Prospective discovery of LasB inhibitors by integrating generative design, free energy ranking, and experimental validation
本研究展示了一种全开源的计算-实验工作流，该工作流将生成式分子设计与严谨的自由能计算相结合，成功识别出三种强效、稳定的铜绿假单胞菌毒力因子 LasB 纳摩尔级抑制剂，证明了一个可用于加速早期药物发现的可扩展框架。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
寻找新药就像是在一个拥有数十亿把锁的图书馆中寻找一把特定的钥匙。这个过程缓慢、昂贵且往往令人沮丧，因为化学家必须亲手构建并测试数百万个潜在候选物，以观察哪些真正能够契合。几十年来，科学家们一直试图利用计算机来加速这一过程，利用它们在物理组装出第一个原子之前，就预测哪些分子可能有效。然而，这些计算机预测往往过于粗略，无法独立令人信赖，导致研究人员在合成那些最终证明毫无用处的化合物上浪费时间。挑战在于，如何创建一个既能快速探索广阔的新化学领域，又足够精确到能将真正的赢家与差之毫厘的失败者区分开来的系统。
在最近的一项研究中，研究人员成功地将两种强大的计算机技术结合起来解决了这个问题，创建了一个从数字想象迈向物理现实的高效工作流。他们将精力集中在一种名为铜绿假单胞菌（Pseudomonas aeruginosa）的危险细菌上，这是导致严重医院感染的常见原因，且目前正变得越来越难以用现有抗生素进行治疗。这种细菌依赖一种被称为 LasB 的特定蛋白质——一种分子机器——来分解人体组织并扩散感染。由于这种蛋白质被分泌到细菌细胞外，因此比那些隐藏在细菌坚硬外壳内的目标更容易通过药物触达。其目标是设计一种新分子，使其能够锁定该蛋白质并阻止其运作，从而有效地解除细菌的武装而不杀死它，这种策略可能会降低细菌产生耐药性的机会。
团队从三种已知具有结合 LasB 蛋白能力的分子开始，但这些分子并不完美。使用一种旨在生成新分子结构的计算机程序，他们以这三种分子为“种子”，要求软件构想出数千种变体。该程序并非只是随机打乱原子；它受到规则的引导，这些规则倾向于生成更有可能成为有效药物且易于在实验室制造的分子。经过几轮数字进化，软件生成了近 4,000 种独特的候选分子。从这个庞大的数字库中，研究人员根据形状和化学特性，挑选出了 50 个看起来最有希望且具有多样性的化合物。
为了确保这 50 个候选物确实值得投入成本去构建，团队应用了第二项更严格的计算机测试。这一步涉及以极高的精度模拟药物候选物与蛋白质之间的物理作用力，精确计算它们彼此结合的紧密程度。这种被称为“自由能计算”的方法虽然在计算上非常昂贵，但比标准的筛选方法要准确得多。这种模拟结果使团队能够对 50 个候选物进行排名，并选出表现最好的那些用于物理合成。他们在实验室中构建了其中排名最高的六个分子，并针对细菌蛋白进行了测试。
结果证明，这种集成方法取得了明显的成功。三种新创建的分子被证明是强效抑制剂，在低至 22 到 53 纳摩尔的浓度下即可高效阻止细菌蛋白。这些化合物不仅功能强大，而且在血液和代谢测试中表现出极佳的稳定性，这意味着它们很可能在体内存活足够长的时间以发挥作用。尽管这些新药在培养皿中对人类细胞显示出一定的毒性，但它们对细菌蛋白的强大靶向能力表明了一条可行的进一步开发路径。该研究表明，通过将生成式设计（创造新想法）与严谨的物理驱动排名（以高精度测试这些想法）相结合，科学家可以航行在广袤的化学可能性海洋中，并在不迷失方向的情况下找到珍贵的宝藏。
研究人员还从该方法的局限性中吸取了重要的教训。他们发现，虽然计算机预测在判断哪些分子更好方面表现出色，但有时会高估结合的具体强度。这种差异可能是因为计算机在运行详细模拟之前，必须先猜测新分子的初始位置，而那个初始猜测中的微小误差可能会影响最终的计算结果。尽管如此，该系统仍足以从数千个候选物中识别出三个全新的、高效的抑制剂，证明了这种“数字优先”的策略比传统的试错法更能有效地指导实验工作。该研究结论指出，这种方法提供了一个可扩展的、开源的框架，其他科学家可以利用它来应对类似的挑战，从而有望加速其他疑难疾病的药物研发进程。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。