“骨架跃迁”不难算！Uni-FEP破解化合物优化计算难题

“骨架跃迁”是药物设计人员广泛的药物分子设计策略。自由能微扰计算能够精确计算药靶结合自由能，但却常常在“骨架跃迁”类的计算场景中“折戟”。实际药物研发项目中，大量的“骨架跃迁”类设计需求与相同场景下的FEP自由能计算“失准”成为了一对亟待解决的“矛盾体”。本文将带您探究Hermite Uni-FEP如何破解“骨架跃迁”类化合物FEP计算不准确的难题。

骨架跃迁

是药物分子设计中最常用的策略之一

在药物设计过程中，药化学家和CADD专家经常在药物设计过程中，药化学家和CADD专家经常使用“骨架跃迁”的策略对原有的分子进行优化和改造以实现：突破专利、增强与受体相互作用、调节理化性质、改善药代动力学性能、降低毒性和不良反应等优化目标。也正因如此，骨架跃迁成为了药物化学领域最令人感兴趣的话题之一，也是药物设计方法中的核心方法。在实际的药物发现应用中，药化学家经常采用杂环替换、开/闭环、扩/缩环等方法实现分子的骨架跃迁，药物分子设计人员也使用各种计算方法，诸如：形状搜索，化学相似性搜索，基于结构的相似性搜索等，来实现分子的骨架跃迁^[1]。

FEP计算降低“骨架跃迁”分子

设计风险，但实际应用存在限制

虽然骨架跃迁是最有价值的药物分子设计策略，但同时也是风险最大的设计策略。这是因为：新骨架的分子不仅需要重新设计合成路线，新合成出来的分子也需要进行大量的生物测试。整个“湿”实验的过程，存在着由所设计分子活性未满足设计目标而需要重新再设计、合成、测活的风险。若采用计算手段进行评估，能够全部（部分）代替实验，指导实验，这将极大程度地降低成本、缩短药物开发周期。

FEP能够精确计算药靶结合自由能。伴随GPU算力的成熟，以及诸如薛定谔、Hermite Uni-FEP这一类交互友好的软件平台出现，FEP已经成为药物设计专家更青睐的计算方法。然而，该方法在实际的药物设计场景中却受到了比较大的限制。在已经成功报道的FEP应用案例中，研究人员往往仅针对“R-基团”修饰、单原子修饰的分子体系和应用场景做了大量验证性和预测性报道。而在面对更为广泛的分子设计的需求——“骨架跃迁”类先导化合物的计算场景时，FEP常常由于计算失准/失败而“折戟沙场”，所报道的成功案例凤毛麟角。

Uni-FEP助力药物设计人员

破局FEP计算失准问题

“骨架跃迁”类FEP计算失准的核心原因在于：骨架跃迁涉及到化学键的断裂和形成，改变了化学键的拓扑结构。而在经典的分子力学力场中，化学键伸缩相互作用往往采用简谐势进行描述，化学键的断裂，将会非常不利于分子动力学模拟过程中的采样，导致最终的计算结果与真实结果相差甚远。要突破“算不准”的技术难点，就必须要从底层来解决上述最为根本的核心问题。深势科技的算法研发人员通过引入软键相互作用，解决了由于化学键断裂造成的数值计算问题，最终突破现有的计算局限，使FEP计算准确性明显提升，将FEP成功应用于骨架跃迁类型的化合物优化场景中。

目前，相关算法研究成果已经整合到深势科技自研药物设计平台Hermite Uni-FEP中，药物设计人员只需勾选“Core Hopping”参数（图1），直接实现骨架跃迁类的FEP计算。

图1 Hermite Uni-FEP实现骨架跃迁的微扰图构建

Uni-FEP

在多个靶点项目的成功应用

Uni-FEP已经成功应用于多个靶点、多个“骨架跃迁类型”的项目和案例验证中。笔者挑选了6个曾用不同“骨架跃迁策略”所设计出来、并最终获得临床候选药物的靶点体系^[2]的计算结果来进行详细说明。

· 采用“开环、闭环”设计策略的靶点验证

我们选用了两个靶点：FXa^[3,4]和EZH2^[5,6]的系列化合物作为测试。FXa是凝血通路中关键的丝氨酸蛋白酶，是预防和治疗血栓的重要靶点。Daiichi Sankyo开发的Edoxaban是口服抗凝剂，FXa抑制剂，于2011年在日本获批^[4]。开发过程中，设计人员通过引入开环设计最终得到Edoxaban。EZH2基因编码的组蛋白赖氨酸甲基转移酶，催化H3K27的甲基化，异常的甲基化和癌症高度相关。Epizyme开发的Tazemetostat（商品名Tazverik）是一种用于治疗不适合完全切除的转移性或局部晚期上皮样肉瘤的药物^[5]。配体22, 27, 29, 31是Tazemetostat的类似物，它们相差一次闭环的分子改造，这一优化中，吲唑化合物22, 27等的改造无法在提升活性的同时保证生物利用度，因此打破吲唑骨架得取代苯胺类化合物29, 31，以期进一步提升活性的同时保证ADME/T性质。

从图2 FEP计算的热力学循环图中，可以发现：Hermite Uni-FEP准确的计算出“开环/闭环”类骨架跃迁设计策略的化合物自由能变化，预测的相对自由能及误差（蓝色数值）与实验观察的自由能差（黑色数值）非常接近。

图2 Hermite Uni-FEP计算的热力学循环图

（左图为FXa靶点，右图为EZH2靶点）：

箭头上的黑色数值为实验观察的结合自由能差，

蓝色数值为计算预测的相对自由能差及相对误差

· 采用“扩环、缩环”设计策略的靶点验证

雌激素受体（Estrogen Receptor, ER）是类固醇核激素受体家族的成员，选择性ER调节剂（ERα和ERβ之间的选择性）可能具有在多种疾病中的潜在治疗益处。Lilly公司^[7]采用“扩环、缩环策略”，从五元环化合物2d, 2e改造至六元环羰基化合物3b，使其与ERα亲和力显著下降；进一步羰基移位得3a使ERα亲和力进一步下降，产生对ERβ的良好选择性。

从图3 FEP计算的热力学循环图中，可以发现：Hermite Uni-FEP准确地计算出“扩环、缩环”类骨架跃迁设计策略的化合物自由能变化，预测的相对自由能及误差（蓝色数值）与实验观察的自由能差（黑色数值）非常接近。

图3 Hermite Uni-FEP计算的热力学循环图（ERα靶点）：

箭头上的黑色数值为实验观察的结合自由能差，

蓝色数值为计算预测的相对自由能差及相对误差

· 采用“环系扩展”设计策略的靶点验证

环系扩展，是指在化合物核心骨架增加原子以形成稠环或桥环。我们选用了两个靶点：β-胰蛋白酶TPSB2^[8]和β-分泌酶Bace1^[9]的系列化合物作为测试。TPSB2是一种胰蛋白酶样蛋白酶，据报道与炎症和过敏异常有强相关性。哌啶酰胺1至托烷酰胺2的改造使得骨架刚性更强，因此提升了稳定性、降低了hERG通道亲和力以降低心脏毒性。Bace1是治疗阿尔茨海默病的关键靶点。Lilly公司发现了一系列具有新型双环噻嗪环的纳摩尔Bace1抑制剂，其中图4中右图所示的化合物6, 7和31最具有代表性。骨架跃迁改造得含氧桥环化合物7可将双环系统构象固定，具有更好的代谢和物理化学性质。

从图4可以发现：由于环系扩展产生的原子微扰较大，Hermite Uni-FEP在预测方向性上与实验结果一致。但部分化合物的自由能差预测值（黑色）与实验测得自由能差（蓝色）存在偏差稍大的现象。

图4 Hermite Uni-FEP计算的热力学循环图

（左图为TPSB2靶点，右图为Bace1靶点）：

箭头上的黑色数值为实验观察的结合自由能差，

蓝色数值为计算预测的相对自由能差及相对误差

· “多种跃迁共同使用”设计策略的靶点验证

CHK1（细胞周期检查点激酶1）与肿瘤密切相关，主要是与DNA损伤反应（DDR）相关。研究者使用多种骨架跃迁策略对CHK1抑制剂分子1溶剂暴露部分进行了改造^[10]（图5），提升CHK1亲和力、继而提高CHK1对CDK2的选择性。从图5结果可以发现：对于“多种骨架跃迁策略共同使用”的化合物自由能计算，Hermite Uni-FEP依然可以得到准确的结果，预测的相对自由能及误差（蓝色数值）与实验观察的自由能差（黑色数值）比较接近。

图5 Hermite Uni-FEP计算的热力学循环图（CHK1靶点）：箭头上的黑色数值为实验观察的结合自由能差，

蓝色数值为计算预测的相对自由能差及相对误差

· Uni-FEP整体表现总结

若将上述6个靶点的预测计算结果汇总在一起分析，可以发现：Hermite Uni-FEP预测结果与实际实验结果吻合度高（R²：0.67），自由能计算偏差RMSE在合理范围内（0.76 kcal/mol）。这表明，Hermite Uni-FEP适用于各种骨架跃迁设计策略的实际场景。

图6 Hermite Uni-FEP在FXa、EZH2等6个不同靶点体系中的计算自由能差与实验测得自由能差的线性回归图

总结与展望

骨架跃迁是药物化学领域最令人感兴趣的话题之一，也是药物设计方法中的常用方法。深势科技Hermite Uni-FEP通过引入软键伸缩势能，突破了“FEP在骨架跃迁类化合物优化计算失准/失败”的局限，为药物化学家和药物分子设计人员广泛使用FEP铺平了道路。

未来，会有越来越多“骨架跃迁”类型的分子优化项目采用FEP方法来精准计算药靶结合自由能，优化化合物。新一代综合性药物发现和设计平台Hermite，将继续秉承“锐意突破，持续创新”的原则，助力国内外创新药物研发企业的分子模拟与药物设计工作。

参考文献

[1] Jürgen Bajorath. Future Med Chem. 2017 May;9(7):629-631

[2] Lingle Wang；Yuqing Deng；Yujie Wu；Byungchan Kim；David N LeBard；Dan Wandschneider；Mike Beachy；Richard A Friesner；Robert Abel；J. Chem. Theory Comput. 2017, 13, 1, 42–54.

[3] Nagata, T.; Yoshino, T.; Haginoya, N.; Yoshikawa, K.; Isobe, Y.; Furugohri, T.; Kanno, H. Bioorg. Med. Chem. Lett. 2007, 17, 4683.

[4] Furugohri, T.; Isobe, K.; Honda, Y.; Kamisato-Matsumoto, C.; Sugiyama, N.; Nagahara, T.; Morishima, Y.; Shibano, T. J. Thromb. Haemostasis 2008, 6, 1542.

[5] Brooun, A.; Gajiwala, K. S.; Deng, Y.-L.; Liu, W.; Bolanos, B.; Bingham, P.; He, Y.-A.; Diehl, W.; Grable, N.; Kung, P.-P.; Sutton, S.; Maegley, K. A.; Yu, X.; Stewart, A. E. Nat. Commun. 2016, 7, 11384.

[6] Kuntz, K. W.; Campbell, J. E.; Keilhack, H.; Pollock, R. M.; Knutson, S. K.; Porter-Scott, M.; Richon, V. M.; Sneeringer, C. J.; Wigle, T. J.; Allain, C. J.; Majer, C. R.; Moyer, M. P.; Copeland, R. A.; Chesworth, R. J. Med. Chem. 2016, 59, 1556.

[7] Norman, B. H.; Dodge, J. A.; Richardson, T. I.; Borromeo, P. S.; Lugar, C. W.; Jones, S. A.; Chen, K.; Wang, Y.; Durst, G. L.; Barr, R. J.; Montrose-Rafizadeh, C.; Osborne, H. E.; Amos, R. M.; Guo, S.; Boodhoo, A.; Krishnan, V. J. Med. Chem. 2006, 49, 6155.

[8] Liang, G.; Choi-Sledeski, Y. M.; Shum, P.; Chen, X.; Poli, G. B.; Kumar, V.; Minnich, A.; Wang, Q.; Tsay, J.; Sides, K.; Kang, J.; Zhang, Y. Bioorg. Med. Chem. Lett. 2012, 22, 1606

[9] Winneroski, L. L.; Schiffler, M. A.; Erickson, J. A.; May, P. C.; Monk, S. A.; Timm, D. E.; Audia, J. E.; Beck, J. P.; Boggs, L. N.; Borders, A. R.; Boyer, R. D.; Brier, R. A.; Hudziak, K. J.; Klimkowski, V. J.; Garcia Losada, P.; Mathes, B. M.; Stout, S. L.; Watson, B. M.; Mergott, D. J. Bioorg. Med. Chem. 2015, 23, 3260.

[10] Huang, X.; Cheng, C. C.; Fischmann, T. O.; Duca, J. S.; Yang, X.; Richards, M.; Shipps, G. W. ACS Med. Chem. Lett. 2012, 3, 123.

上下滑动查看更多

关于Hermite

Hermite是深势科技打造的基于AI+分子模拟的新一代综合性药物发现和设计平台，致力于为药物研发工作者提供在计算机辅助药物设计中数据、算法、算力三位一体的一站式解决方案，赋能药物设计人员。Hermite提供精准的基于结构的药物设计整体解决方案，帮助药物设计人员实现从“靶点结构解析、预测与精修，到苗头化合物筛选与优化，先导化合物筛选与优化”的一体化工作。

Uni-Fold是Hermite平台中基于深度学习的蛋白质结构预测模块，从蛋白一级序列出发可以精准而快速的预测蛋白质的3D结构。相同测试条件下，Uni-Fold精度超越RoseTTAFold，与AlphaFold2模型接近的情况下，效率比AlphaFold2显著提升。

RiD是Hermite平台中的基于增强采样的分子动力学模拟模块，不仅可以用来对结构进行精修进而显著提升蛋白结构的准确度。还可以用于辅助寻找靶点的别构位点。

Hermite提供超过1200万可采买的化合物库用于高通量虚拟筛选模块，可以帮助药物设计人员快速筛选、富集潜在的苗头化合物，加速苗头化合物的寻找和确认。同时，Hermite提供的柔性对接、诱导契合对接、共价对接功能也将直接帮助药物设计人员更精准的确认苗头化合物/先导化合物与靶点的结合模式和结合机理。

Uni-FEP是Hermite推出的药物结合自由能计算模块，为先导化合物优化提供了精准计算的可能。Uni-FEP将自由能微扰理论、分子动力学、增强采样算法与高性能计算相结合，能够以化学精度高效评估蛋白质与配体的结合亲和力，适用于R基团优化、骨架跃迁、配位共价、电荷转移、大环成环等各种不同的优化场景。

Hermite还提供包括电镜结构解析与优化、ADMET性质预测、分子生成与分子推荐、抗体设计与优化的分子模拟与计算功能。

了解和试用Hermite，请扫码添加平台官方微信，加官方交流群：

关于深势科技

深势科技成立于2018年，于2019年开启规模化发展之路，致力于以新一代分子模拟技术解决微尺度工业设计难题。以打造切实服务于药企、材料商和科研机构的模拟研发平台为主要业务方向，以解放研发工作者的生产力为主要业务目标。

深势科技具有强大的科研与产业落地能力。自研算法深度势能在保持量子力学精度准确性的基础上，将分子动力学的计算速度提升了数个数量级；结合高性能计算，能够对数十亿原子规模的体系进行量子力学精度的计算模拟。团队核心成员获得2020年全球计算机高性能计算领域的最高奖项“戈登贝尔奖”，相关工作当选2020年中国十大科技进展和全球AI领域十大技术突破。