一种人工智能辅助的工作流程用于快速优先筛选FDA批准的药物作为HDAC3抑制剂候选药物以实现药物再利用

《Biology》：An AI-Assisted Workflow for Rapid Prioritization of FDA-Approved Drugs as HDAC3 Inhibitor Candidates for Drug Repurposing

　　

摘要翻译：
通过组蛋白乙酰化进行的表观遗传调控在基因表达和癌症进展中起着关键作用。由于组蛋白去乙酰化酶3（HDAC3）在染色质重塑中的核心作用，它已成为一个有前景的治疗靶点。本研究采用人工智能（AI）驱动策略，在FDA批准的化合物中优先筛选潜在的HDAC3抑制剂，以加速癌症治疗的药物再利用。研究人员从BindingDB中识别出已知的HDAC3抑制剂，并用于开发机器学习（ML）模型，该模型使用最有效的抑制剂进行训练，以识别与HDAC3抑制相关的分子描述符模式。该ML工作流程随后筛选了1615种FDA批准化合物，得到120种预测具有HDAC3抑制活性的候选药物。其中，已知HDAC抑制剂（包括罗米地辛、伏立诺他和帕比司他）被选中，表明该工作流程在虚拟筛选中能够找回已知HDAC抑制剂。有趣的是，伊马替尼和奥希替尼等酪氨酸激酶抑制剂也被识别出来，表明激酶结合药效团与HDAC3结合药效团之间存在潜在的结构重叠。预测对接分数的分析也支持了优先排序结果，因为排名前10的化合物比排名后10的化合物具有更负的预测对接分数（p = 0.0074）。这表明所提出的工作流程可用于优先筛选FDA批准的化合物作为潜在HDAC3抑制剂以供进一步研究。

论文解读文章：

**研究背景与问题**
癌症是全球主要死亡原因之一，尽管诊疗技术不断进步，许多恶性肿瘤仍存在治疗耐药和复发问题。表观遗传失调，尤其是组蛋白乙酰化修饰异常，在肿瘤发生发展中起关键作用。组蛋白去乙酰化酶（HDACs）可移除组蛋白尾部的乙酰基，导致染色质凝缩和基因沉默。其中，I类HDAC成员HDAC3作为核受体辅抑制因子（NCoR）和维甲酸/甲状腺激素受体沉默介导因子（SMRT）复合物的催化亚基，参与调控细胞增殖、DNA修复和凋亡相关通路。HDAC3在乳腺癌、结直肠癌、前列腺癌、肝细胞癌、急性髓系白血病（AML）和弥漫大B细胞淋巴瘤（DLBCL）等多种肿瘤中异常高表达，并与不良预后和化疗耐药相关。尽管广谱HDAC抑制剂（如罗米地辛、伏立诺他、帕比司他）已获FDA批准用于血液恶性肿瘤，但其非特异性抑制可导致剂量限制性毒性。因此，开发HDAC3选择性抑制剂具有重要意义，但传统药物开发耗时费力。利用人工智能（AI）和机器学习（ML）对FDA已批准药物进行虚拟筛选，可实现快速药物再利用，为新疗法开发提供高效策略。

**研究内容与结论**
研究人员建立了一个AI辅助工作流程，以BindingDB中IC₅₀≤100 nM的157种已知HDAC3抑制剂为阳性组，从ZINC20数据库的1615种FDA批准药物中随机选取157种作为参照组，排除前药后最终以291个化合物（148阳性，143参照）训练ML模型。使用PaDEL计算4179种分子描述符和指纹特征，评估五种WEKA分类器后，随机森林模型表现最佳，交叉验证AUC-ROC为0.981，准确率93.1%。该模型进一步筛选1615种FDA批准药物，优先得到120种候选HDAC3抑制剂。其中已知HDAC抑制剂（罗米地辛、伏立诺他、帕比司他）被成功找回，验证了方法的内部一致性。分子对接分析显示，排名前10与后10化合物的预测对接分数差异显著（p=0.0074），结构分析揭示罗米地辛和伊马替尼均可占据HDAC3催化通道但采用不同结合模式。UMAP化学空间分析表明120种候选物分布在三个不同簇，提示存在多种HDAC3相关化学型。对前15种候选物的ADMET和细胞毒性预测显示其理化性质多样，多数具有良好口服吸收、低血脑屏障透过性和低致突变风险。该研究证明了AI辅助工作流程在FDA批准药物中快速优先HDAC3抑制剂候选物的可行性，为癌症药物再利用提供了高效工具，并提示酪氨酸激酶抑制剂可能具有未曾识别的HDAC3结合潜力。论文发表在《Biology》。

**主要关键技术方法**
本研究使用了以下关键技术方法：（1）数据挖掘：从BindingDB获取已知HDAC3抑制剂（IC₅₀≤100 nM，157种），从ZINC20数据库获取FDA批准药物库（1615种），并排除前药；（2）分子描述符计算：采用PaDEL-Descriptor 2.21计算4179种分子描述符和指纹特征；（3）机器学习建模：在WEKA 3.8.6平台评估随机森林、REPTree、决策表、随机树和决策树桩五种分类器，采用分层10折交叉验证，最终选用随机森林模型；（4）分子对接：使用PyRx/AutoDock Vina对候选化合物与HDAC3晶体结构（PDB 4A69）进行对接，并用Discovery Studio Visualizer分析相互作用；（5）化学空间分析：利用DataWarrior的FragFp指纹和UMAP降维对120种候选物进行聚类；（6）ADMET及细胞毒性预测：使用SwissADME、pkCSM和CLC-Pred 2.0评估理化性质、药代动力学和潜在抗癌活性。

**研究结果**
**2.1 分类器性能**：基于随机森林的工作流程以AUC-ROC 0.981和准确率93.1%从1615种FDA药物中优先出120种候选HDAC3抑制剂。特征重要性分析显示分子拓扑、电荷分布和极化率相关描述符（如PJI2、JGT、ATS4p）对分类贡献最大。
**2.2 候选药物治疗分布**：120种候选物广泛分布于不同治疗领域，其中酪氨酸激酶（TK）抑制剂占14.2%（17种）为最大类别；HIV/抗病毒药和血管/凝血相关药物各占12.5%；RAAS/脂质调节剂占11.7%；已知HDAC抑制剂占5.0%。
**2.3 对接分析**：排名前10化合物预测分数0.792-0.94，对接分数-6.6至-8.3 kcal/mol；后10名预测分数0.50-0.52，对接分数-5.1至-7.9 kcal/mol，两组差异显著（p=0.0074）。
**2.4 结合口袋与对接姿态**：罗米地辛位于催化Zn²⁺附近，Zn-S距离3.28 ?，形成金属-受体相互作用和氢键（GLY143）及多种π相互作用；伊马替尼呈细长构象，主要通过π-π堆积（PHE144、PHE200）、氢键（ASP92）和疏水接触稳定，无直接金属配位。两者占据同一HDAC3结合腔但作用模式不同。
**2.5 化学空间分析**：UMAP聚类显示三个主要化学簇：簇1含罗米地辛和HIV蛋白酶抑制剂；簇2含叶酸途径药物和RAAS/脂质药物；簇3含帕比司他、多种TK抑制剂和非TK抗癌药，表明存在至少两种不同的HDAC抑制剂相关化学空间。
**2.6 结构多样性与生物利用度**：前15名候选物涵盖大环（罗米地辛）、芳香杂环（TK抑制剂）、抗叶酸（甲氨蝶呤）等多样骨架。SwissADME雷达图显示TK抑制剂类多数接近最优理化范围，抗叶酸类呈现高极性和柔性偏差。
**2.7 ADMET预测**：前15名化合物的胃肠吸收差异较大（5.6%-97.8%），均显示低血脑屏障透过性；代谢预测显示不同CYP抑制模式；14种化合物预测Ames阴性，仅依佐加滨为阳性。
**2.8 抗癌细胞毒性预测**：CLC-Pred分析显示伏立诺他预测活性细胞系最多（156个），其次为甲氨蝶呤（116）、伊马替尼（107）；罗米地辛平均Pa值最高（0.338）。预测活性细胞系涵盖肺、血液、乳腺、结肠、胰腺等多种组织来源。

**总结讨论与结论**
讨论部分指出，该工作流程成功优先出120种FDA批准药物作为HDAC3抑制剂候选物，并重复捕获已知HDAC抑制剂，验证了方法的有效性。酪氨酸激酶抑制剂反复出现在高排名候选中，提示其原本针对激酶的结构特征可能与HDAC3结合隧道相容，存在多药理学作用的分子基础。罗米地辛与帕比司他排名差异可能与其不同HDAC亚型选择性有关，但本研究未直接评估亚型选择性。局限性在于所有预测均为计算性质，需实验验证；采用单一刚性受体构象（PDB 4A69）的对接未考虑受体动态性，未来需结合分子动力学模拟。结论认为，该AI辅助工作流程整合了数据挖掘、机器学习、分子对接、化学空间和ADMET预测，为FDA药物再利用提供了结构化的候选筛选平台，支持进一步开展体外酶活实验、细胞增殖抑制实验和体内模型验证，以推动候选药物向新型癌症疗法转化。