靶向小肠结肠炎耶尔森菌DD-转肽酶的药物重定位与天然产物抑制剂计算发现及ADMET评价

《BioData Mining》：Proteome mining of Yersinia Enterocolitica for drug targets and computational inhibitor identification with ADMET, anti-inflammation potential and formulation characteristics

本研究针对抗生素耐药性日益严重的小肠结肠炎耶尔森菌感染，通过蛋白质组挖掘鉴定出关键靶点DD-转肽酶，采用计算生物学方法筛选FDA批准药物和中药化合物库，发现Hinokiflavone和Acetyldigitoxin等具有强结合活性的抑制剂，并通过分子动力学模拟和ADMET预测验证其稳定性和成药性，为抗耐药菌药物开发提供新策略。

　　

抗生素耐药性的全球蔓延正对公共卫生构成严峻挑战，其中食源性病原体小肠结肠炎耶尔森菌(Yersinia enterocolitica)引起的感染尤为棘手。这种革兰氏阴性菌不仅导致自限性胃肠炎，还可能引发严重的肠系膜淋巴结炎、反应性关节炎甚至全身性感染。尽管氟喹诺酮类和第三代头孢菌素仍是主要治疗选择，但耐药模式的多样化使得四环素和复方新诺明等药物的疗效变得不可预测。据美国疾控中心(CDC)估计，美国每年因耶尔森菌感染导致11.7万例疾病、640例住院和35例死亡，欧洲疾控中心(ECDC)2021年也报告了6876例确诊病例。这种感染在儿童中发病率更高，且具有明显的冬季季节性特征，而耐药机制的进化——包括基因突变和水平基因转移——正在迅速削弱现有抗生素的治疗效果。

面对这一挑战，研究人员将目光投向计算生物学驱动的药物发现新范式。发表在《BioData Mining》的这项研究采用创新的多组学方法，通过蛋白质组挖掘、分子对接和机器学习验证，系统性地寻找对抗耶尔森菌感染的新解决方案。研究团队特别关注了传统中药(Traditional Chinese Medicine, TCM)化合物库和FDA已批准药物库，希望通过药物重定位(drug repurposing)策略加速治疗方案的临床转化。

研究人员首先采用减法蛋白质组学(subtractive proteomics)方法，从耶尔森菌菌株WA-314的3993个蛋白质中筛选潜在药物靶点。经过冗余序列剔除、必需基因比对、人类蛋白非同源性筛选和肠道微生物组排除等多轮严格筛选，最终将目标锁定在138个候选靶点上。进一步通过SPIDER机器学习模型评估靶点的成药性(druggability)，并结合功能注释排除移动遗传元件相关蛋白和趋化相关蛋白，最终选择了在细菌细胞壁合成中起关键作用的DD-转肽酶(DD-transpeptidase)作为主要研究靶点。该酶也被称为青霉素结合蛋白1A(Penicillin-binding protein 1A, PBP1A)，是β-内酰胺类抗生素的作用靶点，在肽聚糖交联中发挥核心作用。

研究采用的关键技术方法包括：通过AlphaFold获取DD-转肽酶的三维结构并进行质量评估；使用DrugRep平台对FDA批准药物库(2315个化合物)和中药化合物库(2390个化合物)进行虚拟筛选；采用DiffDock、GNINA和Vinardo等机器学习方法进行结合验证；利用分子动力学模拟(Molecular Dynamics Simulation, 100 ns)评估复合物稳定性；通过PKCSM服务器进行ADMET(吸收、分布、代谢、排泄和毒性)性质预测；使用AllergyPRED预测化合物致敏性；采用InflamNat服务器预测抗炎活性；并通过FormulationAI工具评估环糊精复合物改善口服生物利用度的潜力。

靶点筛选与验证

通过系统的减法蛋白质组学流程，研究人员从耶尔森菌蛋白质组中成功鉴定出DD-转肽酶作为关键药物靶点。该酶属于核心蛋白质组，在细菌细胞壁合成中不可或缺，且与人类蛋白无显著同源性，避免了潜在的脱靶效应。结构分析显示该酶包含糖基转移酶家族51结构域、青霉素结合蛋白OB样结构域和青霉素结合蛋白转肽酶结构域，PROCHECK评估确认其结构质量可靠。

虚拟筛选结果

针对DD-转肽酶的虚拟筛选发现了一系列具有高结合亲和力的候选化合物。从FDA库中筛选出的最佳化合物包括Digitoxin(-9.4 kcal/mol)、Irinotecan(-9.4 kcal/mol)和Acetyldigitoxin(-9.4 kcal/mol)；从中药化合物库中筛选出的顶级化合物包括Vaccarin(-10.0 kcal/mol)、Narirutin(-9.7 kcal/mol)和Hinokiflavone(-9.5 kcal/mol)。这些化合物通过氢键、疏水和亲水相互作用与靶点形成稳定结合。

机器学习验证

采用DiffDock、GNINA和Vinardo等机器学习方法对初步筛选结果进行验证。结果显示Hinokiflavone的Vinardo结合得分最佳(-7.224 kcal/mol)，而Acetyldigitoxin的CNN评分表明其在蛋白结合位点中的拟合度更优。两种化合物的DiffDock置信度值在-2.02至-2.19之间，表明对接预测具有中等可信度。

分子动力学模拟

100 ns的分子动力学模拟显示所有复合物的RMSD值均保持在1 nm以下，表明结合稳定性良好。其中Acetyldigitoxin复合物的平均RMSD最低(约0.5 nm)，而Irinotecan复合物则表现出较高的构象灵活性。RMSF分析揭示了蛋白C端、N端和环区(特别是残基113、135、496和640-661)具有较高灵活性。氢键分析表明中药化合物比FDA批准药物保持了更高的氢键形成频率。

ADMET性质预测

药代动力学性质预测显示，FDA批准化合物具有更好的Caco2肠道吸收能力，而中药化合物普遍表现出较低的口服生物利用度。所有化合物均被预测为非致敏原，且不能透过血脑屏障。特别值得注意的是，Hinokiflavone被预测具有最强的抗炎潜力，可能通过抑制一氧化氮(NO)产生发挥双重抗菌和免疫调节作用。

制剂优化研究

为解决化合物水溶性差的问题，研究人员评估了八种环糊精(cyclodextrin)作为潜在辅料。结果表明SBE-β-环糊精(SBE-β-CD)与大多数化合物具有最强的结合亲和力，特别是与Acetyldigitoxin和Hinokiflavone的结合能分别为-20.339和-19.962 kJ/mol。这一发现为改善这些化合物的口服生物利用度提供了可行的制剂策略。

脱靶效应评估

通过HitDexter 3和SwissTargetPrediction工具评估化合物的脱靶效应，发现Digitoxin可能与人Na⁺/K⁺-ATPase和核受体ROR-γ相互作用，Irinotecan可能影响多种神经递质受体，而Narirutin则可能与细胞色素P450酶系发生相互作用。这些发现提示在进一步开发中需要特别注意这些潜在的安全性问题。

该研究通过计算生物学方法成功鉴定了针对耶尔森菌DD-转肽酶的高亲和力抑制剂，其中Hinokiflavone和Acetyldigitoxin表现出最优的结合特性。分子动力学模拟证实了复合物的稳定性，ADMET预测为后续实验研究提供了重要的药代动力学参考。特别值得关注的是，Hinokiflavone不仅表现出强抗菌潜力，还被预测具有显著的抗炎活性，这可能为治疗耶尔森菌感染引起的炎症并发症提供双重治疗策略。研究还通过环糊精复合物研究为解决化合物水溶性差的问题提供了切实可行的方案。这些计算研究结果为抗耐药耶尔森菌药物的开发奠定了坚实基础，后续的实验验证将进一步确认这些候选化合物的治疗潜力。该研究的创新之处在于整合了现代药物重定位策略与传统中药资源，为应对全球抗生素耐药性挑战提供了新的思路和方法学框架。