整合机器学习与基于结构的计算方法发现靶向METTL3 m6A甲基转移酶的天然产物抑制剂用于癌症药物研发

《Journal of Pharmaceutical Innovation》：Integrated Machine Learning and Structure-Based Computational Discovery of Natural Product Inhibitors Targeting the METTL3 m6A Methyltransferase for Cancer Drug Discovery

摘要

目的

采用整合计算药物发现方法，鉴定N6-甲基腺苷（m6A）RNA甲基化的关键调控因子——甲基转移酶样蛋白3（METTL3）的新型植物化学抑制剂，该蛋白与癌症发展密切相关。

方法

使用88个活性METTL3抑制剂和440个非活性诱饵化合物训练了五种有监督机器学习模型。将表现最佳的模型用于筛选MPD3库中的2,347个植物化学物质，随后进行基于共识的候选化合物选择和Lipinski五规则过滤。以METTL3共结晶结构（PDB: 9G4S）为目标进行分子对接，随后进行吸收、分布、代谢、排泄和毒性（ADMET）特征分析。对选定的三个化合物进行了100纳秒全原子分子动力学（MD）模拟，并使用均方根偏差（RMSD）、均方根涨落（RMSF）、氢键分析、主成分分析（PCA）和轨迹快照评估复合物稳定性。进行分子力学广义Born表面积（MM-GBSA）计算以估算结合自由能。

结果

随机森林（受试者工作特征曲线下面积[AUC] = 0.917）和梯度提升（AUC = 0.911）表现出最高的预测性能。共识筛选鉴定出75个高概率候选化合物。分子对接揭示了五个排名靠前的化合物，得分范围为?10.0至?11.3 kcal/mol，显示出与关键催化残基（包括Asp395、His512、Asn549和Gln550）的相互作用。经ADMET评估后，PubChem637406和PubChem162892281因预测的AMES致突变性被排除。分子动力学模拟表明，PubChem31553和PubChem5280704在METTL3 S-腺苷甲硫氨酸（SAM）结合口袋中维持了稳定的相互作用，而PubChem11669392表现出不稳定的相互作用并最终从活性位点解离。MM-GBSA计算得出PubChem31553的估算结合自由能为?28.70 ± 5.91 kcal/mol，PubChem5280704为?27.23 ± 3.26 kcal/mol，与参考抑制剂（?27.93 ± 2.35 kcal/mol）相当。相比之下，PubChem11669392表现出较差的估算结合自由能（?13.70 ± 3.19 kcal/mol）。

结论

整合计算筛选流程鉴定出PubChem31553和PubChem5280704作为METTL3抑制的有前景的候选支架，其依据包括有利的对接得分、稳定的分子动力学轨迹以及与参考抑制剂相当的估算结合自由能。这些发现为这些化合物的实验验证及其作为靶向m6A抗肿瘤药物发现先导化合物的潜在开发奠定了基础。需要进一步的生物化学和细胞学研究来确认它们的抑制活性、选择性和治疗潜力。