基于形状的片段连接与主动学习探索SARS-CoV-2宏结构域的结构-活性关系及其抗病毒靶点开发

为解决SARS-CoV-2非结构蛋白3（NSP3）宏结构域（Mac1）抑制剂开发中羧酸类化合物膜渗透性差的问题，研究人员通过形状虚拟筛选技术FrankenROCS结合主动学习算法Thompson sampling（TS），从Enamine REAL数据库中筛选出非羧酸类小分子抑制剂，优化后获得IC50优于10 μM的候选化合物，为抗病毒药物设计提供了新策略。

　　

论文解读
新冠病毒（SARS-CoV-2）的NSP3宏结构域（Mac1）是病毒致病的关键因子，也是潜在的抗病毒靶点。然而，现有抑制剂如羧酸类化合物存在膜渗透性差、代谢不稳定等问题，限制了其临床应用。为此，研究人员开发了一种创新的片段连接方法FrankenROCS，结合主动学习算法Thompson sampling（TS），从数十亿分子库中高效筛选新型抑制剂。

研究团队首先通过X射线晶体学筛选获得235个片段，构建7181对片段组合，利用FrankenROCS对Enamine HTS库（210万化合物）进行筛选，发现39个候选分子，其中AVI-313（IC₅₀=130 μM）表现出非羧酸类抑制活性。进一步通过TS搜索Enamine REAL数据库（220亿分子），筛选出32个化合物，优化后获得IC₅₀达220 μM的AVI-328。最终，通过结构优化得到多个IC₅₀<10 μM的候选分子，如AVI-3669（8.7 μM）和AVI-1504（9.8 μM），显著改善了膜渗透性和代谢稳定性。

关键技术方法

1. FrankenROCS虚拟筛选：基于片段对的3D形状和药效团匹配，从大规模库中筛选潜在抑制剂。
2. Thompson sampling主动学习：高效搜索超大规模数据库，降低计算成本。
3. X射线晶体学与PanDDA分析：解析137个高分辨率复合物结构，明确结合模式。
4. 均相时间分辨荧光（HTRF）：定量测定化合物与Mac1的结合活性。

研究结果

1. FrankenROCS筛选发现非羧酸类抑制剂：AVI-313通过2-氨基乙醇核心与Leu¹²⁶形成氢键，苯环占据疏水区，突破羧酸依赖的抑制模式。
2. TS优化提升筛选效率：TS算法在试剂空间采样，仅评估0.1%库分子即锁定高评分化合物，如磺酰胺类AVI-345。
3. 结构优化揭示亲和力决定因素：疏水区甲基接触（如AVI-1504）和氧阴离子亚位点氢键（如AVI-607）是高效结合的关键。
4. 蛋白构象多样性：121个晶体结构显示Phe¹⁵⁶羰基翻转和Leu¹⁶⁰侧链旋转等构象变化，为多态结合提供结构基础。

结论与意义
该研究通过FrankenROCS和TS技术，首次实现了从超大规模库中高效筛选非羧酸类Mac1抑制剂，并系统阐明了疏水相互作用和氧阴离子亚位点氢键对亲和力的贡献。低微摩尔级化合物如AVI-1504和AVI-3716兼具膜渗透性和代谢稳定性，为后续体内抗病毒研究奠定基础。发表于《SCIENCE ADVANCES》的这项成果不仅为COVID-19治疗提供新候选药物，也为基于片段的超大规模库筛选树立了技术范式。