计算驱动的哌嗪桥接邻苯二甲酰亚胺衍生物作为抗阿尔茨海默病多功能药物的设计与验证

《European Journal of Medicinal Chemistry》：Computationally Driven Design and Validation of Piperazine-Bridged Phthalimide Derivatives as Multifunctional Agents against Alzheimer’s Disease

　　- 开发并验证了一个针对AChE的哌嗪衍生物的高斯场基3D-QSAR药效团模型（AHR_1）- VPT-2和VPT-5被发现对AChE、MAO酶和Aβ1-42自聚集抑制具有平衡的活性谱- 细胞研究证实了其对抗SH-SY5Y细胞的非细胞毒性、神经保护和ROS抑制潜力- CADD介导的研究帮助鉴定了邻苯二甲酰亚胺-哌嗪衍生物作为治疗阿尔茨海默病的有前景的多靶点配体。引言阿尔茨海默病（AD）是一种多因素神经退行性疾病，与胆碱能缺陷、β-淀粉样蛋白（Aβ）聚集、氧化应激和单胺氧化酶（MAO）介导的神经毒性相关[1]。因此，多靶点定向配体（MTDLs）引起了广泛关注，因为它们可以同时调节多种病理途径[2]。在关键治疗靶点中，乙酰胆碱酯酶（AChE）和单胺氧化酶-B（MAO-B）在疾病的发生和进展中发挥关键作用[3]。AChE负责乙酰胆碱的水解，其活性升高可导致胆碱能传递减少，从而损害认知功能[4]。MAO-B参与单胺类神经递质的降解并产生活性氧（ROS），加剧氧化应激和神经元损伤[5]。因此，同时抑制AChE和MAO-B代表了一种有前景的策略，可同时解决神经递质缺乏和氧化失衡问题。然而，该策略的主要挑战在于鉴定出在多靶点间具有平衡活性谱的MTDLs。计算机辅助药物设计（CADD）已成为现代药物发现中不可或缺的工具，能够以更高的效率和更低的成本进行治疗候选药物的合理设计和优化[6]。通过整合分子对接、虚拟筛选、定量构效关系（QSAR）和分子动力学模拟等计算技术[7]，CADD可以预测小分子在原子水平上如何与生物靶点相互作用[8]。该策略显著减少了对试错实验方法的依赖，缩短了开发时间线，并提高了先导化合物优化的成功率[9]。此外，CADD有助于药代动力学和毒性性质（ADMET）的早期评估，有助于在早期阶段淘汰不合适的候选化合物[10]。因此，CADD在加速药物发现[11]以及开发更有效和更安全的治疗药物方面发挥着至关重要的作用。邻苯二甲酰亚胺骨架代表了一种具有多种药理活性的特权结构基序，包括神经保护、抗炎[12]、[13]、[14]、抗癌[15]、[16]、抗尿石症[17]、抗AChE[18]、抗氧化[19]和抗淀粉样蛋白生成[20]等活性[21]。在结构上，其平面芳香骨架能够在AChE酶的芳香峡谷内实现有效的π-π堆积相互作用，促进在催化活性位点（CAS）（通过与PHE330的π-π键）和外周阴离子位点（PAS）（通过与TRP84的σ-π键）的结合[22]、[23]、[24]。同样，强效AChE抑制归因于邻苯二甲酰亚胺和苄基部分分别与PAS（TRP279）和CAS（TRP84）的π-π堆积，以及邻苯二甲酰亚胺羰基与TYR121之间的氢键[25]。值得注意的是，与PAS的相互作用与Aβ聚集的抑制有关，而Aβ聚集是AD的关键病理特征[26]。哌嗪也是一种有效的连接体[27]，允许药效团基团在AChE内实现最佳空间取向以进行双位点结合，并与单胺氧化酶（MAO-B）相互作用，从而同时解决胆碱能功能障碍和氧化应激。Panek等人报道，当连接到邻苯二甲酰亚胺和糖精骨架时，哌嗪核心与六氢嘧啶、3-氨基吡咯烷或3-氨基哌啶相比可提高抑制活性[24]。哌嗪部分通过改善水溶性、柔性和氢键能力进一步增强药理学特征[28]。已有大量关于多奈哌齐启发的邻苯二甲酰亚胺衍生物的研究报道[24]、[25]、[29]（图1），这解释了这类化合物的重要性及其与靶位点的相互作用。在另一篇报道中，发现通过乙基-哌嗪间隔基连接到苯环的邻苯二甲酰亚胺衍生物显示出增强的AChE抑制活性[30]。此外，邻苯二甲酰亚胺部分是几种FDA批准药物的组成部分，如阿普斯特和泊马度胺，分别用于治疗银屑病和多发性骨髓瘤[31]。总的来说，这些研究支持了具有战略性卤素取代的邻苯二甲酰亚胺-哌嗪杂合体作为治疗阿尔茨海默病的有前景多靶点药物的合理设计。在我们继续研究开发用于AD治疗的多靶点定向配体[32]、[33]的基础上，本研究开发了一个针对AChE的基于哌嗪的QSAR模型，并通过药效团建模进行补充，以筛选设计的哌嗪桥联邻苯二甲酰亚胺衍生物（图1）中靶点识别所需的关键药效团特征。随后，通过分子对接评估这些分子与AChE的结合相互作用。为了探索多靶点定向配体（MTDL）潜力，还评估了这些分子对MAO-B的结合亲和力。设想同时调节AChE和MAO-B可以结合症状缓解和疾病修饰潜力，从而使双重作用哌嗪衍生物的设计合理化。进一步使用分子动力学模拟评估配体-蛋白质复合物的稳定性。基于计算优先级排序，合成排名靠前的命中化合物，并通过实验评估其对AChE和MAO-B的抑制活性，从而验证所提出的设计策略。章节片段高斯场基3D-QSAR模型的生成与验证使用Schr?dinger的Maestro 12.8开发并验证了具有AChE抑制活性（IC50在0-2000 nM之间）的哌嗪衍生物（表S1，补充信息）的高斯场基3D-QSAR模型。将对齐的数据集（图2A）以70:30的比例分为训练集和测试集（图2B和2C）。使用最多7个偏最小二乘（PLS）因子生成基于场的3D-QSAR模型。如表S2所示，PLS因子7模型满足了结论在本工作中，使用顺序计算方法来鉴定对AChE和MAO-B具有双重结合亲和力的潜在命中化合物，包括基于配体和基于结构的筛选。使用Schr?dinger的PHASE模块创建并验证了针对AChE的哌嗪衍生物的高斯场基3D-QSAR药效团模型。R2和Q2值在统计学上显著，分别为0.9904和0.9149。最佳药效团假设模型（AHR_1）数据集选择、制备和比对从文献中收集了103种基于哌嗪的AChE抑制剂，包括初步的体外评估。所有化合物的抑制效力表示为pIC50，使用公式pIC50 = 9 - log(IC50)从IC50（nM）计算。该值被用作基于高斯场描述符开发3D-QSAR模型的因变量。在ChemDraw中绘制分子结构并导入Maestro 12.8（Schr?dinger）[50]工作区。CRediT作者贡献声明Vinod Kumar：写作——审阅与编辑、监督、资源、项目管理、资金获取、概念化。Bharti Devi：写作——原稿、软件、方法学、调查、正式分析、数据管理。Suresh Thareja：可视化、监督、正式分析。Naveen Kumar：软件、调查、数据管理。Pooja Temgire：方法学、调查、数据管理。Kailash Jangid：软件、方法学、调查、正式分析、数据管理。利益冲突声明作者声明无竞争性经济利益。利益冲突声明? 作者声明，他们没有已知的竞争性经济利益或个人关系可能影响本论文所报告的工作。致谢Bharti Devi感谢DST提供的WISE-PhD奖学金（文件编号：DST/WISE-PhD/CS/2023/64）。VK感谢教育部、IISC班加罗尔的STAR计划（SR/FST/CS-I/2020/154）。我们感谢DST提供的FIST资助，参考编号为SR/FST/CS-I/2020/154(C)。所有作者均感谢印度政府国家超级计算任务下位于莫哈利的NABI的'PARAM Smriti Facility'对计算研究的支持。Bharti Devi|Kailash Jangid|Pooja Temgire|Naveen Kumar|Suresh Thareja|Puneet Kumar|Vinod Kumar