A Reproducible Scaffold-Aware AI Workflow for Prioritizing Candidate Ligands for KRAS G12C Switch-II Pocket
本文提出了一种可复现的开源计算工作流，该工作流整合了 QSAR 建模、基于 BRICS 的类似物生成以及分子对接技术，旨在优先筛选新型 KRAS G12C Switch-II 口袋配体，从而产生一份用于未来实验验证的高置信度候选化合物透明清单。
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
癌症通常始于细胞内部一个微小的分子开关卡在了“开启”位置，迫使细胞不停地生长和分裂。这种失控增长的最常见元凶之一是一种被称为 KRAS 的蛋白质。在健康的细胞中，这种蛋白质就像一个可靠的红绿灯，在发出生长信号的活跃状态和暂停生长的非活跃状态之间循环切换。然而，当发生特定的突变时——即改变了蛋白质结构中的单个构建单元——开关就会卡住，让细胞永久处于超负速运转状态。这种功能障碍是包括胰腺癌、结肠癌和肺癌在内的几种致命癌症的主要驱动因素。几十年来，科学家们认为这种蛋白质几乎无法治疗，因为它的表面光滑且湿滑，没有明显的抓手供药物捕捉。发现特定突变版本 KRAS G12C 表面一个隐藏的、临时性的口袋，改变了这一局面。这个口袋随着蛋白质的“呼吸”而开启和关闭，使得研究人员能够设计出能够滑入其中并将开关锁定在“关闭”位置的分子。虽然一些针对该口袋的药物已经应用于患者，但癌细胞经常会找到抵抗它们的方法，这产生了对实验室中测试新型、更优候选药物的紧迫需求。
在这项研究中，一名来自梨花女子大学的研究人员开发了一套透明的、循序渐进的计算机工作流，旨在筛选潜在的药物分子，并在进行任何物理测试之前识别出最有希望的那些。其目标不是发明一种新的数学公式，而是创建一个可靠的、开源的“配方”，供其他科学家遵循以寻找新的先导化合物。该过程首先收集了 400 个已知具有抑制 KRAS 蛋白能力的分子数据。研究人员对这些数据进行了清洗，将活性测量值转换为标准尺度，然后使用机器学习模型来学习使分子产生疗效的模式。为了确保模型能够处理真正新型的化学物质，研究人员使用了一种严格的方法对其进行了测试，即要求模型预测基于与其学习过的结构框架完全不同的分子的活性。该模型的表现足以对分子进行有效性排序，尽管研究人员指出，它在区分优选候选者与劣质候选者方面表现出色，但在预测精确强度水平方面的表现则稍逊一筹。
模型验证完成后，研究人员通过将已知的活性分子拆解并以新颖的方式重新组合其部件，生成了 400 个新的、假设性的药物候选物；这种技术在探索已知有效化学空间“邻域”的同时，不会偏离太远。随后，这些新候选物经过了一系列实际的过滤器筛选，以剔除那些化学性质不稳定或可能引起副作用的分子，从而将名单缩小至 57 个可行选项。接着，研究人员将表现最好的 20 个候选物放入 KRAS 蛋白隐藏口袋的计算机模拟中，观察它们的契合程度。这一步骤检查了分子的形状和化学基团是否能物理性地沉降到目标位点，并与蛋白质形成必要的连接以将其固定。最终的排名结合了机器学习对分子可能活性的预测以及计算机模拟对其契合度的评估，并给予活性预测略高的权重。
这一严谨筛选过程的结果是产生了一个包含二十个候选分子的优先列表，其中一个被标记为 K1 的特定化合物脱颖而出，成为首选。该分子被预测具有高度活性，并在模拟中显示出与蛋白质口袋的强契合度，与蛋白质内部三个关键部分形成了特定的连接。然而，研究人员谨慎地澄清，这些发现严格属于计算假设。该研究并未在活细胞或试管中测试这些分子，因此它们实际停止癌症增长的能力仍有待证实。这项工作的价值在于过程本身的清晰度：它提供了一个完整记录、可重复的路径，供其他科学家用于生成和评估他们自己的候选药物。通过提供一条关于每个分子如何被选择、过滤和排名的清晰轨迹，该研究为下一阶段的发现提供了一个实用的起点，即这些计算机生成的构想终于可以在湿实验室中接受测试，看看它们是否真的能关掉那个癌症开关。
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。