CB2 活性的配体,其抑制常数(Ki)小于10 μM。检索化合物中低 Ki 值分子出现富集,说明 DRUG-GAN 生成的分子指纹查询能有效从与目标靶点相关的生物活性数据库中,找出已知具有 CB2 活性的化学结构类型。此外,研究人员从 ZINC 数据库中也检索到 161 个化合物,它们与 DRUG-GAN 生成的分子指纹查询之间的 TS 均达到或超过 0.85。
接着,研究人员把检索得到的化合物分别与 CB1 和 CB2 受体做分子对接,预测其结合亲和力,结果如下图:

在指定 TS 阈值下检索到的 ZINC 化合物与 CB1 和 CB2 受体的预测对接评分
总的来看,DRUG-GAN 生成的分子指纹查询检索到的化合物,对 CB2 的预测结合能力较强,与 CB2 受体对接得分的平均值为 −10.10 kcal/mol,高于场景 I 判别器训练所用诱饵分子的平均值 −8.29 kcal/mol。研究人员对每个检索化合物的对接得分做了配对比较,发现这些化合物整体上更倾向结合 CB2,其中不少化合物与 CB2 的预测结合能力好于与 CB1 的结合能力。
场景 III:靶点特异性系列化合物生成
到了场景三,研究人员把三个预定义 MCS 送进生成器,由掩码层产出带特定骨架约束的 CB2 候选化合物。
MCS i:喹啉二酮核心结构
针对 MCS i,研究人员在 ChEMBL 数据库中检索并确认了 49 个化合物,它们含有预定义子结构,且与生成的分子指纹查询之间 TS ≥ 0.75。如下图,其中 7 个化合物已被报道具有较高的 CB2 活性(Ki 小于10 μM)。

含有 MCS i 的排名靠前的化合物
在 ZINC 数据库中,研究人员检索并确认了32个含 MCS i 子结构、且 TS ≥ 0.75 的化合物,部分代表性候选化合物及其对应 TS 值见下图:

含有 MCS i 的排名靠前的化合物
这些候选化合物大多与 CB2 的预测分子对接得分好于与 CB1 的对接得分,说明在基于分子对接的候选化合物优先级排序中,它们可能更偏好 CB2。
MCS ii:吲哚甲酰胺核心结构
针对 MCS ii,研究人员在 ChEMBL 数据库中检索并确认了 24 个化合物,它们含有预定义子结构,且与生成的分子指纹查询之间 TS ≥ 0.80。其中 8 个化合物表现出较强的 CB2 结合亲和力…如下图),这也进一步说明,骨架约束型 DRUG-GAN 策略能有效检索与 CB2 相关的化学结构类型。

含有 MCS ii 的排名靠前的化合物
在 ZINC 数据库中,研究人员发现了 9 个含 MCS ii 子结构、且 TS ≥ 0.80 的化合物(如下图)。与 MCS i 的候选化合物相似,这些化合物大多与 CB2 的预测分子对接得分也好于与 CB1 的对接得分,说明它们有进一步开展 CB2 靶向筛选的潜力。

含有 MCS ii 的排名靠前的化合物
MCS iii:吲哚磺酰胺骨架
针对 MCS iii,研究人员起初在 TS ≥ 0.75 的条件下从 ChEMBL 数据库中检索到 165 个化合物。不过经 FP2 分子指纹分析,最终只有 2 个化合物被确认含有完全匹配的 MCS iii 子结构(如下图)。

从 ChEMBL 数据库中检索到的含有 MCS iii 的 CB2 受体的排名最高的化合物
另外,在 ZINC 数据库中,所有 TS ≥ 0.75 的检索化合物都没能通过验证,也就是说,没有任何化合物被确认含有完全匹配的 MCS iii 子结构。
综合结果来看,骨架约束型 DRUG-GAN 策略在保留与 CB2 相关的化学结构特征的同时,还能拓展训练配体所代表的化学空间,找到结构上有差异的新候选化合物。
结语
为了优先筛出有潜力的候选化合物,FSGLD 采用分层工作流程评估检索到的化合物,涵盖分子对接、靶点特异性 LRIP 评分、分子动力学(MD)模拟、MM-PBSA 结合自由能计算以及热力学积分计算,并对部分候选化合物开展实验验证。这些互补方法被整合进统一的工作流程,使 FSGLD 形成了一套实用研究框架,用于优先筛选候选先导化合物并为后续实验评估提供依据。
蛋白质结构预测和协同折叠方法还在发展,研究人员预计 FSGLD 框架的准确性、稳健性和适用范围也会随之提升。后续研究将在更广泛的靶点家族中评估 DRUG-GAN 和 FSGLD,包括离子通道和核受体等,同时引入先进的小样本学习和小数据集学习策略,让模型在数据有限的场景下表现更好。
参考文献:https://www.science.org/doi/full/10.1126/sciadv.aei5257