Biomolecule-referenced structural relationships determine cell line-specific anticancer activity among positional isomers
本研究引入了一种基于生物分子的相对分子表征和一种可解释的排序框架，旨在阐明位置异构体之间的细微结构差异如何驱动细胞系特异性的抗癌活性，从而能够从现有药物中预测新型的组织特异性候选药物。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你正试图寻找一把能开启特定门的完美钥匙。在医学世界中，那扇门是癌细胞，而钥匙则是药物分子。但棘手之处在于，癌细胞并不都是一样的。肺部肿瘤的细胞与大脑中的细胞即使都属于“癌症”，其表现也可能大相径庭。科学家们早已知晓，药物形状的微小变化，就能让它在某种类型的细胞上发挥奇效，而在另一种细胞上却彻底失效。这些细微的变化通常涉及“位置异构体”。把它们想象成两座用完全相同的积木搭建的乐高城堡，但在其中一座城堡里，红色的积木在左边的塔楼上，而在另一座城堡里，那块同样的红色积木却在右边的塔楼上。仅凭肉眼看去，它们几乎一模一样，但这种微小的位移会改变城堡与周围世界的互动方式。几十年来，试图预测哪种药物效果最好的计算机程序一直难以捕捉到这些微妙的差异，常常迷失在噪声之中。这篇论文深入探讨了这个微小而关键的差距，提出了一个问题：我们能否构建一张更聪明的地图，能够分辨出“红砖在左”与“红砖在右”的区别，并利用这一点来预测哪种药物将在特定的癌症面前获胜？
这项研究背后的研究者目录（Taihei Torigoe）决定不再尝试去猜测药物效果的具体“得分”（称为 IC50 值）。相反，他专注于一个更简单、更可靠的目标：排序。如果你有一组几乎完全相同的药物双胞胎（位置异构体），哪一个是针对特定癌细胞的最强战士？为了解决这个问题，他发明了一种观察分子的新方法，称为“生物分子参照描述符”（或简称 BiReD）。想象一下，你正试图向朋友描述一辆新车。你不仅是列出它的速度或颜色，而是描述它与你的朋友已经了解的汽车相比感觉如何，比如一辆家用轿车或一辆跑车。你会说：“在过弯的处理上，它更像那辆跑车；但在行驶姿态上，它又像那辆轿车。”
在这项研究中，研究者对药物也采取了类似的做法。他将新候选药物的形状和化学“个性”与我们细胞内的构建模块——特别是脂质（脂肪）和氨基酸（蛋白质的构建模块）——进行了比较。他问道：“这个药物的形状与大脑细胞中的脂肪相比如何？”或者“它的部件排列方式与乳腺癌细胞中的氨基酸相比又是怎样的？”通过建立这些相对的比较，他构建了一个可以对药物候选物进行排序的评分系统。他在 60 种不同的癌症细胞系上测试了这个系统。结果令人振奋：该模型能够成功预测哪种“双胞胎”药物对特定的细胞系更有效，而这正是旧有的标准计算机模型经常出错的任务。
最有趣的发现之一是，决定药物是否有效的“规则”会根据癌症类型的不同而改变。例如，在脑癌细胞中，模型发现那些看起来与天然脂肪不太像的药物，往往在有效性排名中更高。这表明脑癌细胞具有独特的代谢环境，使其对破坏其常规脂肪处理习惯的药物非常敏感。相比之下，其他类型的癌症则遵循不同的规则。这项研究并未止步于理论；他们利用这个新的排序系统，通过重新排列已知药物中各部分的结构位置，生成了超过 13 万个全新的“假设性”药物候选物。随后，他们筛选了这些虚拟候选物，并发现其中有几种看起来可能对黑色素瘤（皮肤癌）特别有效，其表现甚至优于它们原有的“母体”药物。
研究者通过一个名为“抗癌活性排序搜索”（Anticancer Activity Ranking Search）的新在线工具向公众发布了所有这些发现。该工具允许其他科学家浏览这数以千计的虚拟药物候选物，并查看它们在不同癌症面前的表现如何。虽然研究强调这些都是计算机预测，仍需通过现实世界的实验室测试来确认其是否真正有效，但这种方法提供了一种全新的、高度详细的方式来探索化学世界。它表明，通过密切关注药物的微小结构变化如何与特定癌症细胞的生物学特性相关联，我们或许能够在不从零开始的情况下，找到更精准、更具针对性的治疗方案。论文总结道，虽然我们还没有攻克癌症，但这种方法为寻找“对的锁配对对的钥匙”提供了一个强大的新指南针。
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。