Nat. Commun. | 相互作用引导药物设计的三维分子生成框架

今天为大家介绍的是来自韩国科学技术院的一篇利用相互作用引导进行3D 分子生成的论文。深度生成模型具有加速药物设计的强大潜力。然而，由于数据有限，现有的生成模型常常面临泛化方面的挑战，导致设计创新性较差，并且与看不见的目标蛋白之间往往存在不利的相互作用。为了解决这些问题，作者提出了一种相互作用感知的 3D 分子生成框架，该框架能够在目标结合口袋内进行相互作用引导的药物设计。通过利用蛋白质-配体相互作用的通用模式作为先验知识，作者的模型可以利用有限的实验数据实现高度的通用性。通过分析生成的未见靶标配体的结合姿势稳定性、亲和力、几何图案、多样性和新颖性，对其性能进行了全面评估。此外，潜在突变选择性抑制剂的有效设计证明了提出的方法对基于结构的药物设计的适用性。

计算机辅助药物设计的一个主要目标是为设计新型命中化合物开发一个可通用的模型，而结合足够的先验知识对于深度学习模型至关重要。根据配体及其结合姿态的不同，目标口袋可以形成不同的蛋白质-配体相互作用类型组合。于是，作者提出了一种相互作用感知的三维分子生成框架，DeepICL,反向设计出满足特定相互作用组合的配体，该模型可应用于任何类型的蛋白质。模型使用配体应结合的子口袋中的局部相互作用条件，而不是使用整个相互作用信息，以防止对特定口袋或配体结构产生不良偏倚。通过分析靶标生成的配体的结合稳定性、亲和力、几何模式、多样性和新颖性，以及将模型应用于解决特定相互作用位点起关键作用的实际问题，证明了提出的方法能够适用基于结构的药物设计。

模型架构

图 1

模型包括两个主要阶段--(1) 交互感知条件设置和 (2) 交互感知三维分子生成--如图 1 所示。第一阶段旨在通过研究给定结合位点P的蛋白质原子，设定一个相互作用条件I。本文中使用了四种类型的蛋白质-配体相互作用——氢键、盐桥、疏水相互作用以及π-π堆叠。作者将相互作用条件定义为一组向量。这些向量表明这些原子是否可以参与某种特定的相互作用，以及它们在这种相互作用中扮演的角色。在第二阶段，按照口袋的3D形状和第一阶段定义的相互作用条件，一步步生成配体的原子。为此作者开发了一个深度生成模型，叫做DeepICL（深度相互作用感知条件配体生成模型），用来进行配体的逆向设计。简单地说，就像在图1b展示的那样，一次添加一个配体原子，并且每一步关注的原子都会变化，这个原子决定了下一个原子添加的位置。因此，模型只考虑这个关注原子周围的环境，来确定下一步该如何生成。作者在两个分子生成任务上测试了这个框架：一是改进已知配体以提高其效力；二是从零开始设计新配体，创造出能够适配特定结合口袋的多样化分子。对于改进配体的任务，从一个已知的配体核心结构开始。在从零开始设计配体的任务中，则手动选择一个口袋内的点作为起始。

相互作用感知条件配体设计的效果

图 2

通过观察已知的药物分子是如何有效地与目标蛋白质结合的，可以指导模型设计新的药物分子。作者通过挑选不同的蛋白质和它们的配体，来检验模型是否能够有效地复制配体与蛋白质相互作用的方式。在图2中，作者选取了三种蛋白质，分别是骨形态生成蛋白1（BMP1）、成纤维细胞生长因子-1（FGF1）和二氢叶酸还原酶（DHFR）。其中给定的相互作用条件在图2a中进行了可视化。图2c和图2d分别展示了原始配体和具有最高相互作用相似性的重新设计的配体的相互作用图。在第一个案例中，也就是图2的左列，模型成功地设计了氢键、π-π堆叠和盐桥，作为给定的相互作用条件。值得注意的是，图2d-1展示了模型如何生成噻吩环来代替原始的苯环，以与TYR68构成π-π堆叠。这表明模型学会了形成π-π堆叠所需的芳香族图案的特征。虽然模型在疏水性的PHE157附近添加了脂肪族碳原子，但距离略大于被归类为疏水相互作用的阈值。对于其他两个案例，DeepICL也成功设计了展示出与原始配体高度相似的相互作用模式，同时生成了与原始配体不同的配体。

作者进一步展示了隐藏设计配体时应该考虑的相互作用信息后的结果。在图2e中比较了在参考条件和隐藏条件下生成的两组配体之间相互作用相似性的分布。结果显示，当模型依据具体的相互作用条件进行设计时，所生成的配体与期望的相互作用模式更加吻合。这证明了作者的方法在精确调控药物分子设计方面的有效性，能够根据需要产生具有特定相互作用模式的配体。

框架的通用性

在接下来的部分中，作者展示了相互作用感知生成框架在基于结构的药物设计中的普适性。作为基线比较，作者设计了一个模型，该模型仅基于结合结构进行训练，没有使用蛋白质原子的额外相互作用条件向量。文中分别将两组生成的配体命名为：考虑相互作用条件的模型生成的，没有使用相互作用信息的基线模型生成的。

结合姿态稳定性分析

图 3

作者使用分子动力学模拟（MD）计算RMSD以评估配体的结合稳定性。在图3a中，展示了10个配体和原始配体的平均RMSD值，那些考虑了蛋白质和配体如何互动设计出的配体，它们的RMSD值和原始配体一样低。而没有使用相互作用信息的模型精化的配体显示出更高的RMSD，这暗示了缺乏稳定它们结合姿态所需的有利相互作用。特别是在BMP1和DHFR的实验中，没有用互动信息的配体和它们最初的结合位置相比，偏差很大。而FGF1的实验结果显示，两组设计的配体都和原配体差不多稳定，这表明即使是基础模型，在一定程度上也能通过学习训练阶段的蛋白质-配体互动来设计出稳定的配体。

全新设计配体的结合亲和力分析

除了检测生成的配体分子与目标蛋白质结合的稳定性外，作者还分析了生成配体的结合亲和力，以探讨配体与目标蛋白质互动的强度。在图3b，通过对100个测试蛋白质分别生成了100个配体（共计10,000个配体），然后使用SMINA工具评估了它们的结合亲和力。基线模型生成的配体平均值为-6.52千卡/摩尔，这个值比使用相互作用信息生成的配体（-7.67千卡/摩尔）的平均值高。由于较低的分数表示更强的结合力，这个结果暗示了加入相互作用信息有助于设计出结合亲和力更强的分子。

随后，文中还分析了每种类型的蛋白质-配体相互作用的数量，以解释相互作用信息在实现高结合亲和力中的作用。如图3c所示。基线模型中的疏水相互作用和氢键的数量比使用相互作用信息训练的模型少得多，而盐桥和π-π堆叠的数量则相当。

对产生的相互作用进行几何分析

在图3d和3e中，作者展示了疏水相互作用和氢键的几何分布，这是两种在图3c中占主导的相互作用类型。图3d展示了疏水相互作用距离的密度分布，这是PDB中最常见的类型，DeepICL有效地捕获了随距离减小，密度递减的观察趋势。图3e展示了氢键距离的密度分布。在这两种类型中，不管是否使用相互作用信息，分布都保持不变。未明确使用相互作用信息的基线模型也能捕捉到这些相互作用类型的空间分布。这意味着关于化学相互作用的知识对模型在特定结合点生成正确相互作用类型是有益的，这导致了有利相互作用形成的比率增加，而不是形成更合理的几何模式。

针对特定位点的相互作用条件控制，用于精准控制配体设计

图 4

设计一种能够精确地锁定并作用于一种特殊变异的蛋白质同时不干扰正常的蛋白质药物是一种挑战。在作者的实验中，设计了一些新的分子，并检测它们与变异蛋白和正常蛋白结合的能力。在图4中，找到了233种分子，它们优先与变异蛋白结合，几乎不与正常蛋白结合。这意味着，模型成功设计出了既特定的有效新药物分子，而且是在没有依赖任何额外实验数据的情况下完成的。

结论

本文提出了一个考虑相互作用的3D分子生成框架，这个框架融入了关于蛋白质-配体相互作用的先验知识，使基于结构的药物设计更加普适化。与以往那些仅依赖于结合结构信息的模型不同，作者专注于特征化四种类型的蛋白质-配体相互作用——疏水相互作用、氢键、盐桥和π-π堆叠的普适化模式，因为这些相互作用无论在哪种蛋白质-配体组合中都是普遍存在的。通过全面分析为未知目标设计的配体的各个方面，展示了提出方法的普适性，并确认了模型能够通过条件生成框架的优势，以一种可控的方式高效率地建立有利的相互作用。这项研究表明，采纳适当的先验知识可以在数据有限的各种科学领域内提高深度生成模型的普适性。

编译 | 曾全晨

审稿 | 王建民

参考资料

Zhung, W., Kim, H. & Kim, W.Y. 3D molecular generative framework for interaction-guided drug design. Nat Commun 15, 2688 (2024).

https://doi.org/10.1038/s41467-024-47011-2