基于ML-QSAR与片段选择性分析识别第四代EGFRL858R/T790M/C797S抑制剂

《International Journal of Molecular Sciences》：ML-QSAR and Fragment Selectivity for the Identification of Fourth-Generation EGFRL858R/T790M/C797S Inhibitors

　　

本研究旨在建立一套整合工作流程，将基于ML-QSAR的定量构效关系（QSAR）建模、片段水平选择性分析、大规模化合物库虚拟筛选与分子动力学（MD）模拟相耦合，以识别针对EGFR^{L858R/T790M/C797S}突变体的第四代抑制剂。研究人员在经整理的ChEMBL生物活性数据上分别针对突变型与野生型EGFR训练了独立的XGBoost模型，获得了较强的预测精度（R² = 0.74–0.81；RMSE = 0.53–0.56），并具有可解释的SHAP特征归因。片段分析突出了若干结构基序，随后将其用于筛选ZINC数据库，从中保留了22个选择性评分高于1.9的化合物。对接与MD分析识别出3个具有强选择性、有利结合能（?25.3至?36.4 kJ/mol）且相互作用模式与已知EGFR^{L858R/T790M/C797S}抑制剂一致的命中化合物。该流程可迁移至其他靶点，并为精准肿瘤学中合理的新一代药物探索提供了可扩展的模板。

**研究背景** 肺癌是全球发病率和致死率最高的恶性肿瘤之一，非小细胞肺癌（NSCLC）约占全部病例的80%。表皮生长因子受体（EGFR）的异常激活通过过表达或激活性突变驱动相当一部分NSCLC患者的肿瘤发生。第一代可逆性抑制剂厄洛替尼于2004年获批用于携带EGFR外显子19缺失的肿瘤；第二代不可逆药物阿法替尼随后获批用于携带EGFR激活突变的晚期或转移性NSCLC。奥希替尼虽与第二代药物共享与Cys797反应的丙烯酰胺弹头，但因优先抑制EGFR^T790M耐药突变体而对野生型受体影响较小，被归类为第三代抑制剂，2015年进入临床用于既往治疗进展的EGFR^T790M阳性NSCLC，2018年进一步获批作为转移性NSCLC一线治疗。然而获得性耐药最终限制其长期疗效，最突出的耐药机制为三级C797S突变，该突变阻止丙烯酰胺基团与Cys797形成共价键，因此亟需对C797S突变体仍具活性的新型EGFR抑制剂。

已有多种研究策略被提出以克服奥希替尼耐药。主流方法之一利用Lys745残基设计对EGFR^C797S突变体仍有效的ATP竞争性抑制剂，布里加替尼是该类中首个化合物，其氧杂磷杂环基团与Lys745侧链氨基结合，对携带三级C797S突变的EGFR具有强效抑制作用；但由于Lys745在αC螺旋中保守，该策略存在脱靶活性与安全性风险。替代方法包括靶向突变Ser797残基（如化合物Os30）或使用变构抑制剂（如EAI-045），这些均在C797S突变体上显示出良好活性。尽管如此，尚无专门针对EGFR^C797S突变设计的抑制剂获批。机器学习与数据驱动化学的进展使整合异质生物活性数据、解析经典QSAR或纯结构方法难以捕捉的构效关系成为可能。

**研究开展与结论** 研究人员构建了一套计算流程，将ML-QSAR建模与基于片段的选择性谱分析及虚拟筛选相结合，以发现靶向C797S突变的新型第四代EGFR抑制剂。该流程具体设计为：（i）构建并验证预测性ML-QSAR模型；（ii）识别决定选择性的片段基序；（iii）筛选预测兼具高效力与对EGFR^{L858R/T790M/C797S}强选择性的候选分子。研究得出，该整合流程能够捕捉精细的选择性决定因素并将其转化为基于片段的筛选标准，所获命中化合物兼具强预测亲和力与良好类药性质，并重现了已知EGFR^{L858R/T790M/C797S}抑制剂的典型相互作用模式，支持所识别化学型的机制合理性。该流程模块化、可扩展且可迁移，可适配于其他靶点或选择性仍为主要治疗开发障碍的多亚型靶点，为精准肿瘤学中合理的新一代药物探索提供了可扩展模板。

**关键技术方法** 研究从ChEMBL数据库（靶点ID：CHEMBL203）采集人源EGFR抑制剂生物活性记录，按突变状态分为野生型组与突变型组（涵盖L858R、T790M、C797S及其双突变和三突变）。采用ECFP4指纹（半径2、固定长度2048位）生成分子描述符；以Butina算法（Tanimoto相似度阈值0.3）进行聚类，并结合t-SNE降维可视化；采用基于残差的过滤与DBSCAN密度聚类剔除异常化合物；以簇分层抽样划分训练集与测试集，并用随机森林重要性评分筛选描述符。采用XGBoost回归算法（XGBR）结合十折交叉验证构建突变型QSAR与WT-QSAR模型，以SHAP进行特征可解释性分析，并以k近邻（kNN）方法定义适用域（AD）。采用BRICS算法将抑制剂拆解为片段并以ECFP4编码预测选择性；对ZINC数据库（约981,247,974个化合物）进行基于ECFP4的相似性搜索（阈值0.1）与虚拟筛选。分子对接使用AutoDock 4.2，分子动力学模拟在Amber 22中进行100 ns，结合自由能采用MM-PBSA方法计算。

**研究结果**

*数据集分析*：经整理后获得6869个野生型EGFR抑制剂与881个突变型EGFR抑制剂两个高质量数据集，野生型集pIC50范围为4.0–11.2，突变型集为4.1–10.2，多数化合物pIC50介于5.5–8.5。ECFP4指纹分析显示每个分子中活跃位点少于6%，证实圆形指纹的稀疏性与结构多样性；Butina聚类在突变型集获得65个簇、野生型集获得327个簇，以小簇为主提示骨架多样性高。约27%的突变型抑制剂与45%的野生型抑制剂满足Lipinski五规则，两组理化性质谱存在明显差异；重叠分析显示约50%的突变型化合物与6%的野生型化合物同时出现在另一组，表明两组集合结构相似性有限。

*数据集精炼与聚类*：精炼方案显著降低测定噪声、异常值干扰与结构不一致性，结合残差过滤与DBSCAN结构筛选确保保留分子既实验可靠又具化学邻域代表性。共105个突变型与736个野生型化合物被标记为异常。精炼后重复聚类并经t-SNE投影，显示两组均呈更内聚且化学一致的 grouping，突变型集簇数降至33、野生型集降至147，且总体pIC50分布基本不变，证实精炼在未改变生物活性格局的前提下净化了数据。

*训练-测试抽样与描述符选择*：簇分层划分产生突变型测试集154个化合物（19.8%）与野生型测试集1230个化合物（20.1%），该测试集应视为簇感知的留出集用于化学空间内评价，而非骨架不相交的外部验证集。经随机森林重要性评分（以平均重要性为阈值）筛选后，最终描述符集对突变型含296位、野生型含301位；筛选后每个分子中5–22%的位点保持活跃，激活频率分布左偏程度减轻，反映稀疏性降低、冗余减少及与生物活性相关化学模式的富集增强。

*机器学习建模*：由于实验表征的EGFR^{L858R/T790M/C797S}抑制剂数量有限，无法稳健训练三突变特异性QSAR模型，故采用L858R、T790M、C797S、双突变及三突变构建合并的突变型EGFR模型。经超参数调优后，两模型稳定性与泛化性提升；训练集R²为0.74–0.80、RMSE为0.53–0.55，独立测试集R²为0.75–0.81、RMSE为0.54–0.56，MAE在训练数据为0.40–0.42、测试数据为0.39–0.42，学习曲线显示训练与验证RMSE近乎同步收敛，提示偏差-方差失衡有限且有效捕捉构效趋势。作为对比，仅用训练集进行特征选择的重复流程在相同划分与超参数下，配对bootstrap分析显示差异较小且无统计学区分度。

*适用域*：采用k近邻方法（k = 3）定义化学适用域，以查询分子到训练集最近邻的距离及预测残差（±3以内）判定可靠性。仅1个突变型化合物（0.13%）与19个野生型化合物（0.31%）落在标准之外，证实两模型可靠性。

*模型评价与验证*：预测与实验pIC50的Pearson相关系数达0.86–0.90，表明强线性一致性；分位数-分位数（Q-Q）与残差分析呈对称、零中心分布且系统性偏差小，与良好校准一致。跨数据集预测显示，各模型在自身数据上表现良好而在对方集合上表现较差，两个交叉预测方向的相关系数分别为?0.55与0.42，同时部分化合物（44.3%、12.1%）落在适用域之外，表明模型捕捉了各组特异的结构决定因素。研究指出，本验证设计的局限在于留出测试集由簇内抽样而非分离Bemis-Murcko骨架产生，由于未使用骨架不相交的外部测试集，结果不应被解释为对未见骨架的泛化证据，预测化合物仍需实验验证。

*基于SHAP的可解释性*：SHAP分析为每个测试化合物在交叉验证折中的每个ECFP4位点分配贡献值，聚合后识别出约20个持续强烈影响模型输出的描述符，指向对选择性EGFR抑制重要的亚结构基序。观察到携带更多高影响指纹位点的分子趋于显示逐步升高的平均pIC50，含全部十个顶级SHAP识别位点的化合物达到最高观测与预测活性，而活跃位点较少的分子效力相应下降，该单调趋势与关键亚结构特征对总体生物活性呈加和贡献的观点一致。SHAP贡献与实验活性趋势的一致性提示模型捕捉了真实的构效关系而非描述符编码假象；十个最具影响指纹位点被投射到代表性抑制剂结构上，片段着色标记高影响位点。

*基于片段的虚拟筛选*：对EGFR抑制剂集合（6909个分子）进行BRICS断裂产生2578个独特片段，覆盖广泛化学与理化空间（分子量13–1098，AlogP ?2.83至9.03，氢键供体0–6，氢键受体0–10，QED 0.075–0.924）。以两模型对全片段库预测pIC50（排除适用域外片段），突变型集平均预测值为6.98、野生型集为5.33，对突变型EGFR的选择性评分范围为1.88至0.76。选择性评分最高的片段（SMILES [3*]ON[C@@H]([8*])CS(C)(=O)=O）被选用于基于片段的虚拟筛选。对类药ZINC集合进行相似性搜索以检索含所选片段的分子，在适用域内以两模型评分，保留选择性评分超过1.9且预测突变型EGFR pIC50高于8.0的分子，最终获得22个化合物进入后续对接分析。

*对接与分子动力学分析*：将22个入选化合物对接至EGFR^{L858R/T790M/C797S}（PDB ID：8wd4），所有化合物均能占据突变受体活性位点，参与疏水相互作用并与蛋白形成多个氢键；但仅zinc563082375、zinc1332126659与zinc1600303988三个化合物与突变Ser797残基形成氢键，该特征被认为是第四代EGFR^{L858R/T790M/C797S}抑制剂的关键，故这三个化合物进入MD分析。对突变型与野生型EGFR-配体复合物各进行100 ns模拟，RMSD显示所有突变复合物约10 ns后达到平衡，配体与蛋白RMSD分别保持在2 ?与4 ?以下，提示无重大构象重排且结构完整性得以保持；RoG波动低于1 ?，表明复合物在模拟期间未发生明显结构变化。自由能景观（FEL）由每条轨迹前两个主成分构建，紫色区域占优表明采样构象热力学有利并使复合物稳定。综合RMSD、RoG与FEL结果，所有蛋白-配体复合物在模拟条件下保持构象稳定。三个突变复合物均与突变Ser797形成稳定氢键，占据率为59–77%，另观察到与MET793、ASP800等残基的氢键。采用MM-PBSA方法计算结合自由能，在所有复合物中Evdw、Eele与Esurf贡献有利，而EGB不利（可能因复合物溶解度低）；所有总结合自由能均为负，表明复合物稳定，且突变型EGFR复合物显示出比野生型对应物更有利的ΔGbinding值，该能量结果与XGBoost QSAR预测一致并支持EGFR^{L858R/T790M/C797S}抑制剂的选择性行为。

**讨论与结论** 本研究提出了一套整合ML-QSAR建模、片段水平选择性谱分析、大规模化合物库虚拟筛选与分子动力学分析的工作流程，以应对识别第四代EGFR^{L858R/T790M/C797S}抑制剂的长期挑战。利用经整理的突变型与野生型EGFR抑制剂及可解释的ML-QSAR，该流程捕捉了精细的选择性决定因素并将其转化为基于片段的筛选标准。所得命中化合物兼具强预测亲和力与有利类药性质，并重现了已知EGFR^{L858R/T790M/C797S}抑制剂的典型相互作用模式，支持所识别化学型的机制合理性。该工作流程并非仅依赖孤立的QSAR模型或结构启发式，而是展示了如何将预测建模与片段引导筛选结合以高效探索选择性化学空间。该流程模块化、可扩展且可迁移，可适配于其他靶点或选择性仍为主要治疗开发障碍的多亚型靶点。总体而言，本工作的见解应为未来发现新型EGFR^{L858R/T790M/C797S}抑制剂作为潜在治疗药物的努力提供参考。