基于化学距离的大型库对接加速方法ChemSTEP

《ACS Central Science》：Chemical Distance-Based Acceleration of Large Library Docking with ChemSTEP

　　

尽管按需合成库现已涵盖数万亿分子，但全库对接在超过数十亿分子时面临困难，这促使研究人员开发优先排序方法，以在仅评估库中一小部分分子的同时回收高评分化合物。研究人员在此引入一种基于相似性的优先排序方法ChemSTEP，并定义了任何优先排序算法处理的库的有效尺寸Neff。ChemSTEP对接一个代表性种子集，选择多样化的高评分“信标”，并通过信标选择、相似性搜索和对接的循环迭代遍历整个库。在回顾性研究中，针对八个靶点，ChemSTEP在对接少于5%库分子的情况下回收了超过75%的高评分化合物。随后，研究人员使用132亿分子库前瞻性地测试了ChemSTEP对AmpC β-内酰胺酶（AmpC β-lactamase）的效果。由于AmpC识别带负电的抑制剂，研究人员明确对接了该库中所有3.6亿个阴离子，并行合成了241个高排名化合物并进行了测试，与ChemSTEP的132亿运行对照。与之前针对AmpC的9900万和17亿分子对接相比，132亿库具有更高的命中率（分别为2% vs 25% vs 37%），并发现了更有效的化合物。同时，ChemSTEP在仅对接前0.5%库分子时便回收了241个高排名化合物中的80%。该方法可能使万亿分子库的对接成为可能。

**论文解读：基于化学距离的ChemSTEP方法加速大型库对接**

**研究背景与问题**：随着按需合成化学库的规模从数十亿扩展到数万亿分子，全库对接的计算成本急剧上升，导致在有限资源下难以全面评估。现有优先排序方法包括基于机器学习、基于合成子（synthon）和基于距离（distance-based）三类，但大多需要预训练或依赖已知活性分子，且在前瞻性大库验证中案例有限。本研究旨在开发一种透明、无需训练、基于化学相似性迭代搜索的优先排序算法ChemSTEP，以在对接极少量库分子的前提下高效回收高评分虚拟命中分子，并验证其在更大库中的实际效果，探索能否通过扩大库规模持续提升对接命中率和化合物效力。

**主要技术方法**（不超过250字）：研究人员使用了以下关键技术方法：（1）基于1024位折叠Morgan指数（半径2，等效于ECFP4）的Tanimoto距离（Td）进行分子相似性度量；（2）采用贪心最大最小多样性策略从虚拟命中中选取信标（beacon）；（3）迭代循环：种子集（seed set）对接→信标选择→全库相似性排序→优先子集对接→新信标选择，直至达到预设虚拟命中回收率或计算预算；（4）利用pProp重标度（pProp = -log₁₀（分数排名））定义虚拟命中阈值，并基于均匀随机子集建立经验分数分布；（5）前瞻性测试中，使用Enamine REAL Space（2023年秋季发布）构建132亿分子库，并平行对接3.6亿个阴离子（通过ChemAxon cxcalc计算pH 7.4下质子化状态）以获取全库“地面真值”（ground truth）；（6）使用DOCK3.8进行分子对接，并采用改进评分方案：仅对单阴离子或双阴离子完全构建和对接，其余分子赋予不利评分（100 kcal/mol）以排除。

**研究结果**（保留每个小标题）：

**ChemSTEP逻辑流程**：ChemSTEP假设相似分子具有相似性质（Maggiora相似性质原理）。从均匀随机种子集（推荐大小为100×10^pProp）开始，对接后根据评分阈值筛选虚拟命中，从中选取多样性信标（通常100个/轮），通过Tanimoto距离在全库中优先选择与信标最相似的未对接分子，构建并对接后，再选新信标，迭代进行。通过计算优先曲线（回收虚拟命中比例 vs 对接库比例）评估收敛。

**回顾性对照**：在LSD数据库的8个大型库（5600万至15.6亿分子）上回顾性测试，设置pProp=4为虚拟命中阈值，种子集100万分子，每轮对接0.04%库，最多125轮。结果显示，对接1%库时回收≥50%虚拟命中，对接5%库时回收75%–92%。

**信标选择与化学空间遍历**：以Sigma2受体为例，利用UMAP（均匀流形逼近与投影）可视化化学空间，发现虚拟命中位于库分子稀疏区域。通过追踪信标家系（beacon genealogy），发现信标链从初始种子信标逐渐发散，Tanimoto距离逐步增大（可达0.86），表明迭代搜索能有效探索化学多样性空间。

**前瞻性对接3.6亿阴离子对AmpC β-内酰胺酶**：从132亿分子库中筛选3.6亿阴离子并完全对接，获得pProp=5.4阈值（-83.13 kcal/mol）对应50165个虚拟命中。从中挑选241个化合物合成并测试，发现106个（44%）具有活性（表观K_i < 400 μM），其中50个K_i < 40 μM，24个 < 10 μM，多个亚微摩尔抑制剂。动态光散射（DLS）排除胶体聚集假阳性。

**探索132亿虚拟库与ChemSTEP**：平行进行100次ChemSTEP复现运行（不同随机种子集），每轮1百万分子，共50轮。所有100条优先曲线高度一致：对接0.1%库时回收约75%虚拟命中，对接0.5%时平均回收91.9%。引入有效库尺寸N_eff（公式2或3），0.5%对接时N_eff达121亿。累计富集（enrichment）在50%回收时达峰值约1500倍，之后下降。每轮富集虽下降，但第50轮仍平均200±100倍。

**AmpC的信标选择**：UMAP显示AmpC虚拟命中集中在特定区域（与Sigma2不同），反映其偏好阴离子弹头。早期轮次即回收大量虚拟命中，通过信标家系追踪展示从磺酰胺酚盐到经典羧酸盐的骨架演化，表明ChemSTEP能发现化学多样的新抑制剂。

**132亿ChemSTEP vs 17亿蛮力对接**：将ChemSTEP第一轮实验（80%回收，27,482,097分子对接）的前187个高评分化合物与17亿蛮力对接的前187个化合物比较。ChemSTEP组在所有效力定义下均获得更高命中率（如K_i < 13 μM：27 vs 11），最有效化合物为220 nM抑制剂（vs 860 nM）。ChemSTEP发现的强效抑制剂多数带有磺酰胺酚盐弹头，但新化合物与已知抑制剂的Tanimoto系数（Tc）大多≤0.5，其中一些甚至为全新骨架。

**早期停止的性能提升**：研究发现，较早停止ChemSTEP（如回收50%虚拟命中时）可进一步提高实验命中率，因为早期回收的化合物家族更丰富、更可能成为有效配体。例如220 nM抑制剂‘4846平均在第5轮被回收，35%情况下在第3轮即出现。

**总结与讨论**：本研究得出四项关键观察：（1）ChemSTEP在大幅降低计算成本的同时与蛮力对接竞争，132亿分子库上50%回收时加速约1500倍，80%回收时约500倍；（2）方法透明，无需训练，参数可解释，决策可按步骤审查；（3）将库规模扩展8倍（从17亿到132亿）后，实验命中率和效力持续提升，支持向万亿分子库推进；（4）引入N_eff（有效库尺寸）和PD（优先难度）两个通用指标，便于比较不同规模库的优先性能。局限性包括：仅前瞻性测试一个靶点（AmpC β-内酰胺酶），且为平行混合设计；对“活性悬崖”（activity cliffs）多的系列可能表现不佳；万亿级库仍需高性能计算资源。尽管如此，透明性和高效性使ChemSTEP可应用于现有十亿级库的标准桌面计算机，并有望扩展到万亿级。

**研究结论**（翻译原文讨论部分最后一段）：尽管存在这些局限性，本研究的核心发现应明确。ChemSTEP在对接活动中通过富集和虚拟命中总量表现出良好性能。其透明性质可能降低技术门槛。虽然利用ChemSTEP探索万亿级库需要专门资源，但将其应用于数十亿化合物量级的虚拟库（仍属当前先进水平）在标准台式计算机上即可实现。在直接比较中，将库从17亿分子扩展到132亿分子提高了命中率和效力，延续了早期趋势，并支持进一步探索更大库。最后，研究人员引入了几个指标，可帮助研究者计算所探索库的有效尺寸，以及随着活动推进找到下一个高排名分子的难度变化。