《Molecular Informatics》:Identification of YES1 Inhibitors From Approved Drugs Using a Multimodal Deep Learning Framework
编辑推荐:
虽然抗人表皮生长因子受体2(HER2)药物(包括曲妥珠单抗)改善了HER2阳性癌症患者的预后,但癌细胞获得的耐药性仍是重大的临床挑战。研究人员此前报道,YES1在曲妥珠单抗耐药的乳腺癌和肺癌细胞中过表达,且抑制YES1可恢复曲妥珠单抗敏感性。然而,目前尚无已批
虽然抗人表皮生长因子受体2(HER2)药物(包括曲妥珠单抗)改善了HER2阳性癌症患者的预后,但癌细胞获得的耐药性仍是重大的临床挑战。研究人员此前报道,YES1在曲妥珠单抗耐药的乳腺癌和肺癌细胞中过表达,且抑制YES1可恢复曲妥珠单抗敏感性。然而,目前尚无已批准药物特异性靶向YES1。本研究作为一种旨在快速临床应用的药物重定位策略,构建了能够学习化合物与靶蛋白之间相互作用的机器学习模型,并对已批准药物进行了筛选。该策略鉴定出氯丙嗪和雷洛昔芬为命中化合物。体外验证表明,这两种药物在15?μM浓度处理48?h后可有效抑制YES1活化。研究结果表明,所鉴定的已批准药物可能代表克服抗HER2药物耐药的有前景的治疗选择。
一、研究背景与意义
人表皮生长因子受体2(HER2)属于ERBB家族受体酪氨酸激酶,可通过形成同源或异源二聚体激活下游PI3K-AKT和MAPK信号通路,调控细胞分裂、增殖与凋亡。HER2过表达是已知的致癌驱动因素,不仅见于乳腺癌,还广泛存在于胃癌、结直肠癌、肺癌及唾液腺癌等多种癌种中。抗HER2药物(包括曲妥珠单抗)的引入显著改善了HER2阳性癌症的治疗结局,尤其在早期HER2阳性乳腺癌中,化疗联合双抗HER2药物方案已实现3年无侵袭生存率超过90%的优异疗效。
然而,HER2阳性癌症对抗HER2药物获得性耐药仍是重大临床挑战。已报道的耐药机制包括HER家族突变、HER2表位掩蔽或缺失以及替代通路激活等。研究人员此前发现,SRC家族激酶(SFKs)成员YES原癌基因1(YES1)在曲妥珠单抗、拉帕替尼和来那替尼耐药的HER2阳性乳腺癌和肺癌细胞系中过表达,且抑制YES1可恢复这些药物的敏感性。此外,YES1信号通路还被报道与非小细胞肺癌中表皮生长因子受体-酪氨酸激酶抑制剂(EGFR-TKIs)耐药相关。这些发现提示YES1是克服多种抗癌药物耐药、跨癌种应用的潜在治疗靶点。
在已批准药物中,部分酪氨酸激酶抑制剂(TKIs)如达沙替尼虽具有YES1抑制活性,但其与抗HER2疗法联用可能因心脏毒性等不良反应及高昂成本而面临挑战。近年来虽开发了CH6953755和eCF506等高选择性SFK抑制剂,其中eCF506已进入I期临床试验,但新化合物从临床开发到获批仍需相当长时间,且存在未知毒性风险。因此,采用药物重定位策略,从已批准药物中快速筛选YES1抑制剂,具有重要的临床转化价值。
二、研究内容与主要结论
本研究构建了整合分子图表示、理化描述符和靶蛋白表示的多模态深度学习模型,对DrugBank数据库中已批准药物进行虚拟筛选,并通过体外实验验证命中化合物的YES1抑制活性。研究最终鉴定出氯丙嗪和雷洛昔芬两种已批准药物具有YES1抑制活性,提示其作为克服抗HER2药物耐药的药物重定位候选药物的潜力。
三、关键技术方法
研究人员从ChEMBL数据库(版本34)获取SFKs生物活性数据(IC50和%抑制率),经标准化处理后共保留5,165个化合物用于模型训练与评估。分子结构采用RDKit标准化,活性数据按阈值转换为二元分类标签。模型整合三种模态:图卷积网络(GCN)提取分子图结构特征、Mordred描述符计算理化性质、预训练蛋白质语言模型ESM-2(esm2_t33_650M_UR50D)生成靶蛋白1280维嵌入向量。由于YES1活性数据仅135条,研究将范围扩展至高同源性的SFK家族共10个激酶,以解决数据稀缺问题。采用分层5折交叉验证评估模型性能,并通过消融实验比较四种模型变体(GME、GM、GE、ME)。筛选流程中,对DrugBank(版本5.1.10,共2,587个条目)化合物进行预处理,以Tanimoto相似度≥0.6定义适用域(AD)过滤,最终使用最优GE模型预测YES1抑制概率≥0.5的化合物作为候选。体外验证采用HER2阳性人乳腺癌BT-474细胞系及其曲妥珠单抗耐药亚系BT-474-R(通过浓度递增法历时10个月建立),检测细胞活力(CCK-8法)和YES1磷酸化水平(Western blot)。
四、研究结果
- 1.
模型性能与模态贡献:通过分层5折交叉验证比较四种模型变体,GE模型(GCN+ESM)取得最优性能,ROC-AUC为0.911±0.006,PR-AUC为0.869±0.013;GME模型(GCN+Mordred+ESM)性能相近,ROC-AUC为0.910±0.007,PR-AUC为0.866±0.009;ME模型(Mordred+ESM)略低,ROC-AUC为0.894±0.016;GM模型(GCN+Mordred)性能最低,ROC-AUC仅0.838±0.022。结果表明整合靶蛋白表示可显著提升预测性能,而额外加入分子描述符的增益有限。ESM-2嵌入显示SFKs之间高度相似,但整合蛋白质表示仍能使模型捕捉激酶间细微序列差异。
- 2.
药物重定位筛选:DrugBank化合物经预处理和排除训练集中已知YES1抑制剂后,10个化合物被剔除。AD过滤后102个化合物进入预测,共10个化合物被鉴定为候选YES1抑制剂。其中5个为已知TKIs,3个未获FDA批准或已撤市,最终选择氯丙嗪(预测概率0.968)和雷洛昔芬(预测概率0.586)进行实验验证。
- 3.
体外验证:在BT-474-R细胞中,氯丙嗪和雷洛昔芬的IC50分别为9.22±0.36?μM和16.46±0.78?μM,均显著低于亲本BT-474细胞(分别为14.42±0.36?μM和28.74±1.48?μM)。Western blot分析显示,两种化合物均以浓度和时间依赖方式降低YES1磷酸化水平而不改变总YES1蛋白表达。氯丙嗪在≥10?μM浓度、雷洛昔芬在≥5?μM浓度起效,两者均在处理48h后显示抑制作用。对照化合物eCF506在更低浓度即显示YES1抑制活性。
五、讨论与结论
消融实验证实整合ESM蛋白质表示对预测SFK家族内激酶选择性至关重要,GM模型因缺乏靶蛋白信息而性能显著下降。GCN分子图表示已能充分捕捉化合物结构信息,手动设计的Mordred描述符增益有限。氯丙嗪和雷洛昔芬的YES1抑制活性相对弱于eCF506,可能原因包括:筛选库为已批准药物而非TKIs设计、ChEMBL公共数据异质性引入实验噪声等。尽管如此,这两种药物已在临床广泛使用(分别为抗精神病药和选择性雌激素受体调节剂),安全性特征明确,且已有研究报道其潜在抗癌活性。相较于eCF506从I期到获批平均约需7年的开发周期,已批准药物在快速临床转化方面具有明显优势。
研究结论:结合GCN和蛋白质语言模型ESM-2的多模态模型展现出良好的预测性能。通过建立AD抑制假阳性,该模型从安全性特征明确的现有药物中鉴定出抑制YES1磷酸化的新化合物。本研究所鉴定的已批准药物有望成为克服抗HER2药物和EGFR-TKIs耐药的新型治疗选择。