Scaffold-tuner: a property-directed compound editing tool for scaffold-preserving structural optimization
本文介绍了 Scaffold-tuner，这是一种属性导向型工具，它能够高效地生成保持骨架不变的化学修饰，以实现特定的分子描述符变化，在评估有限候选集时，其在成功率和结构相似性方面均优于现有方法。
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
在药物研发这一高风险领域，科学家们经常面临一个难题，感觉就像是在试图调准某个特定的无线电频率，却又不能改变频道。他们拥有一个极具前景的分子，这种化学结构显示出对抗疾病的潜力，但它需要精细调整。为了让药物在人体内发挥更好的作用，研究人员必须调整特定的物理特性，例如分子能形成多少氢键、包含多少环状结构，或者有多少部分可以扭转和旋转。这些调整至关重要，因为它们决定了药物能否被身体吸收，还是会直接穿体而过。然而，进行这些修改是极其困难的。如果科学家试图通过微调分子的某一部分来改善吸收能力，往往会意外破坏另一部分，从而毁掉药物与靶点结合的能力。挑战在于，如何在不拆解其核心身份的前提下，对复杂的化学结构进行精确且受控的编辑。
为了解决这个问题，滋贺大学的一位研究人员开发了一种名为 Scaffold-tuner 的新型数字工具。可以将分子想象成一座拥有坚固地基和独特屋顶的房子；地基是定义这类建筑类型的核心结构，而屋顶和墙壁则可以进行修改。在化学中，这种不可改变的核心被称为“骨架”（scaffold）。目标是在保持该骨架完整的同时，通过更换“墙壁”来改变房子的属性。以往进行此类操作的方法通常就像是在黑暗中投掷飞镖：它们会生成数千个随机的变化，寄希望于偶然撞见一个奏效的版本；或者依赖复杂的人工智能，而这些人工智能有时会连同墙壁一起改变了地基，从而创造出一个完全不同的建筑。这些方法效率低下，且产生的结果往往与原始药物差异过大，从而失去实用价值。
新工具 Scaffold-tuner 采取了一种截然不同、更为审慎的方法。它不是靠猜测或使用黑箱算法，而是使用了一个经过精选的化学片段库——这些是已知能执行特定任务的、经过预先测试的小型分子碎片。如果研究人员需要添加一个氢键供体，该工具就会选择专门为此任务设计的片段。如果他们需要移除一个可旋转键，它会选择一个能锁定结构的片段。通过将这些有针对性的片段与原始分子的核心骨架相结合，该工具生成的候选化合物能够保证在实现所需物理变化的同时，保留原始结构的灵魂。这是一种优先考虑控制力和可预测性，而非单纯追求规模的编辑方法。
为了测试这种方法是否真的有效，研究人员使用来自名为 ChEMBL 的公共数据库的一千种类药性化合物对其进行了严格测试。这些化合物作为实验的起点，即“亲本”。该工具被要求执行八种不同类型的编辑，例如添加或移除氢键供体、添加或移除芳香环，或改变可旋转键的数量。为了进行对比，相同的起始化合物也被输入到另外三种方法中：一种简单的随机编辑工具，一种名为 CReM 的能做出化学合理但无引导变化的法，以及一种被称为 REINVENT4 的高级人工智能系统。目标是观察哪种方法能成功创建出既满足特定目标变化，又保持原始结构特征的新分子。
结果显示，Scaffold-tuner 在精准度方面表现卓越，尤其是在研究人员只能查看少量选项的情况下。在每种方法仅考虑生成的第一个候选化合物的情景下，Scaffold-tuner 成功实现预期变化的比例为 42.3%。这显著高于其他方法，后者的成功率分别为 13.9%、15.6% 和 17.1%。这一发现表明，当科学家需要一个快速、可靠的建议来推动项目进展时，Scaffold-tuner 能更迅速地提供有用的答案。虽然人工智能工具在允许生成多达一百个候选化合物时最终赶上了进度，并产生了一系列更广泛的成功变化，但它是通过对分子进行更大、更剧烈的改动来实现的。这些由 AI 生成的分子看起来与原始分子大相径庭，使得科学家很难理解这些变化是如何影响药物行为的。
相比之下，Scaffold-tuner 产生的分子与它们的亲本化合物保持高度相似。平均而言，成功的候选化合物保留了约 75% 的原始核心骨架结构，且其与起始分子的整体相似度很高。这是一种至关重要的优势，因为在药物开发中，科学家需要准确知道是哪项改变导致了活性的变化。如果结构变化太大，就无法判断新特性是源于预期的微调，还是源于全新的原子排列。研究发现，Scaffold-tuner 在添加芳香环方面特别有效，而其他方法在这一任务上表现挣扎甚至几乎完全失败。它还能以一种虽不完美但持续且可靠的方式，增加或减少可旋转键。
然而，该工具并非没有局限性。研究指出，编辑的成功程度很大程度上取决于所请求的特定变化类型。例如，虽然该工具在添加环方面表现出色，但在移除环方面却很吃力，在该特定任务中的成功率为零。同样，增加可旋转键也比较困难，成功率仅为 15.2%。这表明该工具并非万能药，而是一个针对特定结构调整而设计的专业化工具。研究人员还观察到，虽然他们可以成功改变一项属性，但往往难以在不意外改变其他属性的同时进行。例如，改变可旋转键的数量通常会带来对分子其他部分的意外改变，这是一个任何编辑工具都难以完全克服的挑战。
尽管存在这些限制，研究结论认为 Scaffold-tuner 提供了一个将抽象化学目标转化为具体分子结构的宝贵新框架。它弥合了预测药物行为的理论模型与构建该药物的实际现实之间的鸿沟。通过提供一种在保持分子核心身份的同时进行特定且可解释的变化的方法，它使研究人员能够以更高的清晰度探索结构与功能之间的关系。该工具并不取代需要更广泛、更具探索性的方法，但它填补了一个精准度和速度至关重要的特定生态位。对于试图优化先导化合物的科学家来说，它提供了一种快速获得少量高度相关选项的方法，而不是去筛选数以千计的随机变体。该工具的源代码现已开放供他人使用和改进，这表明这种面向属性的编辑方法有望成为药物研发工具包的标准组成部分，帮助将复杂的分子编辑艺术转化为更具可预测性和高效性的科学。
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。