SynNat-BERT: An interpretable dual-modal BERT framework for blood–brain barrier permeability prediction and novel scaffold discovery

人类大脑受到一个被称为血脑屏障的强大守门人的保护。这层薄薄的、具有选择性的壁垒衬在脑血管内，充当着严格的过滤器，只允许特定的物质从血液进入脑组织，同时阻挡其他一切物质。虽然这种防御机制对于保护大脑免受毒素和感染至关重要，但它也为药物研发带来了巨大的障碍。大约百分之九十八的潜在候选药物无法穿过这道屏障，这意味着无论它们在试管中表现得多么有效，对于治疗阿尔茨海默症、帕金森症或脑肿瘤等疾病都无济于事。几十年来，科学家们一直难以预测哪些分子能够滑过这道门，而哪些会被挡在门外。传统方法依赖于在活体细胞或动物身上测试化学物质，这一过程缓慢、昂贵，且往往无法涵盖自然界中存在的极其多样化的化学结构。

现在，一个研究团队开发出一种全新的计算工具，旨在以更快的速度和更清晰的方式解决这一预测问题。他们创建了一个名为 SynNat-BERT 的系统，该系统是一个复杂的化学语言模型。该系统并非从少量的已知药物中学习，而是基于一个包含 170 万个分子的庞大库进行训练，这些分子既包括实验室合成的化学物质，也包括发现于植物和真菌中的天然产物。该系统通过将分子分解为有意义的亚结构片段而非仅仅是单个原子，来学习分子的“语法”，从而使其能够理解不同的化学部分是如何组合在一起的。至关重要的是，研究人员将这种结构理解与分子的七个特定物理属性（如大小、与水的相互作用以及形成键的能力）相结合。通过融合这两类信息，该系统不仅可以预测一个分子是否能穿过血脑屏障，还能解释分子中的哪些部分是实现这一能力的功臣。

研究人员通过要求该系统筛选其天然产物库中的“隐藏珍宝”来测试这一新框架——即那些可能渗透大脑但此前从未被识别出的分子。该系统成功地对数千个候选分子进行了排名，优先考虑了那些具有穿透屏障所需正确物理特征的分子。为了验证这些计算机预测是否真实，团队选择了五种不同的生物碱化合物（一类天然存在的化学物质），并在实验室环境下使用在培养皿中生长的真人脑细胞进行了测试。结果令人震惊：五种候选药物中有三种成功穿过了细胞屏障，其中一种的表现甚至优于作为阳性对照的标准药物。这证实了该计算机模型正确识别出了此前被忽视的新型渗透性结构。

除了发现新的候选药物外，这项研究还揭示了这些分子为何有效。系统的内部分析指向了一个特定的结构特征：一种被称为小檗碱支架（berbine scaffold）的柔性氢化环结构。当研究人员将这种柔性形状与同类结构的刚性芳香版本进行比较时，发现刚性版本无法穿过屏障。通过模拟分子如何穿过脂质膜的详细计算机模拟，这一区别得到了进一步证实，模拟显示柔性形状使分子更容易扩散通过。该研究明确反对了“刚性、扁平结构总是最有利于脑渗透”的观点，证明了柔性在其中起到了关键作用。

这项工作也挑战了该领域以往人工智能模型的局限性。许多早期的系统依赖于包含数亿个分子的庞大数据集，但通常将它们视为简单的字符字符串，忽略了深层的化学语境。研究人员发现，他们这个规模较小但更具针对性的 170 万个分子的数据集，在配合其具备亚结构感知能力的方法时，实际上优于那些规模更大但缺乏解释力的模型。他们证明，在模型中加入特定的、可理解的物理描述符是至关重要的；一旦移除这些描述符，预测准确度就会显著下降。这表明，对于像预测脑渗透性这样复杂的任务，一个既理解分子形状又理解其物理行为的模型，要比一个仅能看到原始数据的模型更为优越。

最终，这项研究为药物研发提供了一条切实可行的路径。通过将对分子结构的深度理解与清晰的物理规则相结合，SynNat-BERT 框架可以筛选庞大的天然产物库，寻找新的先导化合物。这项研究不仅预测了一个结果，还提供了一个经过验证的机制，通过实验室实验和计算机模拟共同证明了特定的柔性结构是穿过血脑屏障的关键。这种方法提供了一种可靠的方式，去识别那些曾经隐藏在显眼之处的、具有前景的候选药物，为科学家设计能够最终到达大脑的药物提供了新工具。