《Current Issues in Molecular Biology》：AI-Powered Marine Drug Discovery: A Putative Dual c-Met/VEGFR2 Lead Candidate for Hepatocellular Carcinoma via Deep Learning and Multiscale Simulation
编辑推荐：
摘要翻译：背景：肝细胞癌（Hepatocellular Carcinoma, HCC）仍是癌症死亡的主要原因之一。c-Met与VEGFR2信号通路协同驱动HCC进展。海洋天然产物提供了化学多样化的药物储备库；然而，传统的活性引导分离方法面临劳动强度大、通量低以
摘要翻译：背景：肝细胞癌（Hepatocellular Carcinoma, HCC）仍是癌症死亡的主要原因之一。c-Met与VEGFR2信号通路协同驱动HCC进展。海洋天然产物提供了化学多样化的药物储备库；然而，传统的活性引导分离方法面临劳动强度大、通量低以及化合物频繁重复发现等问题，限制了海洋药物的开发。目的：开创一种人工智能驱动的海洋药物发现工作流程，整合深度学习虚拟筛选，从海洋天然产物库中识别具有双重c-Met/VEGFR2抑制潜力的计算机模拟候选化合物。方法：UniSite预测了c-Met（PDB：4R1V）和VEGFR2（PDB：2XIR）中的结合口袋。对COCONUT和CMNPD数据库中695,000个化合物进行类药性过滤，获得84,730个候选化合物。基于DiffDock的筛选识别出双靶点结合分子，并通过200 ns分子动力学模拟、MM-GBSA计算和DFT分析进行验证。结果：海洋苯酞类化合物CMNPD30506[(S)-3-乙基-5,6-二羟基苯酞] emerged as the lead candidate, engaging VEGFR2 via four hydrophobic contacts and one π-cation interaction with LYS868, while binding c-Met through four hydrophobic interactions, two hydrogen bonds, and π-π stacking. 分子动力学模拟显示稳定的RMSD曲线和动态氢键富集。MM-GBSA显示与VEGFR2和c-Met的结合自由能分别为?14.79和?13.28 kcal/mol，主要由范德华力驱动。DFT计算表明HOMO-LUMO能隙为2.410 eV。结论：该AI增强工作流成功从海洋化合物库中鉴定出CMNPD30506作为有前景的HCC治疗双重c-Met/VEGFR2候选化合物，通过集成深度学习和基于物理的模拟克服了传统发现瓶颈，体现了AI在海洋药理学研究中的潜力。
论文解读
**1. 研究背景、问题与研究必要性**
肝细胞癌（Hepatocellular Carcinoma, HCC）是原发性肝癌中最常见的组织学亚型，占肝癌诊断总数的90%以上，在全球恶性肿瘤中发病率位居第六，同时也是癌症相关死亡的第三大原因。2022年全球约有87万新发病例和76万死亡病例。尽管早期诊断和治疗手段有所进步，但大多数患者在初次诊断时已处于中晚期，加之常合并肝硬化的背景，五年生存率不足20%。目前，包括索拉非尼、仑伐替尼和卡博替尼在内的多靶点酪氨酸激酶抑制剂（Tyrosine Kinase Inhibitors, TKIs）已获批用于晚期HCC的系统治疗，但临床疗效仍然有限，中位总生存期仅延长2–3个月，且伴随明显的不良反应。受体酪氨酸激酶c-Met（肝细胞生长因子受体）在HCC发病和进展中占据核心地位，约40%的HCC患者存在c-Met及其配体肝细胞生长因子（Hepatocyte Growth Factor, HGF）的异常过表达或组成性激活，与肿瘤增殖、侵袭、转移及不良预后密切相关。同时，血管内皮生长因子受体2（Vascular Endothelial Growth Factor Receptor 2, VEGFR2）是肿瘤血管生成的主要调控因子，在HCC组织中高表达，通过VEGF/VEGFR2信号通路促进新生血管形成。更重要的是，c-Met与VEGFR2通路之间存在复杂的串扰和补偿机制：选择性抑制VEGFR2会导致肿瘤缺氧，进而上调缺氧诱导因子-1α（Hypoxia-Inducible Factor-1α, HIF-1α），触发c-Met通路的代偿性激活，最终导致治疗耐药。基于这些机制，同时靶向c-Met和VEGFR2的双靶点策略理论上可实现协同抗肿瘤效果并规避单药耐药。卡博替尼作为双重c-Met/VEGFR2抑制剂，在索拉非尼治疗失败后获得FDA批准用于HCC二线治疗，证实了这一策略的临床价值。然而，现有双靶点抑制剂仍存在选择性不足、脱靶效应和毒性等问题。海洋天然产物因其独特的化学多样性和生物活性，是抗癌药物研发的重要源泉，但传统的生物活性引导分离方法存在劳动强度大、通量低、化合物重复发现率高等瓶颈。近年来，人工智能（Artificial Intelligence, AI）在药物发现领域的应用快速增长，深度学习分子对接平台如DiffDock展现出更高的精度和计算效率。然而，AI驱动的海洋药物发现仍处于未充分开发状态。因此，本研究旨在整合深度学习和多尺度计算模拟技术，系统性地从大规模天然产物库中识别具有双重c-Met/VEGFR2抑制潜力的先导化合物，以克服传统海洋药物发现瓶颈，为HCC治疗提供新型候选分子。
**2. 主要技术方法**
研究人员采用了一种多层级计算筛选策略。首先，利用UniSite深度学习平台预测靶蛋白c-Met（PDB：4R1V）和VEGFR2（PDB：2XIR）的结合口袋。其次，从COCONUT和CMNPD数据库中获取约69.5万个化合物，经Lipinski五规则和QED（Quantitative Estimate of Drug-likeness）类药性评分过滤后，获得84,730个候选化合物。随后，采用DiffDock深度学习对接平台进行大规模虚拟筛选，并使用QuickVina 2（QVina2）传统分子对接软件进行交叉验证。对筛选出的先导化合物，使用GROMACS软件进行200 ns分子动力学模拟，通过MM-GBSA方法计算结合自由能，并采用密度泛函理论（Density Functional Theory, DFT）进行量子化学分析。
**3. 研究结果**
**3.1 活性位点识别**：UniSite模型为VEGFR2和c-Met各识别出14个潜在结合口袋。研究人员选取药物评分≥0.9的高置信度口袋作为后续虚拟筛选的靶点，这些口袋位于结构域间裂隙中，具有疏水性和极性表面平衡分布的特征。
**3.2 虚拟化合物库构建**：对主天然产物化合物库（约70万分子）和海洋来源子集进行Lipinski五规则和QED评分过滤后，共获得84,730个候选化合物（37,280个来自COCONUT库，47,450个来自CMNPD库）。这些化合物的SMILES表示经RDKit转换为三维结构，并经AutoDock Tools预处理为PDBQT格式。
**3.3 AI辅助药物筛选**：使用DiffDock对84,730个配体分别与VEGFR2和c-Met进行对接评估。通过置信度阈值（>?1.5）筛选后，COCONUT库中有6,870个化合物、CMNPD库中有3,900个化合物达标。进一步应用平均置信度>0的严格阈值，最终共获得4个能够同时与两种靶蛋白结合的候选化合物。QVina2结合能计算显示，CNP0376925.2和CNP0073361.1未能与受体形成稳定结合，最终确定CMNPD30506为核心候选药物。
**3.4 结合模式分析**：通过蛋白质-配体相互作用分析工具（Protein-Ligand Interaction Profiler, PLIP）分析表明，CMNPD30506与VEGFR2形成4个疏水相互作用（与LEU889、VAL899、VAL916）和1个与LYS868的π-阳离子相互作用；与c-Met则通过4个疏水相互作用、2个氢键和1个π-π堆积相互作用结合（涉及TYR1230、ARG1208、ASP1222等关键残基）。
**3.5 分子动力学模拟**：200 ns分子动力学模拟显示，两种复合物体系的蛋白质骨架和配体均方根偏差（Root Mean Square Deviation, RMSD）在后段趋于稳定，早期波动归因于配体的构象适应和结合模式优化。均方根波动（Root Mean Square Fluctuation, RMSF）分析表明各残基波动极小，回旋半径（Radius of Gyration, Rg）稳定，表明蛋白质保持紧凑折叠状态。主成分分析构建的吉布斯自由能景观显示单一能量盆地，表明复合物占据主导构象状态。氢键分析显示c-Met体系中后期（120–200 ns）氢键数增加并稳定在2–3个，VEGFR2体系后段（100–200 ns）氢键数也略有增加。
**3.6 结合自由能计算**：MM-GBSA计算得到CMNPD30506与VEGFR2和c-Met的总结合自由能分别为?14.79和?13.28 kcal/mol。能量分解表明范德华相互作用（ΔVDWAALS）是驱动结合的主要热力学力（?17.92和?18.12 kcal/mol），静电相互作用在气相中提供有利贡献，但被极性去溶剂化惩罚大幅抵消。非极性溶剂化项（约?2.21和?2.57 kcal/mol）通过疏水效应提供适度的稳定贡献。
**3.7 密度泛函理论计算**：DFT计算显示CMNPD30506的HOMO能量为?7.486 eV，LUMO能量为?5.076 eV，HOMO-LUMO能隙为2.410 eV。LUMO主要定域于苯环和乙基区域，HOMO主要定域于苯环π体系。适中的能隙表明分子具有合适的电子响应性和极化特性，有利于在结合过程中发生电子重排以增强相互作用稳定性。
**4. 总结与结论**
讨论部分指出，苯酞类天然产物具有多种生物活性，CMNPD30506此前已被报道对肾癌细胞系ACHN和786-O具有中等细胞毒活性。研究发现CMNPD30506在c-Met结合口袋中展现出更多样的相互作用模式，包括与TYR1230的π-π堆积、与ARG1208和ASP1222的氢键作用，其中与ASP1222的氢键提示其可能具有II型激酶抑制剂特征，有利于提高选择性和持续抑制效果。研究还发现该化合物对两种靶蛋白表现出均衡的双靶点亲和力（差异约1.5 kcal/mol），符合理想多靶点抑制剂的特征。DFT分析显示适中的HOMO-LUMO能隙（2.410 eV）既保证了电子适应性，也提示了潜在的代谢稳定性挑战。海洋天然产物因独特的生态选择压力，具有超越陆地来源的化学结构多样性，CMNPD30506作为激酶抑制剂候选分子，其作用机制不同于传统细胞毒药物，可能提供更优的治疗窗口。研究承认了以下局限性：所有结论均基于计算预测而缺乏实验验证；缺少激酶组选择性谱分析；未与临床验证的双靶点抑制剂如卡博替尼进行同等条件下的计算基准比较；仅执行单一200 ns轨迹；DFT计算未考虑溶剂化效应；缺少共结晶配体重对接的系统特异性验证。结论部分总结如下：通过集成深度学习虚拟筛选、分子动力学模拟和量子化学计算，本研究成功从大规模天然产物库中鉴定出海洋天然产物CMNPD30506作为具有双重c-Met/VEGFR2抑制潜力的先导化合物。多层级计算验证证实该化合物能与两种靶蛋白形成稳定结合复合物，展现出均衡的双靶点亲和力和有利的热力学特征。这一发现不仅为双靶点HCC治疗提供了新型候选分子，也体现了AI驱动药物发现范式在多靶点药物设计中的应用价值。后续的实验验证和结构优化研究将推动该先导化合物向临床候选药物转化。
