《Journal of Molecular Graphics and Modelling》：Fragment-Based Drug Design Coupled with AI/ML Prediction Enables Identification of Novel PARP-1 Inhibitors against Triple-Negative Breast Cancer
编辑推荐：
本研究通过整合碎片化药物设计、辅助结构分析和人工智能/机器学习方法，筛选出8个潜在PARP-1抑制剂，其中3个经分子动力学模拟验证具有稳定性和抗三阴性乳腺癌活性。
Aayushi Bhatnagar|Virendra Nath|Vipin Kumar
印度拉贾斯坦中央大学化学科学与药学院药学系，阿杰梅尔
摘要
triple-negative乳腺癌（TNBC）在癌症研究中是一个严峻的挑战，因为它具有侵袭性强的特征、预后较差以及治疗选择有限。针对Triple-negative乳腺癌的PARP-1抑制剂的获批为这一领域的药物发现工作开辟了道路。本研究旨在通过结合基于片段的方法、辅助结构的方法以及人工智能/机器学习（AI/ML）技术来识别新的PARP-1抑制剂。通过对片段进行修饰后获得的化合物进行片段杂交和基于对接的虚拟筛选，发现了71个具有良好PARP-1结合特性的候选化合物。进一步的计算机模拟（in silico）药代动力学分析排除了不符合ADME（吸收、分布、代谢和排泄）标准的化合物，最终筛选出22个具有有利性质的候选化合物。随后利用机器学习预测这些化合物的PARP-1抑制潜力，得到了8个与已知抑制剂在结构上相似的潜在抑制剂。此外，基于AI的抗癌潜力评估为这些候选化合物对抗TNBC细胞的作用提供了依据。根据预测的抗癌潜力，选择了3个最佳候选化合物，分别用MDA-MB-231、MDA-MB-436和MDA-MB-468细胞进行实验验证。这些候选化合物与参考配体Olaparib一起，在生理条件下通过500纳秒的分子动力学模拟进一步研究了其在PARP-1腔内的稳定性。大多数模拟过程中观察到了稳定的轨迹，进一步证实了这些候选化合物作为PARP-1抑制剂的潜力。合成可行性预测为这些化合物在药物发现过程中的后续发展指明了方向。基于本研究的结果，还建立了一个设计新型PARP-1抑制剂的框架。
引言
尽管科学取得了显著进展[1]、[2]、[3]，但由于时间限制和巨大的资金投入，获得更有效和更安全的药物仍然面临困难。临床中药物失败的较高比率也是一个因素，这与早期对目标验证和最佳配体特性的忽视有关。因此，在药物发现的初期阶段快速筛选出符合药代动力学的候选化合物对于改善临床前和临床结果至关重要[4]。
计算方法的出现在过去几年中彻底改变了药物发现领域，其与人工智能（AI）、机器学习（ML）和深度学习（DL）的结合显著克服了传统方法的局限性[5]。基于片段的药物发现方法已成为快速识别低亲和力构建单元并将其发展为高亲和力候选化合物的有效手段[6]。基于片段的计算机模拟药物设计已成功应用于针对复杂疾病（如癌症）的研究[7]、[8]、[9]。随着数据量的增加，基于ML和DL的预测模型也被用于寻找新的抗癌剂[10]、[11]、[12]、[14]。
多种癌症中药物耐药性的增加以及现有治疗方法的毒性要求设计和发现针对抗癌目标的新药物[15]。Triple-negative乳腺癌（TNBC）的异质性、侵袭性和预后较差，加上治疗选择有限，使得探索新的治疗方法变得迫切[16]、[17]。Poly（ADP-ribose）聚合酶-1（PARP-1）是一个有前景的目标，因为它在DNA修复过程中起作用，而在至少50%的TNBC病例中这一过程受到干扰。PARP-1参与碱基切除DNA修复，并在具有乳腺癌1和2基因突变的细胞中促进同源重组修复，这类患者占15-25%。在这些情况下，PARP-1抑制剂由于受损DNA的积累而产生细胞毒性，因此被单独使用或与化疗联合使用[18]、[19]、[20]、[21]。从结构上看，大多数PARP-1抑制剂针对的是酶的催化口袋，该口袋分为烟酰胺-核糖结合（NI）区域、磷酸结合（PH）区域和腺嘌呤-核糖结合（AD）区域。这些抑制剂被设计成NAD+中烟酰胺部分的结构类似物，能够与NI结合区域的关键氨基酸残基（Gly863、Ser904、Tyr907和Tyr896）保持接触。然而，研究人员还探讨了与PARP-1口袋AD区域其他残基（如Glu763、Asp766、Asn767、Leu769、Asp770、His862、Ser864、Asn868、Ile872、Ile877、Arg878和Ala880）的相互作用，以增强其效力和选择性[22]。
本研究旨在利用基于片段的计算机模拟药物设计与AI/ML结合的活动预测方法来识别新的PARP-1抑制剂。具体来说，从ChemDiv库中选取了大量片段并应用于PARP-1结合位点，然后通过片段杂交策略将这些片段修饰为新的化合物。这些新化合物通过顺序对接的虚拟筛选进行评估。根据最佳的计算机模拟药代动力学特性筛选出候选化合物，并使用基于指纹图神经网络（FP-GNN）算法的深度学习模型评估它们的PARP-1抑制潜力及其对抗TNBC细胞的活性。最具活性的候选化合物以及与PARP-1的参考复合物在生理条件下进行了500纳秒的分子动力学模拟（见图1）。
材料与方法
本研究中的所有计算机模拟计算都在配备AMD Ryzen 9（7950X）16核处理器、64 GB RAM和NVIDIA GeForce RTX 3080 Ti显卡的工作站上完成。使用了Schrodinger Drug Discovery Suite（2023-1）中的多个模块/工具，包括MM-Share（v. 6.1）、Protein Preparation Workflow、Glide（v. 9.8）、Breed、Prime（v. 7.1）、Qikprop（v. 7.5）、Desmond（v. 7.3），以及免费的AI/ML服务器PARP1pred和DeepCancerMap。
结果与讨论
各种先进的预测建模技术，包括AI/ML/DL，被用于解决不同领域的实际问题[40]、[41]、[42]，并在推进生物医学研究方面发挥了重要作用[43]。最近，这些技术已被应用于基因组学、微生物学、生物成像和药物设计等多个生物医学研究领域[5]、[43]、[44]、[45]、[46]、[47]。AI/ML与基于计算机模拟的药物设计技术的结合确保了更高效的研发过程。
结论
本研究采用的先进计算工作流程为TNBC这一具有挑战性的研究领域提供了初步但有价值的知识。通过实施合理的基于片段的药物设计和辅助药物发现技术，研究有助于更快地识别出具有良好PARP-1结合特性的新型候选化合物。在体外实验之前，就已经证实了这些化合物的PARP-1抑制潜力及其抗癌活性。
CRediT作者贡献声明
Aayushi Bhatnagar：撰写初稿、验证、方法学设计、数据分析、概念构建。Dr. Virendra Nath：审稿与编辑、可视化分析、方法学设计、数据分析。Vipin Kumar：撰写与编辑、验证、项目监督、资源管理、调查工作。
披露声明
作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文的研究结果。
利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文的研究结果。
