AI辅助优化β-谷甾醇靶向脊索瘤TBXT蛋白的计算药物发现研究

《Scientific Reports》：AI-assisted identification of innovative phytochemicals from Aizoon canariense aimed at brachyury protein in chordoma: a computational strategy

本研究针对脊索瘤中传统认为“不可成药”的TBXT致癌蛋白，采用人工智能辅助的药物发现方法，对来自植物Aizoon canariense的β-谷甾醇进行结构优化。研究人员通过AI-药效团建模、分子对接、500 ns分子动力学模拟和密度泛函理论分析，发现AI-配体2与TBXT蛋白具有稳定的结合自由能(-81.09 kcal/mol)，并展现出良好的药代动力学特性和安全性。该研究为靶向TBXT的脊索瘤治疗提供了新的先导化合物，为未来实验验证和临床前研究奠定了基础。

　　

脊索瘤是一种罕见但极具侵袭性的骨恶性肿瘤，每年发病率仅为每百万人口0.18-0.84例。这种肿瘤起源于脊索残余组织，主要影响骶尾区和颅底区域，多见于50岁以上的男性患者。尽管脊索瘤生长缓慢，但其高复发率和转移率导致患者长期生存率极低。目前的治疗手段主要局限于手术切除和放疗，但由于肿瘤位置靠近关键神经血管结构，完全切除往往难以实现，且脊索瘤对传统化疗药物普遍耐药。因此，开发针对脊索瘤的新型治疗方法成为当务之急。

在这种临床挑战的背景下，Brachyury转录因子（由TBXT基因编码）作为脊索瘤治疗的关键靶点引起了研究人员的关注。TBXT蛋白在胚胎发育阶段对脊索形成至关重要，而在脊索瘤中异常重新激活，成为肿瘤发生发展的主要驱动力。然而，由于TBXT蛋白的特殊结构，长期以来被认为是“不可成药”的靶点，这促使研究人员寻找新的策略来靶向这一关键蛋白。

近年来，植物来源的天然化合物在药物发现中展现出巨大潜力。其中，来自植物Aizoon canariense的β-谷甾醇因其抗癌活性而备受关注。这种植物甾醇具有诱导凋亡、抑制细胞增殖等多种抗癌机制，但其适中的效力和较差的生物利用度限制了其直接临床应用。随着人工智能技术在药物发现领域的快速发展，研究人员开始探索利用AI辅助方法优化天然化合物的策略。

在这项发表于《Scientific Reports》的研究中，Shifaa O. Alshammari采用了一套完整的计算生物学方法，旨在开发针对TBXT蛋白的有效抑制剂。研究团队首先通过生物信息学分析确定了TBXT蛋白的相互作用网络和生物学功能，然后利用人工智能技术对β-谷甾醇进行结构优化，生成了一系列新型类似物。通过综合运用分子对接、分子动力学模拟、密度泛函理论分析和ADMET（吸收、分布、代谢、排泄和毒性）评估，系统性地评估了这些化合物的结合能力和药物特性。

关键技术方法

本研究采用多层次计算生物学方法：通过STRING数据库构建TBXT蛋白相互作用网络，使用Reactome Pathway数据库进行通路富集分析；利用PrankWeb服务器预测TBXT蛋白活性位点；采用WADDAICA平台进行AI驱动的药效团建模和化合物优化；运用AutoDock Vina、PyRx和MOE进行分子对接验证；进行500 ns分子动力学模拟评估复合物稳定性；通过MMGBSA方法计算结合自由能；利用密度泛函理论分析电子特性；采用SwissADME和Protox 3.0进行药代动力学和毒性预测。

PPI、通路检索和TBXT蛋白的基因本体分析

研究人员通过STRING数据库构建了TBXT蛋白的蛋白质相互作用网络，发现TBXT与多个关键发育转录因子存在密切相互作用。这些蛋白共同参与胚胎轴特化、中胚层谱系决定和多能干细胞转录调控等关键生物学过程。基因本体富集分析显示，TBXT主要参与RNA聚合酶II顺式调控区序列特异性DNA结合、中胚层形成和细胞核定位等功能，这为理解TBXT在脊索瘤发生发展中的作用机制提供了重要线索。

TBXT蛋白3D结构的检索、验证和优化

研究团队从蛋白质数据库获取了TBXT蛋白的晶体结构（PDB ID: 5QSL），分辨率达到2.20 ?。通过Ramachandran图分析和ERRAT评估验证了结构质量，并利用GalaxyRefine服务器对结构进行优化，显著改善了结构冲突分数和旋转异构体质量，为后续分子对接研究提供了可靠的蛋白结构基础。

TBXT蛋白3D结构的活性位点预测

通过PrankWeb服务器的机器学习算法，研究人员在TBXT蛋白表面预测了5个潜在的配体结合口袋。其中排名第一的结合口袋（Pocket 1）具有最高的评分（6.63）和概率（0.366），包含13个氨基酸残基，被选为后续分子对接的研究靶点。

AI-药效团建模

研究采用WADDAICA平台对β-谷甾醇和豆甾醇进行AI驱动的药效团建模，该平台结合了基于图的深度学习模型和传统遗传算法。从β-谷甾醇生成11个类似物，从豆甾醇生成5个类似物，经过结构优化后用于后续分析。这种方法确保了最终药效团既反映了大训练数据集的学习交互模式，又具有能量优化的分子几何结构。

分子对接和相互作用研究

研究人员使用三种不同的分子对接平台（AutoDock Vina、PyRx和MOE）系统评估了AI生成配体与TBXT蛋白的结合能力。在所有测试平台中，β-谷甾醇的AI生成配体2表现出最一致和最优异的结合特性，其结合能分别为-5.7 kcal/mol（AutoDock Vina）、-5.6617 kcal/mol（MOE）和-5.8 kcal/mol（PyRx），显著优于原始β-谷甾醇的结合能力。

先导化合物的分子动力学模拟

500 ns的分子动力学模拟结果显示，蛋白质骨架构象在300 ns左右达到稳定，而配体在200 ns后稳定性显著提高。RMSF（均方根波动）分析显示TBXT蛋白残基的波动范围在1.6-3.2 ?之间，主要分布在蛋白质环区。蛋白-配体相互作用直方图显示，在整个模拟期间化合物与活性位点之间形成了稳定的氢键和疏水接触。

结合自由能分析

MMGBSA（分子力学广义波恩表面积）结合自由能计算显示，配体与TBXT蛋白活性位点的结合稳定性随时间逐渐增强，从0 ns时的-49.91 kcal/mol提高到500 ns时的-81.09 kcal/mol，表明形成了高度稳定的复合物。

先导化合物的药效团表征

药效团分析显示，AI生成的β-谷甾醇配体2相比天然化合物具有更平衡的相互作用特征。天然β-谷甾醇具有9个疏水区域、1个氢键受体和1个氢键供体，而AI配体2则具有3个疏水区域、2个氢键受体、1个氢键供体和1个芳香环，这种更平衡的药效团特征有助于提高与TBXT蛋白活性位点的结合亲和力和特异性。

密度泛函理论分析

量子化学计算显示，先导化合物的HOMO-LUMO能隙为0.23289 eV，表明其具有较低的化学反应性和较高的分子稳定性。这种电子特性有利于配体在生物体内保持稳定性，同时减少非特异性相互作用，提高靶向选择性。

ADMET研究

药代动力学和毒性评估显示，AI生成的配体2相比天然β-谷甾醇具有更优的药物特性。其分子量降低至369.54 g/mol，拓扑极性表面积增加至38.33 ?²，水溶性显著改善（Log S = -5.09），表现出高胃肠道吸收性和血脑屏障通透性。毒性预测显示该化合物属于IV级急性毒性（LD₅₀= 800 mg/kg），无肝毒性、神经毒性、免疫毒性等主要系统风险，安全性优于天然β-谷甾醇。

研究结论与意义

本研究通过整合人工智能辅助的药效团建模、分子对接、分子动力学模拟和密度泛函理论分析，成功优化了β-谷甾醇的结构，获得了具有显著改善结合特性和药物样性质的先导化合物。AI生成的配体2与TBXT蛋白表现出强大的结合亲和力（-81.09 kcal/mol）和优异的稳定性，在500 ns分子动力学模拟中保持稳定的构象。

该研究的创新性在于首次将AI驱动的药效团优化策略应用于β-谷甾醇的结构优化，直接靶向长期以来被认为是"不可成药"的TBXT转录因子。与传统的药物发现方法相比，这种计算策略显著提高了先导化合物发现的效率和成功率，为针对难治靶点的药物开发提供了新思路。

尽管本研究提供了强有力的计算证据，但作者也明确指出这些发现仍需实验验证。未来的研究方向应包括体外结合实验、脊索瘤细胞系中的功能验证以及适当的体内模型评估，以全面评估先导化合物的治疗潜力和安全性。

总体而言，这项研究为开发针对脊索瘤的新型治疗方法提供了有价值的先导化合物，展示了人工智能在天然产物优化和难治靶点药物发现中的巨大潜力，为未来实验验证和临床前研究奠定了坚实基础。