传统上，药物-靶点复合物形成和解离的速度，不被认为是影响药物在体内作用或持续时间的主要因素。2006 年引入了药物-靶点停留时间的概念后，这种传统的观点受到了挑战。陈启源
本文为《Artificial Intelligence in Drug Design》一书第8章的内容，介绍了影响停留时间的因素，以及两种用机器学习预测药物-靶点停留时间的模型。
节油剂
该书的总体介绍见Springer推出新书《Artificial Intelligence in Drug Design》离婚冷静期细则
摘要
药物在靶点上的停留时间（即与特定蛋白靶点结合的持续时间），在某些蛋白家族中，对药效的影响比结合亲和力更重要。为了在药物发现中对停留时间进行有效的优化，需要开发能够预测该指标的机器学习模型。预测停留时间的主要挑战之一是数据的匮乏。本章概述了目前所有可用的配体动力学数据，提供了一个迄今为止最大的GPCR-配体动力学数据资料库（公开来源）。为了帮助解读动力学数据的特征（这些特征的纳入对于预测停留时间的计算模型是有益的），我们总结了影响停留时间的实验证据。最后，概述了用机器学习预测停留 时间的两种不同的工作流程。第一个是根据配体特征训练的单靶点模型；第二个是根据分子动力学模拟产生的特征来训练的多靶点模型。
1 简介
药物在靶点上停留时间，即配体解离率的倒数，对于某些靶点来说，对药效的影响比平衡结合亲和力更大。已经有几个将停留时间与体内药效关联起来的研究发表。对作用于12个不同靶点的50种药物的分析显示，70%的停留时间长的药物比停留时间短的同类药物具有更高的药效。停留时间与药效相关的证据在GPCRs中最为丰富。
钽酸锂晶片
研究发现，毒蕈性乙酰胆碱M3受体激动剂的药效仅与其停留时间有关，而与它们的结合亲和力无关。同样，对于A2A腺苷受体激动剂，停留时间是唯一被发现与体内药效相关的因素。停留时间和药效之间的相关性也被观察到与拮抗剂有关。抗组胺拮抗剂的停留时间被发现与它们抑制细胞中H1组胺受体的能力相关。
因此，在许多不同的GPCR例子中，激动剂的功效和拮抗剂的抑制强度已被证明与停留时间更相关（相比于结合亲和力）。应该注意的是，延长停留时间不仅影响药效，还可能对
药物剂量间隔产生影响。噻托品与伊普拉托品相比，停留时间长50倍，两者都是M3毒蕈碱受体的配体，这意味着噻托品的用药频率可以降低。
配体在靶点蛋白上的停留时间与在非靶点蛋白上的停留时间的差异，决定了产生非靶点副作用的概率。传统上，靶点选择性是以非靶点蛋白与靶点蛋白的结合亲和力值的比率来衡量的（平衡选择性）。正如Copeland等人所指出的，药物在血浆中的浓度不是恒定的，因此，药物对不同蛋白质的解离率决定了药物的时间选择性。换句话说，在给药时，最初的选择性是由靶点蛋白和非靶点蛋白之间的结合亲和力的差异决定的，但是，随着血浆中药物浓度的降低，在靶点蛋白和非靶点蛋白上的停留时间的差异也决定了药物的整体选择性。
人们对在药物发现中优化药物-靶点的停留时间表示关注。数学模型表明，只有当停留时间超过清除时间时，才会对药物的占有率负责，而对于市场上的许多小分子药物，情况并非如此。还有一个问题是蛋白质的周转率；如果一个靶点有很高的周转率，可能就没有必要延长停留时间。例如，一种停留时间很长的酪氨酸激酶抑制剂，停留时间为一周，但受体周转率很高，24小时后体内占用率不到50%。延长停留时间应在蛋白质周转率和配体清除
时间的背景下考虑。然而，延长靶点占有率可能不是长停留时间导致更好药效的唯一机制。持续的拮抗剂结合与长的药物-靶点停留时间可能会阻止瞬时激动剂的结合，因为靶点已经被占据。
由于这些不同的发现，有人提出，在药物发现的苗头化合物-先导化合物和先导化合物优化阶段，考虑药物-靶点停留时间是至关重要的。然而，为了有效地做到这一点，我们需要计算工具来预测和合理化停留时间，这是一个比结合亲和力更难通过实验来确定的属性。机器学习（ML）多年来一直处于药物发现的前沿，部分原因是它可以对人类无法理解的复杂数据进行回归，在寻计算预测药物-靶点停留时间的方法时，它是一个很好的候选者。为了做出准确的ML回归模型，我们需要选择正确的输入特征，然后将其输入ML模型，给出预测值输出。特征的选择对于ML回归模型能否成功做出准确的预测，并与实验结果趋于一致至关重要。
1.1药物-靶点停留时间长短的特征
为了延长停留时间而不影响平衡结合亲和力，需要实现过渡结合状态的稳定性。这些过渡状态的细节目前很难通过实验来评估，但可以通过计算模拟（分子动力学）来观察。随着
最近X射线自由电子激光器的发展，用时间分辨晶体学鉴定配体结合过渡状态在实验上变得更加可行。然而，在X射线自由电子激光器的可用性变得更加广泛之前，需要配体在结合状态下的信息（计算模拟和实验确定），来帮助揭示药物-靶点停留时间的分子决定因素。
在计算研究和实验研究中都有关于赋予药物-靶点长停留时间的重要特征的建议。对辉瑞公司2000个有停留时间值的化合物数据库的调查显示，延长的停留时间和配体的大小之间有关联。如图1所示，对所有可用的GPCR-配体动力学数据（500个化合物）的分析支持了这一点，它揭示了分子大小和停留时间之间的弱的正相关。在某些情况下，发现分子量只与停留时间相关，而与结合亲和力无关。在其他情况下，停留时间和配体分子量之间有很强的相关性。在这些情况下，应注意确保用于确定停留时间的方法优于这种简单的线性相关，而不是仅仅将配体大小作为确定停留时间的指标。
图1配体大小和药物-靶点停留时间的相关性。
散点图显示了500个GPCR配体的药物-靶点停留时间与配体分子量（MW）的相关性（上），以及停留时间与配体中的环数（no_rings）的相关性（下）。最小二乘法线性回
归线显示为橙虚线，这些相关性的强度显示为R2
难忘的一课教学设计
除了配体的大小，与水的相互作用也是已知的决定停留时间的重要因素。被"掩埋"的亲水相互作用，即被水屏蔽的相互作用，已经在计算和实验中被证明可以延长停留时间。这些相互作用具有更高的能量屏障，这意味着它们更稳定，更少瞬时性。水也被证明是赋予GPCR受体（A2A受体）长停留时间的一个重要因素，在结合状态下溶解度可能降低的化合物，停留时间增加。在我们以前发表的使用转向分子动力学的文章中，观察到结合和未结合的配体之间的溶解度变化与停留时间密切相关，部分原因是溶解度能量变化较大的配体与蛋白质的亲水相互作用更可能被"掩埋"。
有人指出，结合位点的灵活性也会影响停留时间。配体可以通过稳定蛋白质内的相互作用来影响结合部位的稳定性，例如ZM-241,385可以稳定A2A受体中的蛋白质内盐桥，增加停留时间。通过定点诱变破坏该盐桥，可以使该配体的停留时间减少8倍，从84分钟减少到5分钟。前面提到的毒蕈碱亚家族拮抗剂噻托品，对M3的停留时间比M2受体亚型长10倍。分子动力学模拟显示，M2受体的第二个胞外环更加灵活。配体与受体的相互作用降低了ECL2的蛋白质灵活性，已被证明会增加停留时间。
匹配分子对（Matched molecular pair, MMP）分析最近被用来尝试理解结构-动力学关系。MMP分析一般在解释配体结合率方面比较成功，配体极性的增加导致结合率的降低。只有少数的MMP转化被确定为停留时间明显延长，而结合亲和力和结合速率基本上没有受到干扰。其中一个转化是去除噻托品的羟基（去羟基噻托品），它使M3毒蕈碱受体的停留时间减少了56倍。噻托品中的这个羟基已知会与Asn507形成氢键。由于周围的芳香族残基，这种相互作用可能是一种被"掩埋"的亲水作用，因此，羟基的存在延长了停留时间。
1.2 以前用于预测停留时间的ML方法
有许多已发表的方法试图用ML来预测药物-靶点的停留时间，但在数量上远远少于基于ML预测结合亲和力值的方法。这可能是由于两个原因：首先，与结合亲和力相比，严重缺乏停留时间的训练数据；其次，相对而言，最近才发现停留时间在药物发现中的作用。训练数据的缺乏可以体现在目前大多数的停留时间预测方法都是在少量（100个以下）的化合物上训练的。此外，这些方法只用于两个蛋白质靶点，即HIV-1蛋白酶和HSP90，进一步突出了训练数据的稀缺性问题。
表1显示了已经用于预测药物-靶点停留时间的不同ML方法的摘要。最早发表的方法之一是
QSKR（定量结构动力学关系）模型，使用主要是水的VolSurf描述符来预测37种HIV-1蛋白酶抑制剂的停留时间。另一种方法是使用COMBINE分析，在PLS（偏最小二乘法）模型中使用特定蛋白质残基与配体之间的静电和范德瓦尔斯相互作用作为特征（具有不同的权重）。另一种基于ML的方法，使用来自配体与HSP90解离的随机加速分子动力学轨迹的蛋白质-配体相互作用指纹（fingerprints）。通过这样做，不仅开发了一个支持向量（SV）回归模型，可以预测潜在的HSP90配体的停留时间，还可以指出配体与特定蛋白质残基的相互作用对延长停留时间的重要性，有助于指导基于结构的HSP90配体的药物设计。所有这些方法的一般精确度都在1个对数单位左右。这些研究主要是在小的数据集上验证的，使其真正的预测性难以评估。
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议