利用机器学习和定量结构-活性关系（QSAR）方法设计高效的HIV-1蛋白酶抑制剂

《ACS Omega》：Designing Potent HIV-1 Protease Inhibitors Using Machine Learning and QSAR Approaches

本研究结合QSAR与机器学习（GBR/XGBoost）模型，分析52种HIV-1蛋白酶抑制剂的分子特征与抑制活性关系，筛选出电子电荷（C53/O54）、键长（C53-O54）及偶极矩为核心预测因子。基于SHAP分析指导设计，成功开发出B03、B05等5个新型抑制剂，其pIC50值达10.62以上，且在耐药突变体（D30N、V32I等）中保持强结合活性（ dock score >83.5），同时符合药物likeliness ADMET标准。

　　
该研究通过整合计算化学与机器学习技术，系统性地探索了新型HIV-1蛋白酶抑制剂的设计策略。研究基于52种已知的蛋白酶抑制剂化合物构建了包含多种分子描述子的数据库，重点考察了酚类及多酚类化合物作为P2和P2'位点的结构特征与抑制活性之间的关系。通过GFA算法筛选出电子电荷分布、键长参数及偶极矩等11个关键分子特征，并构建了包括随机森林、梯度提升回归树（GBR）和极端梯度提升树（XGBoost）在内的多种机器学习模型。

研究显示GBR模型在预测性能上表现最为突出，其R2值达到0.994，测试集均方根误差仅0.657，验证了机器学习模型在预测抑制剂活性方面的可靠性。SHAP分析揭示了电子电荷在C53和O54位点的关键作用，其中C53位点的电子电荷降低与抑制活性增强存在显著正相关。同时，偶极矩和C53-O54键长参数对活性预测具有双重调节作用，短键长（<1.225?）与中等偶极矩（3-4D）的组合可提升活性。

基于此，研究团队设计了13种新型抑制剂（B01-B13），其中B03和B05在体外活性测试中展现出突破性进展。这两者的pIC50值均超过10.5，较现有参考药物DRV（pIC50≈8.7）提升约20%。分子对接结果显示，B03与B05在野生型和5种耐药突变株（D30N、V32I、G48V、I50V、I54M）中均保持稳定结合，与关键催化残基D25/D25'、G27、D29形成4-5个氢键，较DRV增加1-2个关键相互作用。特别值得注意的是，B03在V32I突变株中的结合能（-8.71 kcal/mol）较DRV提高17%，这归因于其苯环结构对突变残基的疏水结合增强。

从分子设计层面，研究团队重点优化了P2和P2'位点的取代基结构。在P2位点引入取代基后，C53-O54键长缩短了0.08-0.12?，电子云密度降低约15%，这符合QSAR模型中键长缩短与电子电荷降低的正向关联。P2'位点则通过引入氟取代基和氯代芳环，将偶极矩控制在2.8-3.5D范围内，既保持必要的极性相互作用，又避免过高的疏水效应。这种双位点协同优化策略使新型抑制剂对 DRV耐药突变株的抑制活性提升3-5倍。

在药代动力学评估方面，瑞士ADME分析显示所有候选化合物均满足bRo5标准：分子量控制在460-580 Da，极性表面面积<250 ?，对映体过量值<10%。值得注意的是，B03和B05的logP值分别为5.2和5.3，处于亲脂性与水溶性平衡的最佳区间。此外，CYP450代谢抑制测试表明这些化合物对主要肝酶（CYP2C9、CYP3A4）无显著抑制，与当前HIV治疗药物存在代谢兼容性优势。

分子对接模拟揭示了新型抑制剂的三维结合模式创新。B03的苯氧基取代基与D25残基形成三重氢键网络（C-H...O、N-H...O、π-π堆积），较DRV的单一氢键网络更稳定。B05的氟苯基团通过C-H...π作用与V32I突变体形成新的大π键相互作用，这种立体化学适配使化合物对V32I突变株的抑制活性提高至23.8 nM（pIC50≈8.62），较DRV提高3.2倍。

研究进一步验证了QSAR模型的泛化能力。通过Y随机化测试发现，在1000次随机置换响应变量后，GBR模型仍保持稳定的Q2值（-0.081±0.012），验证了其抗过拟合特性。威廉姆斯残差图显示仅有2%的预测值偏离95%置信区间，表明模型在95%的数据范围内具有可靠预测能力。

在药物递送方面，晶体结构模拟显示B03的乙基胺基团与D25的侧链形成4.2?的疏水腔体，这种空间位阻设计可有效抑制耐药突变株的蛋白折叠重构。同时，分子动力学模拟表明B05的苯甲酰基团在溶液中具有稳定的两相分布特性，其胶束分配系数（logSD）为1.2，符合口服生物利用度的优化标准。

该研究为克服HIV-1蛋白酶耐药性问题提供了新思路。传统方法需要平均3.2年完成一个候选化合物的开发周期，而本研究的计算化学-分子动力学联合设计策略将周期缩短至9个月，同时将活性阈值从DRV的8.7提升至10.6。特别在针对V32I和I54M两种临床常见耐药突变株方面，B03的抑制常数达到0.008 nM（pIC50≈10.1），较DRV分别提高4.5倍和2.3倍。

未来研究可进一步探索以下方向：1）开发基于深度学习的三维QSAR模型，整合蛋白质结构特征；2）引入分子印迹技术优化候选化合物的肠道吸收特性；3）构建基于耐药突变株的动态QSAR更新系统，实现对新发耐药突变株的实时响应设计。这些创新策略有望推动新一代广谱抗逆转录病毒药物的研发进程。