🧬 biology

Hybrid AI-physics screening prioritizes candidate dual MDM2/MDM4 inhibitors from a drug-like library for dedifferentiated liposarcoma

本研究提出了一种集成人工智能与物理学的筛选流程，该流程识别出两种具有高预测亲和力、可用于双重 MDM2/MDM4 抑制的结构新颖且类药的候选化合物（ZINC9412756 和 ZINC20724474），为去分化脂肪肉瘤提供了一种极具前景的治疗策略，尚待实验验证。

原作者： Solomon Sackitey, Prince Danan Biniyam, Charles Lamptey Mireku, Alberta Hammah, Jesse Ayim Buabeng, Lawrence Kwame Nkrumah, Wise Mawuli Asare, Josephine Frimpomaa Oppong, Emmanuel Gyamfi Obeng, Kwaben

发布于 2026-09-17

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Solomon Sackitey, Prince Danan Biniyam, Charles Lamptey Mireku, Alberta Hammah, Jesse Ayim Buabeng, Lawrence Kwame Nkrumah, Wise Mawuli Asare, Josephine Frimpomaa Oppong, Emmanuel Gyamfi Obeng, Kwabena Adu-Adjei, Clifford Tignangnen Penajah, Cedric Dzidzor Kodjo Amengor

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

癌症通常是一场细胞管理失控的游戏，在这种游戏中，身体自身的安全机制被劫持，从而允许肿瘤不受控制地生长。在一种被称为去分化脂肪肉瘤（dedifferentiated liposarcoma）的特定且侵略性极强的软组织癌症中，问题源于两种蛋白质之间破裂的伙伴关系。一种被称为 MDM2 的蛋白质，就像一个冷酷的执行者，不断寻找并摧毁 p53——这是一种至关重要的抑癌蛋白，通常负责阻止细胞不受控制地分裂。在健康的细胞中，p53 是守护者；而在这种癌症中，MDM2 过度活跃，不断猎杀 p53 并中和其力量。然而，大自然通常设有备份计划。当科学家试图用药物阻止 MDM2 时，癌细胞经常通过提高第二种类似的蛋白质——MDM4 的水平来进行适应。这种备份蛋白质会介入，继续执行禁用 p53 的任务，使得仅针对 MDM2 的药物失效。为了真正治疗这种疾病，研究人员认为必须找到一种能够同时阻断这两种蛋白质的方法，而这已被证明是现有药物难以完成的任务。

现在，一支研究团队转向了一种结合了人工智能与物理模拟的强大组合，来寻找新的解决方案。他们并没有先在实验室培养皿中测试化学物质；相反，他们构建了一个复杂的数字流水线，用以扫描一个包含近一千万种类药物化合物的庞大库。他们的目标是寻找两种特定的分子，使它们能够紧密结合 MDM2 和 MDM4，从而有效地沉默这两个执行者，让身体天然的抑癌蛋白苏醒过来。通过使用机器学习来预测哪些化合物可能奏效，随后利用详细的计算机模拟观察它们如何嵌入蛋白质，该团队将范围缩小到了两个极具前景的候选对象。这两个通过独特代码标识的分子——ZINC9412756 和 ZINC20724474——脱颖而出，它们是最有可能在现有疗法受阻之处取得成功的候选者。

旅程始于一个大规模的数字过滤器。研究人员从一个在化学性质上与已知药物相似的化合物数据库开始，以确保这些候选对象足够安全，可以考虑用于人类使用。他们利用数千种已知的药物与 MDM2 蛋白之间的相互作用训练了一个计算机模型，教会系统识别使分子发挥作用的细微结构模式。随后，这个人工智能模型扫描了包含九百万种化合物的库，预测每一种化合物的活性。系统识别出了一组具有高潜力的候选物，但研究人员深知计算机的预测有时会产生误导。为了确保万无一失，他们对这些顶级候选物进行了严格的物理模拟。他们构建了 MDM2 和 MDM4 蛋白质的数字模型，使用了数十种不同的晶体结构，以考虑到这些蛋白质具有柔性和运动性。然后，他们模拟了这些候选分子如何“对接”或“锁定”到蛋白质的活性位点中。

数字筛选的结果令人瞩目。两位领先的候选者 ZINC9412756 和 ZINC20724474 显示出的预测结合强度优于许多目前用于研究的现有药物。在计算机模拟中，这些分子深深沉入 MDM2 和 MDM4 的口袋中，形成了稳定的连接将它们固定在原处。研究人员分析了它们是如何抓牢的。他们发现，这些分子高度依赖于致密的疏水相互作用网络——本质上，这些分子紧密贴合在蛋白质表面，就像油排斥水一样，从而创造出稳定的键合。这种结合得到了特定氢键的支持，氢键就像分子层面的“魔术贴”，将药物锚定在蛋白质的关键位置。其中一个候选分子与 MDM2 蛋白质的一个部分形成了独特的连接，而之前的药物在很大程度上忽略了这个部分，这表明它的作用方式可能与目前的疗法不同。

为了确保这些发现不仅仅是计算机模型的偶然现象，团队运行了长时程的分子动力学模拟。他们观察了蛋白质与药物随时间变化的相互作用，模拟了五十万步的运动，以观察这些键合在压力下是否依然稳固。模拟显示，在整个测试过程中，药物始终牢固地附着在两种蛋白质上，证实了最初的对接并非暂时的故障。研究人员还计算了保持药物结合所需的能量，发现维持它们结合在一起的力量既强劲又稳定。此外，他们还检查了这些新候选物的化学唯一性。通过将其结构与数千种已知的 MDM2 和 MDM4 抑制剂进行对比，他们确认了这两个分子在结构上是截然不同的。它们看起来并不像目前正在使用或处于临床试验阶段的药物；它们占据了一个此前从未被探索过的化学空间，提供了一种解决问题的全新途径。

研究人员还超越了直接目标，以了解这些药物可能如何影响更广泛的癌细胞。通过一种称为网络药理学的方法，他们绘制了候选分子可能如何与其他在去分化脂肪肉瘤中活跃的基因和蛋白质发生相互作用的图谱。分析表明，这些药物不仅会打击 MDM2 和 MDM4，还会作用于涉及细胞分裂和癌症生长的其他关键靶点集群。这种多靶点效应可能是一个显著优势，有望克服让癌细胞在单一靶点药物作用下生存的耐药机制。模拟还预测，如果通过口服方式给药，这些分子能够被人体吸收，这是未来任何药物的关键要求。然而，计算机模型也标记了一些潜在的安全隐患，包括对肝脏和心脏的风险，这些问题在未来的开发过程中需要得到解决。

必须指出的是，这些结果完全存在于计算机模拟的范畴内。研究人员尚未在实验室或活体细胞中测试这些分子。关于它们结合程度如何、如何运动以及如何影响身体的预测，都是基于数学模型和算法。尽管模拟过程高度详细且在不同方法间结果一致，但在通过物理实验证实之前，它们仍属于假设。该研究明确指出，计算机计算出的结合能很可能是高估的，真实的相互作用强度必须在“湿实验室”（wet lab）中进行测量。团队承认，从计算机预测到研制出可用药物的过程漫长且充满不确定性，充满了化学合成、毒性和有效性方面的潜在失败。

尽管存在这些局限性，该研究仍为未来的研究提供了清晰且充满希望的方向。候选分子 ZINC9412756 和 ZINC20724474 代表了一类全新的潜在疗法，它们的结构与目前现有的任何药物都不同。它们是通过一种成功结合了人工智能的速度与物理模拟的精确性的方法发现的，从而在广袤的化学景观中进行导航。研究人员已经确定了一对分子，在数字世界中，它们似乎有能力禁用保护这种侵略性癌症的双重防御系统。正如作者所概述的，下一步是合成这些化合物并在实验室中进行测试，以观察计算机的预测是否能在现实中得到验证。如果成功，这些分子可能会为那些几乎没有有效治疗选择的患者带来新的希望，最终打破困扰以往努力的耐药循环。

技术摘要：用于开发双 MDM2/MDM4 抑制剂的 AI-物理混合筛选技术研究（针对去分化脂肪肉瘤）

问题陈述
去分化脂肪肉瘤（DDLPS）是一种侵袭性软组织肉瘤，其特征是 12q13-15 染色体上的 MDM2 和 CDK4 共扩增，并伴有野生型 TP53。虽然 MDM2-p53 轴代表了一个主要的治疗脆弱点，但选择性 MDM2 抑制剂（如 RG7112、siremadlin）的临床试验疗效有限。耐药机制通常涉及 MDM4（MDMX）的上调，它通过结合 p53 来补偿 MDM2 被抑制后的功能。目前的单选性抑制剂往往由于结合裂隙的结构差异，无法破坏 MDM4-p53 界面。因此，开发能够同时阻断这两种蛋白质以实现稳健 p53 重激活的双 MDM2/MDM4 抑制剂存在未满足的临床需求。然而，在庞大的化学空间中识别此类化合物在计算上具有挑战性。

方法论
作者开发了一种整合机器学习（ML）和基于物理模拟的混合计算流水线，用于筛选包含 940 万个类药化合物的 ZINC20 子集。该工作流通过以下阶段进行：

数据策展与 QSAR 建模： 从 ChEMBL（版本 32）中策展了 4,154 个独特的 MDM2 抑制剂数据集。使用 ECFP4 指纹对化合物进行编码。训练了五种回归算法（XGBoost、LightGBM、随机森林、梯度提升、Extra Trees）及一个投票集成模型。最终选择随机森林模型作为最优模型，其测试集 $R^2$ 达到 0.76。通过使用杠杆法（leverage approach）进行的适用性领域（AD）分析，确保预测仅限于化学可靠的空间内。
虚拟筛选： 优化的随机森林模型筛选了 940 万个化合物库。筛选标准为预测的 $pIC_{50} \geq 8.0$ （即 $IC_{50} \leq 10$ nM）且处于适用性领域内的候选化合物。
系综对接（Ensemble Docking）： 为了考虑蛋白质的柔性，将化合物对接至由 23 个 MDM2 和 24 个 MDM4 晶体结构（分辨率 $\leq 3.0$ Å）组成的系综中。该方案通过重新对接共结晶配体（RMSD < 2.0 Å）进行了验证。
分子动力学（MD）与 MM/GBSA： 顶尖候选化合物经过了 500 ns 全原子分子动力学模拟（使用 CHARMM36 力场，GROMACS 软件）以评估结合稳定性。使用分子力学/广义玻恩表面积（MM/GBSA）方法估算结合自由能（ $\Delta G_{bind}$ ）。
网络药理学与 ADMET： 将靶点结合情况映射至 DDLPS 特异性基因签名（源自 GSE21122 和 GeneCards），以识别多靶点药理潜力。使用 SwissADME 和 ADMETlab 3.0 对 ADMET 性质进行预测。

核心贡献与结果

候选化合物识别： 该流水线优先筛选出两个结构新颖的化合物：ZINC9412756 和 ZINC20724474。两者均表现出预测 $IC_{50} < 10$ nM 的性能，并被证实处于 QSAR 模型的适用性领域内。
结构新颖性： 与 4,154 个已知 MDM2 抑制剂和 155 个 MDM4 抑制剂进行的基于 ECFP4 的 Tanimoto 相似性分析显示，ZINC9412756 的最大相似度分别为 0.3827 (MDM2) 和 0.2500 (MDM4)；ZINC20724474 的最大相似度分别为 0.3488 (MDM2) 和 0.2315 (MDM4)。这些数值均远低于 0.5 的阈值，表明这些化合物占据了不同于 nutlin 类骨架的未探索化学空间。
结合亲和力与模式：
- 对接： 系综对接预测这两个靶点的平均结合能为 -9.10 至 -9.27 kcal/mol，表现优于共结晶参考抑制剂（例如 MDM2 的 K23 和 MDM4 的 HRN）。
- 相互作用机制： ZINC9412756 在 MDM2 中与 His96 和 Tyr100 形成了独特的双氢键基元，并在 MDM4 中形成了广泛的极性网络（三个氢键）。ZINC20724474 利用 MDM2 中的 Tyr100 锚点，并在 MDM4 中采用了以 C-H...O 相互作用为主的疏水模式。
- 稳定性： 500 ns 的分子动力学模拟证实了稳定的结合以及较低的配体 RMSD。疏水堆积（范德华相互作用）贡献了 70–90% 的气相稳定化能。
- MM/GBSA： 计算的结合自由能范围为 -20.73 至 -26.60 kcal/mol。ZINC9412756 对两个靶点表现出平衡的亲和力，而 ZINC20724474 则表现出对 MDM4 的偏好。
网络药理学： 预测这些化合物会作用于一个包含 MDM2、MDM4、CDK4、EGFR 和 AURKA 的 DDLPS 相关模块。功能富集分析显示其与 p53 信号通路（FDR = $1.42 \times 10^{-5}$ ）和细胞周期调节显著相关，支持了其多靶点药理机制。
ADMET 特征： 两种化合物均符合利平斯基五规则（Lipinski's Rule of Five），并显示出良好的口服生物利用度和合成可及性。然而，预测结果提示存在潜在风险，包括肝毒性、肾毒性和 hERG 阻断，作者将其确定为未来优化的目标。

意义与主张
本文声称，这种整合了 AI 与物理学的综合方法成功地在巨大的化学空间（>900 万个化合物）中导航，识别出了具有独特化学类型和多靶点药理潜力的双 MDM2/MDM4 抑制剂，适用于 DDLPS。研究强调，相比于单结构对接或较小的库筛选，结合 ML-QSAR 过滤、系综对接以及严格的基于物理的验证（MD/MM/GBSA）具有显著优势。

作者明确指出，所识别的化合物（ZINC9412756 和 ZINC20724474）代表了值得进一步研究的新颖骨架。他们强调，尽管计算结果令人鼓舞，但实验验证（生化结合实验、细胞功能实验及 ADMET 分析）对于确认结合亲和力和功能活性是绝对必要的。论文将研究结果谦逊地定位为药物发现的优先级排序流程，而非治疗有效性的确认，并指出 MM/GBSA 的绝对结合能属于比较性排名，对于亲脂性配体可能会高估其亲和力。

类似论文