整合分子表征方法，用于基于机器学习的谷氨酰环化酶抑制剂虚拟筛选

《Journal of Molecular Graphics and Modelling》：Integrating molecular representations for machine learning-based virtual screening of Glutaminyl Cyclase inhibitors

　　黄满华|黄中通|阮越南英|阮清聪|阮 Thu Hang|阮范芳
越南河内药科大学药用植物学与传统医学学院药理植物学系，河内，11000

摘要
分泌型谷氨酰环化酶（sQC）催化形成焦谷氨酸 amyloid-β（pE-Aβ），这是一种极易聚集且具有神经毒性的物质。在本研究中，我们开发了一种深度学习模型，该模型结合了预训练的 ChemBERTa 嵌入和扩展连接性指纹（ECFP），利用 ChEMBL 数据库中的数据来预测针对 sQC 的化合物的 IC50 值。该模型的表现与几种传统机器学习算法进行了系统比较，这些算法使用了不同的分子表示方法，包括 ECFP 指纹、ChemBERTa 和 MolFormer 的嵌入、2D 和 3D 分子描述符及其组合。表现最佳的模型随后被应用于 COCONUT 数据库中的天然产物筛选。潜在化合物通过 ADME 分析和分子对接进一步评估，以识别具有良好药代动力学特性和高亲和力的 sQC 抑制剂。選出了三个代表性候选化合物（CNP0534898.2、CNP0421664.1 和 CNP0273039.1）进行分子动力学模拟。模拟过程中观察到的蛋白质-配体相互作用的稳定性以及使用 MM/GBSA 方法计算的结合自由能进一步支持了所提出工作流程在识别潜在天然产物衍生 sQC 抑制剂方面的可靠性。

引言
阿尔茨海默病（AD）是一种神经退行性疾病，最初表现为记忆丧失，逐渐影响更广泛的认知功能，包括语言、学习和视觉空间能力 [1]。它是痴呆症的主要原因，约占所有报告病例的 60-70% [2]。淀粉样级联假说认为，β-淀粉样蛋白（Aβ）在脑中的异常积累在 AD 的发病机制中起核心作用 [3]。细胞外的淀粉样斑块会破坏突触传递并引发神经炎症，最终导致神经元功能障碍和变性 [4]。最近，治疗策略转向了改变疾病进程的方法，特别是那些针对 Aβ 聚集和清除的方法。值得注意的是，单克隆抗体如 Aducanumab 和 Lecanemab 已经显示出减少脑内淀粉样负荷的能力 [5]。然而，它们的长期临床效益和安全性仍存在争议，而高昂的治疗成本显著限制了患者的可及性 [6]。这些限制突显了需要针对 Aβ 和淀粉样斑块形成机制的替代治疗策略，从而激发了对新靶点和更高效药物发现方法的探索。

人类 QC 在翻译后修饰过程中催化 N-末端谷氨酰胺或谷氨酸残基的环化，生成焦谷氨酸（pGlu）[7]。在其异构体中，sQC 主要负责分泌途径中的这一过程，促进了人类体内焦谷氨酸 amyloid-β 肽（pGlu-Aβ）的生成。这些修饰后的 pGlu-Aβ 显示出更高的疏水性和抗蛋白水解性，从而增强了聚集和淀粉样斑块的形成 [8]。它们比未修饰的 Aβ 具有更强的神经毒性，并通过类似朊病毒的机制传播 [9]。因此，PBD-150 是最早的咪唑类 QC 抑制剂之一，成为开发下一代 QC 抑制剂的模板 [10]。尽管合成了许多 QC 抑制剂，但它们的临床转化受到了限制 [11]。例如，PQ912（Veroglutamstat）在早期显示出有希望的结果，但在 IIb 期临床试验中未能达到主要认知终点，限制了其进一步的发展 [12]。因此，开发新型 sQC 抑制剂仍然是治疗 AD 的重要策略。

经过数百万年的进化，天然产物具有卓越的化学多样性和结构复杂性，赋予了显著的生物活性和药物类似性 [13]。特别是天然产物在 AD 的临床管理中做出了重要贡献，例如天然生物碱加兰他敏（Galantamine）和半合成衍生物利斯的明（Rivastigmine）的批准 [14]。此外，从 Huperzia serrata 中提取的天然生物碱石杉碱 A（Huperzine A）已在中国获得批准；然而，由于大规模临床证据有限和安全问题，它尚未获得 FDA 的批准，并未在国际上广泛销售 [15]。最近，GV-971（海藻 Ecklonia kurome 提取的寡甘露糖）进一步证明了天然产物在治疗 AD 中的潜力 [16]。这些例子共同展示了天然化合物作为 AD 药物开发有希望的来源的巨大潜力。尽管如此，分离和生物活性评估过程仍然具有挑战性，因为它们需要大量的时间和资源。

在过去的十年中，计算方法已成为现代药物发现不可或缺的一部分，涵盖了广泛的计算机模拟研究，包括分子性质预测、分子对接、分子动力学模拟（MD）和定量结构-活性关系（QSAR）[17]。其中，机器学习（ML）和深度学习（DL）已被认为是强大的数据驱动方法，能够识别复杂模式、预测生物活性并加速虚拟筛选 [18]。这些策略有助于进行预测建模，以估计生物活性并对大型化学数据库进行虚拟筛选 [19]。因此，它们通过优先考虑有希望的候选化合物，在实验验证之前显著减少了早期药物发现所需的时间和资源。同时，如 ChEMBL、NPASS、COCONUT 和 SuperNatural II 等天然产物数据库提供了化学结构和生物活性数据，支持了 ML 在药物发现流程中的整合 [20]。

在 QSAR 模型开发中，化学结构必须转换为能够全面编码结构和理化信息的数值分子描述符 [21]。这些描述符通常包括二维（2D）和三维（3D）描述符，以及分子指纹描述符，如 ECFP、MACCS 关键和原子对指纹。最近，来自自我监督预训练的分子嵌入受到了广泛关注，例如 Mol2vec [22]、MolFormer [23]、ChemBERTa [24] 和 SELFormer [25] 等模型所示。使用这些预训练的表示作为模型输入已显示出在分子性质预测及相关任务中的准确性提升 [26]。然而，每种分子表示方法都存在固有的局限性。例如，像 ECFP 这样的循环指纹容易发生位碰撞 [27]。DL 模型也面临挑战，包括数据偏差、可解释性有限、计算成本高以及对小数据集的适应性降低 [28]。为了解决这些方法的局限性，最近的研究整合了多种分子表示方法以利用它们的互补优势。例如，EMBER 结合了七种指纹类型（包括 RDKit、Morgan、AtomPair、Torsion、Layered、FeatMorgan 和 ECFP4）作为卷积神经网络（CNN）的输入进行虚拟筛选 [29]。同样，DGCL-MFP 将分子图与几种分子指纹结合，在分类和回归任务上表现出优异性能 [30]。此外，MMFi-DPBML 将各种分子指纹（包括 MACCS、ECFP4、Torsion 和 2D 描述符）与深度金字塔卷积神经网络（DPCNN）结合，用于预测中药中的成分-靶标相互作用 [31]。因此，整合多种分子特征是一种增强模型性能和泛化能力的有前景策略。

在这项研究中，我们开发了一个多步骤计算机模拟框架，整合了多种计算方法来识别潜在的 sQC 抑制剂。通过将 ChemBERTa 嵌入 [24] 与 ECFP4 [32] 结合生成分子特征。该模型使用从 ChEMBL 数据库 [33] 策集的生物活性数据进行训练，随后应用于预测从 COCONUT 数据库 [34] 中检索的天然化合物的 pIC50 值。根据 Lipinski 的五规则和血脑屏障（BBB）渗透性评估了高 pIC50 的化合物。进行分子对接以评估其结合亲和力和 sQC 活性位点内的关键相互作用。进一步进行 MD 模拟以验证配体-蛋白质复合物的稳定性。最后，使用 MM/GBSA 方法计算结合自由能以评估结合亲和力。本研究的工作流程如图 1 所示，它展示了一个多步骤计算机模拟框架，用于识别 sQC 抑制剂。

数据集
QSAR 数据集来自 ChEMBL 数据库 [33]，包含针对分泌型谷氨酰肽环化酶（secretory QC，sQC；ChEMBL ID: CHEMBL4508）的抑制剂。收集了每种化合物的 ChEMBL ID、SMILES 表示法和 pIC50 值。排除了没有 pIC50 值的记录以确保数据一致性。具有相同 ChEMBL ID 的条目通过平均其报告的 pIC50 值来合并，以最小化实验变异性。数据集被分为几部分。

数据集预处理和准备
使用主成分分析（PCA）和基于 2048 位 ECFP4 指纹的均匀流形逼近和投影（UMAP）分析了数据集的化学空间。PCA 和 UMAP 可视化都揭示了明显的聚类模式，表明数据集中存在多个核心骨架（见图 3）。这些聚类模式可能是由数据集的组成造成的，因为许多化合物来自独立的药物化学研究。

结论
在这项研究中，我们开发了一种 DL 模型，它结合了 ECFP4 指纹和 ChemBERTa 嵌入来预测化合物针对 sQC 的 pIC50。这两种特征类型首先通过单独的神经网络进行处理，将其维度减少到共同的潜在空间 512 维，然后进行整合。这些表示随后被连接成一个 1024 维的特征向量，用作具有三个隐藏层的前馈神经网络的输入。

资助
这项研究没有从公共、商业或非营利部门的资助机构获得任何特定拨款。

利益冲突声明
我们没有需要声明的已知利益冲突或可能影响本文工作的个人关系。

数据可用性
本研究中使用的数据和代码可在我们的 GitHub 仓库中找到：https://github.com/hmha1/Glutaminyl_cyclase_virtual/screeningCRedi

作者贡献声明
阮范芳：撰写－审查与编辑、监督、项目管理、概念化。
阮清聪：撰写－审查与编辑、软件。
阮 Thu Hang：撰写－审查与编辑、监督、资源、项目管理。
黄满华：撰写－原始草稿、调查、形式分析、数据整理。
黄中通：撰写－审查与编辑、调查、形式分析。
阮越南英：撰写－审查与编辑、软件。

利益冲突声明
? 作者声明他们没有已知的可能影响本文工作的竞争性财务利益或个人关系。

致谢
作者感谢越南科学技术学院信息技术研究所提供的计算资源和技术支持。