您當前的位置：檢測資訊 > 科研開發(fā)
嘉峪檢測網(wǎng) 2021-02-25 09:08
藥物篩選指的是采用適當?shù)姆椒?，對可能作為藥物使用的物質(zhì)進行生物活性、藥理作用及藥用價值的評估過程。藥物篩選是現(xiàn)代藥物開發(fā)流程中檢驗和獲取具有特定生理活性化合物的一個步驟，藥物篩選的過程從本質(zhì)上講就是對化合物進行藥理活性實驗的過程，隨著藥物開發(fā)技術(shù)的發(fā)展，對新化合物的生理活性實驗從早期的驗證性實驗，逐漸轉(zhuǎn)變?yōu)楹Y選性實驗，即所謂的藥物篩選。
作為篩選，需要對不同化合物的生理活性做橫向比較，因此藥物篩選的實驗方案需具有標準化和定量化的特點。隨著組合化學和計算化學的發(fā)展，人們開始有能力在短時間內(nèi)大規(guī)模合成和分離多種化合物，因而在現(xiàn)代新藥開發(fā)流程中藥物篩選逐漸成為發(fā)現(xiàn)先導化合物的主要途徑之一。過去很多制藥公司采用高通量篩選（HTS）尋找新的藥物分子，但是巨大的投資卻沒有換來質(zhì)量和數(shù)量均令人滿意的新分子實體藥物，HTS不成功的部分原因在于這種篩選方法自身的復(fù)雜性和極其巨大的被篩選的化合物數(shù)量，長周期、高費用極大制約了新藥的開發(fā)。
近年來眾多新型藥物篩選技術(shù)相繼涌現(xiàn)，顯著提高了藥物發(fā)現(xiàn)的效率，具有代表性的有：1.基于深度學習的人工智能藥物分子虛擬篩選技術(shù)（AIDD）；2.基于片段分子庫的篩選技術(shù)（FBDD）；3.基于結(jié)構(gòu)的分子設(shè)計技術(shù)（SBDD）；4.DNA編碼化合物庫篩選技術(shù)（DEL）。
01、基于深度學習的藥物分子虛擬篩選（AIDD）
過去20年，計算機處理能力的持續(xù)快速增長，大量數(shù)據(jù)集的可用性以及先進算法的開發(fā)，大大推動了機器學習的發(fā)展，由此，專注于具體任務(wù)的狹義人工智能得以實現(xiàn)。近十年基于人工智能的藥物分子虛擬篩選方法（AIDD）層出不窮。傳統(tǒng)AIDD算法體系下，通常使用SMILES字符串來描述分子的二維結(jié)構(gòu)，再利用RNN模型（序列化深度模型）來處理SMILES數(shù)據(jù)，提取蘊含在SMILES數(shù)據(jù)中的分子特征，但這類方法的弊端有兩點：1. SMILES規(guī)則對分子二維結(jié)構(gòu)表征并不完備，即SMILES規(guī)則與分子二維拓撲關(guān)系并不完全一致，且引入了冗余的SMILES表征規(guī)則，以至于后續(xù)銜接學習算法時，會使算法學到SMILES表征規(guī)則而非實際的分子拓撲結(jié)構(gòu)；2. RNN網(wǎng)絡(luò)往往只能關(guān)注到有限長度的數(shù)據(jù)分布關(guān)系，超過范圍的數(shù)據(jù)關(guān)系會自動丟失，因此SMILES + RNN算法僅能提取分子的局部特征（如：骨架片段或局部基團），而整體性的特征，才是分子能否成藥的根本原因。
當前國際上最先進的人工智能虛擬藥物篩選多是利用圖卷積算法體系，其基本框架是直接從分子的二維結(jié)構(gòu)出發(fā)，以原子之間的連接關(guān)系（化學鍵）為基礎(chǔ)，構(gòu)建基于圖信息的分子表征體系，通過端到端的學習，抽取出決定分子活性以及成藥性的關(guān)鍵信息。由于圖神經(jīng)網(wǎng)絡(luò)的靈活性和可擴展性，與遷移學習、主動學習、強化學習和多任務(wù)學習等學習框架有效結(jié)合，可實現(xiàn)分子多目標優(yōu)化及生成、小樣本學習等諸多十分有前景的應(yīng)用。
目前利用人工智能發(fā)現(xiàn)藥物分子已不是新鮮事，一個非常令人興奮的案例是麻省理工學院在沒有使用人類任何先前假設(shè)的情況下，短短幾天內(nèi)從超過1億個分子的庫中篩選出強大的新型抗生素，其中一種抗生素可殺死多種世界上令人非常棘手的致病細菌，包括結(jié)核病和被認為無法治愈的菌株。研究人員使用一個含有2335個已知抗菌活性的分子集合來訓練深度神經(jīng)網(wǎng)絡(luò)，該算法無需對藥物的工作原理和化學基團進行任何標記，就可以預(yù)測分子活性。因此，該模型可以學習人類專家未知的新模式。此外，該方法還可以應(yīng)用于治療癌癥、神經(jīng)衰退性疾病等其他類型的藥物。
圖1: 麻省理工利用深度學習技術(shù)發(fā)現(xiàn)超級抗生素
基于圖神經(jīng)網(wǎng)絡(luò)的人工智能藥物分子虛擬篩選的基本過程：首先，在已經(jīng)建立的數(shù)十億化合物分子庫的基礎(chǔ)上構(gòu)建隱空間，使用成藥數(shù)據(jù)集進一步訓練隱空間，從而產(chǎn)生包含成藥性信息的分子表征。其次，針對具體任務(wù)靶點采用2D和3D相似性、分子對接、藥效團打分、形狀及靜電相似性、動力學模擬等手段篩選數(shù)十個結(jié)構(gòu)新穎、活性高、成藥性好的化合物用于后期化學合成及進一步實驗驗證，整個過程非常短，僅需3個月。
基于深度學習的人工智能藥物分子虛擬篩選與傳統(tǒng)高通量篩選相比，具有顯著的優(yōu)勢：速度更快，3個月即可篩選出苗頭化合物；采用虛擬篩選，成本更低；通過獨特的分子表征模型設(shè)計，更容易篩選出活性高、結(jié)構(gòu)新穎、成藥性好的藥物分子。但虛擬篩選同樣也面臨的問題，其需要大規(guī)模和高質(zhì)量的數(shù)據(jù)用于對模型的訓練，這直接決定了生成分子結(jié)果的質(zhì)量，且生成分子后還需要合成化合物及活性、成藥性驗證。
02、基于化合物片段的分子篩查技術(shù)（FBDD）
基于片段的藥物發(fā)現(xiàn)（FBDD）是最近十年來興起的一種藥物研發(fā)新技術(shù)，這一概念最早提出于1990年，與HTS相比FBDD的優(yōu)勢在于：1.化合物庫較?。?.化合物結(jié)構(gòu)簡單；3.篩選到的化合物質(zhì)量更好；4.效率更高；5.更具有新穎性。
FBDD的過程主要包含三個環(huán)節(jié)：1.片段庫的構(gòu)建；2.篩選得到可與靶點結(jié)合的片段，以及這些片段的結(jié)構(gòu)構(gòu)象；3.利用結(jié)構(gòu)信息對片段進行優(yōu)化。
圖2: FBDD主要過程
片段庫構(gòu)建的關(guān)鍵因素在于化合物庫的大小，庫中化合物的質(zhì)量，以及檢測的方法。在設(shè)計片段庫時，要求片段達到以下要求：1.高溶解度；2.較高的純度；3.不能含有活性功能團，避免片段之間的聚合；4.片段庫還應(yīng)充分體現(xiàn)結(jié)構(gòu)的多樣性。
篩選：FBDD發(fā)展的重要基礎(chǔ)就是高靈敏度的篩選方法，傳統(tǒng)的高通量篩選中所用的篩選技術(shù)不能檢測到低親和力的片段分子，而近年來NMR、X射線晶體學和一些生物物理技術(shù)的發(fā)展，為片段的篩選奠定了基礎(chǔ)。
片段優(yōu)化：通常篩選到的初始片段活性是很低的，所以篩選后的關(guān)鍵就在于對其加工以提高它的活性，以及改善其他性質(zhì)，如選擇性、成藥性等。一般采用片段進化、片段連接和片段自我組裝這幾種方式對片段進行改造。
基于片段的藥物設(shè)計正處于高速發(fā)展階段，已涌現(xiàn)出許多方法，但同樣面臨很多挑戰(zhàn)。首先在建庫方面，目前的片段庫都是對已知的藥物分子進行拆分或者從商業(yè)庫中根據(jù)一些性質(zhì)進行選擇，所以需要發(fā)展新的技術(shù)來設(shè)計和合成新片段。再次，篩選方面，靶蛋白的純度、大小及同位素標記，片段的溶解度等這些因素一定程度上制約著篩選技術(shù)的應(yīng)用。
03、基于結(jié)構(gòu)的分子設(shè)計技術(shù)（SBDD）
Structure-based drug design，即基于結(jié)構(gòu)的藥物設(shè)計，從配體和靶點的三維結(jié)構(gòu)出發(fā)，以分子識別為基礎(chǔ)而進行的一種藥物設(shè)計方法。根據(jù)藥物與其作用的靶點如受體、酶、離子通道、核酸、抗原、病毒等來尋找和設(shè)計合理的藥物分子。
通常SBDD的步驟包括：1.蛋白質(zhì)結(jié)構(gòu)準備；2.結(jié)合位點識別；3.配體庫準備；4.對接和評分功能。
靶點是藥物設(shè)計的先決條件，合理藥物靶點的選取直接決定了藥物開發(fā)的成敗。靶點的三維結(jié)構(gòu)，往往可以通過X-射線晶體學、多維核磁共振或同源蛋白質(zhì)結(jié)構(gòu)預(yù)測等計算機模型方法得到，其次利用實驗手段測定或用計算方法研究藥物與受體的作用模型，在此基礎(chǔ)上來進行合理藥物設(shè)計。除了考慮藥物與受體的結(jié)構(gòu)特點，還需要考慮藥物的溶解性、毒性、代謝過程等因素的影響，合理藥物設(shè)計通常需要10-15次循環(huán)的努力才有可能找到“最為合適”的藥物分子。
其不足之處在于需要靶點完整清晰的三維立體結(jié)構(gòu)；僅考慮藥物-受體的結(jié)合強度，不能預(yù)測藥物的藥效，速度較慢。
圖3: 應(yīng)用SBDD成功上市的藥物
04、DNA編碼化合物庫篩選技術(shù)（DEL）
DNA編碼化合物庫(DNA encoding chemical library，DEL)是美國 Sydney Brenner 和RichardLerner于1992年提出并申請發(fā)明專利的一項新技術(shù)。目前，DNA編碼化合物庫作為新藥篩選的一種強有力的工具已經(jīng)越來越被制藥公司及科研院所所重視。
其基本方法是將活性靶點蛋白和經(jīng)DNA編碼的化合物庫同時孵育，親和力強的化合物與蛋白結(jié)合，親和力弱或不結(jié)合的化合物被除去，由于化合物與DNA編碼信息一一對應(yīng)，可以通過高通量測序技術(shù)得到高親和力化合物的結(jié)構(gòu)信息，重新合成不帶DNA標簽的化合物后進行活性驗證及結(jié)構(gòu)優(yōu)化，從而得到苗頭化合物，該方法大幅提高了新藥篩選的效率。
圖4: DEL主要過程
DEL篩選與傳統(tǒng)的高通量篩選方法有很大的不同。首先DEL基于親和篩選，將純化的重組蛋白和DEL進行共孵育，直接找到與蛋白具有結(jié)合力的苗頭化合物，而傳統(tǒng)篩選方法通過蛋白的功能變化來識別苗頭化合物。其次，DEL篩選是將蛋白和整個化合物進行孵育，是數(shù)量巨大的化合物同時篩選，而非單個化合物依次篩選，這種方式具有明顯的速度和成本優(yōu)勢。
但DEL的親和性篩選也有需進一步完善之處，大體積的DNA編碼標簽有時會阻礙與目標蛋白的相互作用，一些潛在的候選物可能會丟失。此外，小分子及其DNA標記可與純化柱結(jié)合，產(chǎn)生假陽性。該方法最適合于游離可溶性蛋白質(zhì)，但許多潛在藥物靶點在細胞表面，使得傳統(tǒng)的親和篩選方法無法檢測它們。另一大問題仍然是要擴大分子庫規(guī)模，增加化合物骨架的多樣性，同時保持化合物的類藥性和庫的純度。
總結(jié)：幾種新型藥物分子篩選方法對比
參考資料：
[1] Erlanson, D. A.; Davis, B. J.; Jahnke, W. Fragment-Based Drug Discovery: Advancing Fragments in the Absence of Crystal Structures. Cell Chemical Biology 2019, 26 (1), 9–15.
[2] Lyne, P. D. Structure-Based Virtual Screening: An Overview. Drug Discovery Today 2002, 7 (20), 1047–1055.
[3] Goodnow, R. A.; Dumelin, C. E.; Keefe, A. D. DNA-Encoded Chemistry: Enabling the Deeper Sampling of Chemical Space. Nat Rev Drug Discov 2017, 16 (2), 131–147.
[4] Stokes, J. M.; Yang, K.; Swanson, K.; Jin, W.; Cubillos-Ruiz, A.; Donghia, N. M.; MacNair, C. R.; French, S.; Carfrae, L. A.; Bloom-Ackermann, Z.; Tran, V. M.; Chiappino-Pepe, A.; Badran, A. H.; Andrews, I. W.; Chory, E. J.; Church, G. M.; Brown, E. D.; Jaakkola, T. S.; Barzilay, R.; Collins, J. J. A Deep Learning Approach to Antibiotic Discovery. Cell 2020, 180 (4), 688-702.e13.
[5] XU Li-kun，ZHANG Dong-na，DOU Yuan-yuan，SONG Ya-bin，WANG Bao-gang，WANG Hong-quan. DNA encoding chemical library in drug screening and discovery: research and application. J Int Pharm Res ,2018,45(10),736-741.
[6] 中國食品藥品網(wǎng)，http://www.cnpharm.com.
來源：Internet
關(guān)于我們 聯(lián)系我們 營業(yè)執(zhí)照 全國服務(wù)電話：400-818-0021 嘉峪檢測版權(quán)所有 備案號：京ICP備14047019號-2 
京公網(wǎng)安備11010802046783號
