基于机器学习的阿司匹林分子修饰引导与评估：实现COX-2选择性抑制的创新策略

《Journal of Pharmaceutical Sciences》：Guiding and Evaluating Molecular Modifications of Aspirin for Preferential COX-2 Inhibition Using Machine Learning

为解决阿司匹林因同时抑制COX-1/COX-2导致的胃肠道副作用问题，研究人员通过机器学习分析ADME特性与X射线衍射结构差异，构建预测模型指导分子修饰。结果显示，增加分子量、拓扑极性表面积(TPSA)和分配系数(LogP)并优化分子构型可显著增强COX-2选择性抑制，最终设计出10种改良结构并经分子对接验证。该研究为计算机辅助设计低副作用NSAIDs提供了新范式。

　　

阿司匹林作为百年老药，其抗炎作用源于对环氧合酶(COX)的抑制，但同时对COX-1和COX-2的不可逆抑制导致"双刃剑"效应——COX-2抑制带来治疗效果，而COX-1抑制则引发胃黏膜损伤等副作用。尽管已有罗非昔布等COX-2选择性抑制剂上市，但研发成本高、周期长的问题始终存在。更棘手的是，临床研究表明选择性COX-2抑制剂可能增加心血管风险，这使得基于经典药物阿司匹林开发新型选择性抑制剂具有特殊价值。

广西中医药大学中药药效研究重点实验室的研究团队在《Journal of Pharmaceutical Sciences》发表的研究中，开创性地将机器学习与分子模拟相结合，为阿司匹林的结构优化提供了精准导航。研究首先从BindingDB数据库筛选出318个COX-1配体和1796个COX-2配体（IC₅₀≤10³nM），通过分析12类ADME（吸收、分布、代谢、排泄）参数和X射线晶体结构差异，发现COX-2偏好结合分子量较大、拓扑极性表面积(TPSA)较高、疏水性(LogP)较强且分子构型更延展的化合物。基于此，团队采用摩根指纹(Morgan fingerprints)作为分子描述符，构建出准确率超85%的COX-1/2预测模型，并通过SHAP算法解析特征重要性。

关键技术包括：1) 基于BindingDB和PubChem数据库构建靶标配体库；2) 采用6种机器学习算法比较预测效能；3) 使用Chemdraw实时分子修饰；4) 通过Mixture of Experts(MOE)2015进行分子对接验证。

ADME特征重要性分析
研究发现COX-2配体具有显著更高的分子量（平均差值为58.7Da）、TPSA（差异达25.4?²）和LogP值（相差1.3个单位），这些参数在SHAP分析中被确认为关键区分特征。随机森林模型表现最优，F1分数达0.93。

阿司匹林实时分子修饰
在模型指导下，团队对阿司匹林羧酸基团进行修饰，引入碳链延长结构和羟基化改造，设计出10种衍生物。其中在苯环对位添加C₄H₉链并邻位羟基化的变体（MW=286.3，TPSA=74.6?²，LogP=3.8）表现出最强的COX-2倾向性，对接分数比原型提高37%。

分子对接验证
X射线衍射分析显示，修饰后的分子能与COX-2活性腔中的Arg¹²⁰、Tyr³⁵⁵形成额外氢键，其延展构型更适配COX-2特有的侧袋结构，而COX-1的狭窄通道则产生空间位阻。

这项研究的意义在于：首次将机器学习特征解释与实时分子设计相结合，证明通过定向增加MW、TPSA和LogP可打破COX-1/2抑制平衡。所建立的"计算设计-预测建模-实验验证"技术路径，不仅为开发低胃肠毒性的阿司匹林衍生物指明方向，更开创了利用经典药物结构骨架快速优化安全性的新范式。值得注意的是，研究提出的"分子延展假说"为COX亚型选择性提供了结构基础，这对其他双靶点药物的选择性改造具有普适参考价值。团队特别指出，未来需通过体外酶活实验进一步验证预测结果，并评估修饰后分子的药代动力学特性。