药物开发中定量评估阻转异构风险的自动化计算工作流程

《Digital Discovery》：An automated computational workflow for quantifying atropisomer risk in pharmaceutical developmentOpen Access

　　

阻转异构现象在现代小分子药物中日益普遍，并可能显著影响药物的疗效、安全性和代谢。因此，可靠预测旋转能垒、阻转异构体类别及互变动力学对于立体化学表征、风险评估以及药物开发中的设计决策至关重要。研究人员提出了一种稳健的自动化化学信息学与量子力学（QM）工作流程，该流程整合了快速构象探索、轴聚焦过渡态搜索和子结构特异性校准，以预测现实溶剂和温度条件下旋转轴的旋转能垒、阻转异构体类别及互变半衰期。在一个涵盖多种阻转异构子结构（包括若干类药物样分子）的400个化合物的精选基准数据集上，该工作流程具有条件无关性，与实验能垒取得了高度一致性（R² = 0.87，RMSE = 2.48 kcal mol^?1），并且在类别归属上实现了高准确率（在误差范围内为97%）。通过使用基准线性拟合（R² = 0.89，RMSE = 2.28 kcal mol^?1）校正计算能垒，可进一步提高未来的预测性能，且该校正方法被证明在典型阻转异构化学型中具有高度普适性。该工作流程已整合入阿斯利康的路线设计实践中，有助于在早期对阻转异构体稳定性进行决策，降低开发风险并提高立体化学控制的可靠性。

药物开发中阻转异构风险的计算评估：一种自动化工作流程

**一、研究背景与问题**

手性是小分子药物开发中的关键考量因素，因为不同立体异构体可能表现出显著不同的活性、安全性和代谢特征。除了常见的点手性外，阻转异构（atropisomerism）——由单键旋转受阻产生的轴手性——在现代药物中日益普遍。阻转异构体的立体化学性质和稳定性可强烈影响药物功能，例如肺癌治疗药物sotorasib因(R)-阻转异构体比(S)-对映体效力高约20倍而以单一对映体形式上市。根据LaPlante等人2011年提出的分类标准，阻转异构体按室温下的旋转能垒分为三类：I类（<20 kcal mol^?1，快速互变）、II类（20–30 kcal mol^?1，有问题的中等互变速率）和III类（>30 kcal mol^?1，极慢互变）。其中II类化合物因在储存或体内条件下发生显著外消旋化而构成最大的开发风险。此外，工艺温度通常远高于储存温度，一个在室温下表现为III类的轴在典型工艺温度下可能趋于II类行为，导致立体化学侵蚀。虽然实验方法可测量旋转能垒和半衰期，但对每个筛选化合物进行实验表征并不现实。因此，早期计算预筛对于先导化合物优化和临床前阶段的风险评估至关重要。

**二、研究内容与结论**

研究人员开发了一种稳健的化学信息学与量子力学（QM）工作流程，名为“Atropisomers”，用于自动识别、分类和量化化合物中的阻转异构风险。该流程以SMILES字符串和溶剂为输入，通过SMARTS模式匹配筛选预定义的子结构（如联芳基、二芳基醚、硫醚、亚砜、砜、胺、苯甲酰胺、芳基-脂肪族等），识别潜在手性旋转轴，并利用基于取代基模式的位阻过滤规则排除低能垒轴以节省计算成本。对通过筛选的轴，工作流程执行多步QM能垒评估：RDKit生成构象并优化，DFT优化最低能量结构；使用广义内坐标（GICs）对每个轴进行双向扫描，获得旋转过渡态（TS）候选结构；经DFT约束优化、无约束TS优化和频率计算验证真正的旋转TS；对最低能量TS进行构象搜索和优化；最后通过高精度DFT单点能计算得到吉布斯自由能旋转能垒（ΔG），并结合Eyring方程预测指定温度下的互变半衰期和LaPlante类别。

在包含400个文献化合物的精选基准数据集上，该工作流程展现了优异的性能：计算能垒与实验能垒的R² = 0.87，RMSE = 2.48 kcal mol^?1；类别分配的原始准确率为86%，当以RMSE作为类别边界误差范围后准确率升至97%，且所有11个错分均为过预测（相对于II类有9个假阴性和2个假阳性），没有真实II类被预测为安全的I类。在各子结构中，联芳基表现最好（R² = 0.95），二芳基和芳基-脂肪族表现相对较弱（R² = 0.68和0.72），但仍保持良好准确性。包含强分子内氢键的二芳基胺体系和稠环案例（秋水仙碱）均被正确预测。在20个类药物化合物的子集上，原始R² = 0.72，RMSE = 2.55 kcal mol^?1，略低于全基准但考虑到结构复杂性仍属优异。与Balduf等人方法的比较中，该工作流程在60个化合物子集上达到R² = 0.87和RMSE = 2.26 kcal mol^?1，与对方QRNN-TB/DFT方法（0.89/2.08）相当。5折交叉验证显示，用整体线性拟合校正后测试集R² = 0.89，RMSE = 2.28 kcal mol^?1，表明校正方法普适且无明显过拟合。该工作流程已整合入阿斯利康的内部实践，用于常规筛选和开发决策，并已在KRASG12C抑制剂开发中成功应用，量化温度依赖的外消旋动力学以指导路线选择和过程控制策略。

**三、主要技术方法**

工作流程的核心技术包括：（1）基于SMARTS的旋转轴筛选，覆盖联芳基、二芳基醚/硫醚/胺/亚砜/砜、苯甲酰胺/硫代苯甲酰胺、芳基-脂肪族、芳基亚砜/磺酰胺等药物相关子结构，支持5、6、7元环组合及质子化/去质子化形式；（2）基于取代基模式的位阻过滤规则，排除低能垒轴；（3）RDKit构象生成与DFT几何优化；（4）基于广义内坐标（GICs）的双向旋转扫描，允许多个二面角协同变化，适用于受阻和不对称体系；（5）从扫描能量曲线中识别候选TS，进行DFT约束优化、无约束TS优化和频率验证；（6）对验证后的TS进行广泛构象搜索；（7）高精度DFT单点能计算得到自由能能垒，结合Eyring方程计算半衰期和类别。基准测试使用文献中收集的400个化合物，实验能垒来自多种溶剂和温度条件，计算默认在气相298.15 K下进行，仅4个化合物（三个3,3'-联吡咯和秋水仙碱）因气相不收敛改用隐式水溶剂。

**四、研究结果分述**

- **旋转轴筛选**：通过SMARTS匹配识别潜在手性轴，并确定扫描所需二面角；位阻过滤规则可快速排除低能垒轴，避免不必要的QM计算，适用于大规模筛选。

- **能垒评估**：采用可替换的多步QM流程，GIC扫描比传统单二面角扫描更平滑、物理意义更强；TS候选经过严格检查确保是绕目标键的真实旋转过渡态。

- **基准测试总体性能**：400化合物整体R² = 0.87，RMSE = 2.48 kcal mol^?1；各子结构线性拟合参数汇总见表1（原文表1），其中联芳基性能最佳（R² = 0.95），二芳基和芳基-脂肪族较弱但仍可接受。

- **类别分配准确性**：原始混淆矩阵显示86%准确率，55个错分；应用RMSE作为边界误差后，准确率升至97%，仅11个错分且均为过预测，无假安全的I类预测。

- **药物样化合物评估**：20个基准内药物样化合物R² = 0.72，RMSE = 2.55 kcal mol^?1；额外的4种药物（sotorasib、trifarotene、lesinurad和des-methyl PI3KID抑制剂）均被正确分类；秋水仙碱的7元稠环旋转轴被正确定位。

**五、讨论与结论**

研究人员强调，该工作流程的设计将“轴识别”与“能垒评估”解耦，使得DFT路线可被半经验方法、机器学习势或ML加速代理替换而不影响前端，有利于社区采用和扩展。基准结果表明，对于典型阻转异构化学空间，线性校正方法具有高度普适性。类别边界扩展分析符合行业实践：接近边界的化合物会被谨慎对待并进行实验验证。结论部分指出，该自动化工作流程在400化合物基准上展现出优异性能（R² = 0.87，RMSE = 2.48 kcal mol^?1），类别分配准确率高达97%（在边界误差范围内），校正后的预测性能达到R² = 0.89和RMSE = 2.28 kcal mol^?1。该流程已整合至阿斯利康的路线设计实践中，使研究团队能够在小分子药物开发全生命周期中更准确、更高效地评估阻转异构体，加速决策、指导立体控制设计和分析策略，并在严格监管审查下降低开发风险。此外，该工作流程和精选文献数据集为构建机器学习模型以快速筛选早期发现项目中的化合物提供了基础。

（全文约1560字）