基于3D分子枚举的Moldrug算法：自动化配体结合位点探索与SARS-CoV-2主蛋白酶抑制剂设计新策略

针对结构药物设计中化学空间探索效率低、分子多样性不足等问题，研究人员开发了开源工具Moldrug，通过CReM库的3D分子枚举和遗传算法优化多参数适应度函数，成功设计了兼具高结合亲和力（MM/GBSA预测达-10 kcal mol-1）、类药性（qed）和合成可行性（sa_score）的SARS-CoV-2主蛋白酶（MPro）抑制剂，为加速药物发现提供了模块化解决方案。

　　

在药物研发的"苗头化合物到先导化合物"（hit-to-lead）阶段，如何高效探索化学空间并设计兼具高活性与良好药代性质的分子一直是重大挑战。传统虚拟筛选方法虽能处理数百万化合物，但往往产生结构相似的分子，限制创新性；而片段药物设计（fragment-based drug design）虽能提升新颖性，却常忽视合成可行性和类药性。更棘手的是，现有工具难以平衡多目标优化——既要提高与靶蛋白（如SARS-CoV-2主蛋白酶M^Pro）的结合亲和力，又要满足类药性（Quantitative Estimation of Drug-likeness, qed）和合成可及性（Synthetic Accessibility Score, sa_score）要求。

为解决这些问题，萨尔兰大学（Universit?t des Saarlandes）的Alejandro Martinez Leon团队开发了Moldrug算法。该开源框架通过化学引导的3D分子枚举和智能优化策略，成功设计出高多样性SARS-CoV-2抑制剂，其预测结合自由能低至-10 kcal mol^-1，相关成果发表于《Journal of Cheminformatics》。

研究采用三大核心技术：1）基于CReM（Chemically Realistic Enumeration of Molecules）库的片段替换策略，实现3D感知的分子生成；2）改进遗传算法（Genetic Algorithm, GA）结合Derringer-Suich期望函数，同步优化vina_score（AutoDock-Vina打分）、qed和sa_score；3）整合分子动力学（Molecular Dynamics, MD）与自由能计算（MM/GBSA和RBFE）进行后验证。

分子设计与化学空间探索
通过"自由"（无约束）和"约束"（固定种子分子构象）两种策略运行Moldrug，在100代进化中分别生成4956和4792个新分子。t-SNE分析显示，设计分子覆盖了Enamine-Hit Locator Library（HLL-460）化学库的36.7%空间，同时探索了未开发区域（图7）。Tanimoto相似性分析（Morgan指纹，半径2）表明，自由策略的分子多样性更高（峰值为0.3），而约束策略更聚焦局部优化（峰值为0.5），但两者均显著区别于已知抑制剂（图6）。

多参数优化性能
适应度函数成功平衡了三重目标：自由策略的最终种群vina_score达-9.72至-8.53 kcal mol^-1，接近预设目标-10 kcal mol^-1；qed稳定在0.7±0.15，优于N3抑制剂（0.57）；sa_score维持在2.05-3.41，符合可合成要求（表1）。约束策略因构象限制导致vina_score优化较弱（-4.58至-3.39 kcal mol^-1），但通过调整参数可进一步改进（图8）。

实验验证与比较优势
通过MM/GBSA和绝对结合自由能（Absolute Binding Free Energy, ABFE）计算验证，29个自由策略分子和79个约束策略分子的ΔG_bind^theor优于N3抑制剂（-6.22 kcal mol^-1），其中分子f-4916预测值达-10 kcal mol^-1（图9）。与文献报道的虚拟筛选结果相比，Moldrug仅用9748次评估即获得与Luttens等筛选2.35亿化合物相当的先导分子（表3），且与DeepLigBuilder设计的共价抑制剂相比，25个分子同时满足更高qed（>0.78）和更低vina_score（<-9 kcal mol^-1）。

该研究证实Moldrug能高效探索化学空间并解决多目标优化难题。其模块化架构支持自定义适应度函数，如整合AlphaFold 3或MM/GBSA提升精度。未来可通过迭代优化约束策略参数，或引入AI评分函数进一步突破。作为Apache 2.0许可的开源工具，Moldrug为从苗头化合物发现到先导化合物优化提供了灵活框架，其设计理念也可拓展至材料科学等领域。