雙靶點(diǎn)藥物設(shè)計(jì)在癌癥和自身免疫性疾病等復(fù)雜疾病的治療中引起了很大的關(guān)注。一種廣泛采用的設(shè)計(jì)策略是結(jié)合藥效團(tuán)來利用兩個(gè)靶點(diǎn)的結(jié)構(gòu)-活性關(guān)系的知識(shí)。然而，藥效團(tuán)的結(jié)合經(jīng)常受限于長(zhǎng)期和昂貴的試驗(yàn)，因?yàn)閮蓚€(gè)靶點(diǎn)的蛋白質(zhì)口袋施加了復(fù)雜的結(jié)構(gòu)限制。

2024年6月13日，中山大學(xué)楊躍東教授團(tuán)隊(duì)在Chemical Science上發(fā)表文章Structure-aware dual-target drug design through collaborative learning of pharmacophore combination and molecular simulation。

作者提出了一種結(jié)構(gòu)感知的雙靶點(diǎn)藥物設(shè)計(jì)方法AIxFuse，該方法通過學(xué)習(xí)藥效團(tuán)融合模式來滿足分子對(duì)接模擬的雙靶點(diǎn)結(jié)構(gòu)約束。AIxFuse采用兩個(gè)自我博弈強(qiáng)化學(xué)習(xí)(self-play reinforcement learning, RL) 的智能體，通過雙靶點(diǎn)分子對(duì)接評(píng)分等綜合反饋，學(xué)習(xí)藥效團(tuán)的選擇與融合。分子對(duì)接分?jǐn)?shù)是通過主動(dòng)學(xué)習(xí)(AL)策略進(jìn)行學(xué)習(xí)的。通過融合RL和AL, AIxFuse學(xué)習(xí)生成具有多種所需屬性的分子。實(shí)驗(yàn)結(jié)果表明，AIxFuse在一系列任務(wù)中超越了現(xiàn)有方法。

如圖1所示，AIxFuse首先收集兩個(gè)靶點(diǎn)的靶向蛋白結(jié)構(gòu)和已知活性化合物（圖1A）。隨后，利用Glide的分子對(duì)接模擬它們的蛋白質(zhì)-配體復(fù)合物結(jié)構(gòu)。從這些復(fù)合物結(jié)構(gòu)中，利用PLIP程序提取蛋白質(zhì)-配體相互作用(PLI)。然后將提取的PLI組合以定義藥效團(tuán)(圖1B)，并根據(jù)相互作用評(píng)分、頻率評(píng)分等對(duì)藥效團(tuán)進(jìn)行排序。得分最高的藥效團(tuán)將每個(gè)化合物分成核心鏈和側(cè)鏈片段。這些片段可以通過兩個(gè)搜索樹重新排列(圖1C)，其中兩個(gè)樹的葉節(jié)點(diǎn)將融合以產(chǎn)生藥效團(tuán)融合的分子。作者采用行為關(guān)鍵類強(qiáng)化學(xué)習(xí)(RL)框架學(xué)習(xí)最佳藥效團(tuán)融合模式。它由兩個(gè)自我博弈的蒙特卡羅樹搜索(MCTS)演員（actor）和一個(gè)雙靶點(diǎn)對(duì)接評(píng)分評(píng)論家（critic）組成actor-critic框架。MCTS參與者的目標(biāo)是最大化生成分子的獎(jiǎng)勵(lì)的上置信限(UCB)。更具體地說，獎(jiǎng)勵(lì)函數(shù)包含各種屬性，包括藥物相似性、合成可及性和雙靶點(diǎn)對(duì)接分?jǐn)?shù)。采用主動(dòng)學(xué)習(xí)(AL)迭代訓(xùn)練多任務(wù)AttentiveFP模型作為雙靶點(diǎn)對(duì)接評(píng)分器。經(jīng)過協(xié)作強(qiáng)化學(xué)習(xí)和人工智能的幾次迭代，最終的模型將用于生成分子。

藥效團(tuán)融合策略強(qiáng)調(diào)在不同靶標(biāo)中保留重要的藥效團(tuán)這里藥效團(tuán)可以定義為蛋白質(zhì)-配體相互作用(PLI)的組合。作者設(shè)計(jì)了一個(gè)專用模塊，用于提取核心片段，保留活性化合物中存在的基本藥效團(tuán)。該模塊旨在促進(jìn)自動(dòng)提取和指導(dǎo)選擇。由于大多數(shù)活性化合物無法獲得共晶結(jié)構(gòu)，作者使用了PLIP工具對(duì)分子對(duì)接復(fù)合物結(jié)構(gòu)進(jìn)行分析。

對(duì)于每個(gè)藥效團(tuán)，作者系統(tǒng)地提取其最小連接子結(jié)構(gòu)，稱為核心片段，如圖1B所示。作者的興趣在于具有以下特征的核心片段:（1）與關(guān)鍵殘基相互作用或接觸，（2）在多種活性化合物中普遍存在，（3）適當(dāng)?shù)拇笮　?/span>為了實(shí)現(xiàn)這一點(diǎn)，作者使用相互作用、距離和重原子序數(shù)的評(píng)分函數(shù)來篩選片段。此外，對(duì)于由兩個(gè)或兩個(gè)以上化合物共享的核心片段，作者將其得分進(jìn)行匯總，以便藥物化學(xué)家喜歡的片段排名更高。最終選擇得分最高的核心片段構(gòu)建兩個(gè)靶點(diǎn)的樹。整個(gè)藥效團(tuán)提取和選擇過程如圖1B所示。

從AlphaZero中使用的蒙特卡羅樹搜索(Monte Carlo Tree Search, MCTS)中獲得靈感，作者開始探索利用樹結(jié)構(gòu)來表示藥物團(tuán)融合的化學(xué)空間。雖然以前的研究嘗試使用樹形結(jié)構(gòu)作為分子的表示，但作者的方法與眾不同，因?yàn)樗肓艘粋€(gè)定義明確的起點(diǎn)。這個(gè)起點(diǎn)，在圖1C中表示為核心片段，來源于藥效團(tuán)提取模塊。因此，作者的樹形結(jié)構(gòu)的初始層致力于核心的選擇，這對(duì)特定關(guān)鍵藥效團(tuán)的保存施加了控制。

一旦從兩棵樹中選擇了兩個(gè)核心，接下來的挑戰(zhàn)就變成了如何修改和融合它們。鑒于從活性化合物中提取核心的副產(chǎn)物是側(cè)鏈片段，因此考慮使用兩棵樹中的側(cè)鏈來構(gòu)建連接體是很自然的。鏈接器的構(gòu)建過程分為三個(gè)階段。首先，從兩個(gè)核心片段中選擇兩個(gè)錨原子作為連接體生長(zhǎng)錨，在圖1C中命名為生長(zhǎng)錨。其次，對(duì)于每個(gè)錨，作者從其中提取一個(gè)側(cè)鏈。第三，從每條側(cè)鏈中選擇一個(gè)錨原子進(jìn)行融合，在圖1C中記為融合錨。通過連接來自不同樹的兩個(gè)融合錨，可以將來自不同目標(biāo)的核心片段連接在一起。對(duì)于尚未選擇的生長(zhǎng)錨，修飾R基團(tuán)被認(rèn)為有助于提高生成分子的多樣性。從這些錨點(diǎn)生長(zhǎng)的側(cè)鏈可以在不同的原子上被切割以構(gòu)建R基團(tuán)。最終，如圖1C所示，葉節(jié)點(diǎn)原理是通過在未選擇的生長(zhǎng)錨點(diǎn)上修飾有效的R-基團(tuán)(化學(xué)上有效的R-基團(tuán)，不會(huì)破壞原始側(cè)鏈內(nèi)的環(huán))來構(gòu)建的。最后的分子是由兩個(gè)基元在它們的融合錨點(diǎn)融合而產(chǎn)生的。

作者訓(xùn)練了一個(gè)多任務(wù)GNN作為雙目標(biāo)對(duì)接評(píng)分預(yù)測(cè)。在使用GNN編碼圖之前，原子特征和鍵特征的提取是必不可少的。作者采用了9個(gè)原子特征（原子類型、化學(xué)鍵數(shù)、形式電荷數(shù)、自由基電子數(shù)、雜化類型、芳香性、連接的氫原子數(shù)、是否具有手性、手性類別）和4個(gè)鍵特征（鍵類型、是否共價(jià)、是否成環(huán)、立體化學(xué)類型）的組合。在分子對(duì)接主動(dòng)學(xué)習(xí)領(lǐng)域，消息傳遞神經(jīng)網(wǎng)絡(luò)(MPNN)的表現(xiàn)優(yōu)于隨機(jī)森林和傳統(tǒng)神經(jīng)網(wǎng)絡(luò)方法。然而，當(dāng)MPNN應(yīng)用于分子圖的處理時(shí)，可能會(huì)遇到稀釋效應(yīng)的問題。這是因?yàn)樗鼘?duì)所有節(jié)點(diǎn)進(jìn)行了統(tǒng)一處理，而不考慮其與目標(biāo)節(jié)點(diǎn)的距離，從而削弱了拓?fù)湎噜徆?jié)點(diǎn)和官能團(tuán)的影響。

為了解決這一限制，作者引入了注意力機(jī)制，以圖注意力網(wǎng)絡(luò)(GAT)的形式提供改進(jìn)的鄰居聚合。最近，注意力指紋(AttentiveFP)框架被提出，作為一種能夠通過節(jié)點(diǎn)信息傳播捕獲局部原子相互作用和通過圖注意力機(jī)制捕獲分子內(nèi)非局部效應(yīng)的方法。它是為分子特征提取而定制的，并且在綜合基準(zhǔn)測(cè)試中優(yōu)于其他架構(gòu)(包括MPNN)。在作者的研究中，作者將AttentiveFP框架應(yīng)用于分子對(duì)接主動(dòng)學(xué)習(xí)領(lǐng)域。構(gòu)建了兩個(gè)卷積層來提取原子特征，一個(gè)讀出層用于生成分子嵌入。隨后，通過將分子嵌入到多任務(wù)全連接層中來預(yù)測(cè)對(duì)接分?jǐn)?shù)。

AIxFuse采用協(xié)同迭代RL和AL學(xué)習(xí)藥效團(tuán)融合模式，滿足分子對(duì)接模擬的雙靶標(biāo)結(jié)構(gòu)約束。如圖1C所示，RL框架是actor-critic的，涉及兩個(gè)MCTS演員來產(chǎn)生藥物團(tuán)融合分子和一個(gè)通過主動(dòng)學(xué)習(xí)訓(xùn)練的雙目標(biāo)對(duì)接評(píng)分評(píng)論家。INIT_GEN函數(shù)通過隨機(jī)采樣和融合不同樹的基本原理生成藥效團(tuán)融合分子，DOCKING函數(shù)將分子生成到目標(biāo)結(jié)合口袋中并估計(jì)其雙目標(biāo)結(jié)合親和力，TRAIN函數(shù)表示通過多任務(wù)AttentiveFP模型主動(dòng)學(xué)習(xí)雙目標(biāo)對(duì)接分?jǐn)?shù)。其訓(xùn)練參數(shù)在SELF_PLAY函數(shù)中使用，生成新一批的藥效團(tuán)融合分子。簡(jiǎn)而言之，AIxFuse在構(gòu)建樹時(shí)初始化每個(gè)節(jié)點(diǎn)的權(quán)值，并根據(jù)其權(quán)值隨機(jī)采樣子節(jié)點(diǎn)。從兩棵樹中隨機(jī)抽樣的基本原理被融合以產(chǎn)生分子。兩個(gè)MCTS以自我博弈的方式運(yùn)行，以獎(jiǎng)勵(lì)每次探索。SELECT函數(shù)中使用給定節(jié)點(diǎn)的獎(jiǎng)勵(lì)期望的上置信區(qū)間(UCB)。

作者將AIxFuse與一些具有代表性的方法進(jìn)行了比較，如表1所示。為了評(píng)估該方法的有效性，作者建立了GSK3β|JNK3雙靶點(diǎn)抑制劑設(shè)計(jì)基準(zhǔn)任務(wù)，開發(fā)糖原合成酶激酶3β (GSK3β)和c-Jun N-末端激酶3 (JNK3)的雙靶點(diǎn)抑制劑，命名為GSK3β|JNK3基準(zhǔn)。值得注意的是，GSK3β和JNK3與阿爾茨海默病(AD)和其他疾病的發(fā)病機(jī)制有關(guān)。設(shè)計(jì)同時(shí)針對(duì)GSK3β和JNK3的雙重抑制劑的概念有可能為AD引入一種新的多靶點(diǎn)治療方法。如表1所示，加粗的數(shù)字說明表現(xiàn)最好。在有效性、獨(dú)特性、多樣性、成功率、具有獨(dú)特性和成功率（USR）分子的成藥性（QED），可合成性（SA），GSK3β對(duì)接比率，JNK3對(duì)接比率，F(xiàn)réchet ChemNet距離（FCD），近鄰相似度（SNN）中，F(xiàn)CD越低越好，其余指標(biāo)越高越好。在這所有十個(gè)指標(biāo)中，AIxFuse在八個(gè)指標(biāo)上取得了最佳結(jié)果。

作者設(shè)計(jì)了消融實(shí)驗(yàn)來驗(yàn)證模型設(shè)計(jì)的有效性。作者探討了運(yùn)行多次迭代的強(qiáng)化學(xué)習(xí)RL和主動(dòng)學(xué)習(xí)AL的貢獻(xiàn)。如圖2A和B所示，隨著迭代，總體MSE減小，R2增大。這一趨勢(shì)表明，多次迭代有助于提高雙靶點(diǎn)對(duì)接評(píng)分的準(zhǔn)確性。然后，作者在圖2C和D中給出了最終雙靶點(diǎn)對(duì)接評(píng)分評(píng)論家的準(zhǔn)確性。最終Pearson相關(guān)系數(shù)表明，預(yù)測(cè)的對(duì)接評(píng)分與基本真實(shí)值之間存在很強(qiáng)的正相關(guān)(GSK3β和JNK3分別為0.691和0.704)。這肯定了模型的魯棒排序能力，這是分子生成中提高分子性質(zhì)的重要因素。然后作者研究了強(qiáng)化學(xué)習(xí)優(yōu)化的貢獻(xiàn)。如圖2E-H所示，AIxFuse(沒有RLAL)的對(duì)接得分分布與已知活性分子非常相似。這表明自動(dòng)提取的藥效團(tuán)可以有效地保留兩種靶標(biāo)的基本構(gòu)效關(guān)系。然而，AIxFuse(沒有 RLAL)的QED分布和SA分布并不理想，如圖3A-D所示。經(jīng)過協(xié)作RL和AL的迭代，AIxFuse在所有四個(gè)屬性上都實(shí)現(xiàn)了改進(jìn)。這些現(xiàn)象凸顯了協(xié)同RL與AL的協(xié)同效應(yīng)，RL為AL優(yōu)化訓(xùn)練了雙目標(biāo)對(duì)接評(píng)分"批評(píng)家"，而AL為RL訓(xùn)練提供了更高質(zhì)量的分子。

作者還進(jìn)行了案例分析。為了獲得對(duì)相似性的直觀理解，圖3E可視化了生成的分子和活性化合物的化學(xué)空間。GSK3β抑制劑的化學(xué)空間與JNK3抑制劑非常相似。值得注意的是，AIxFuse探索了已知抑制劑主要簇之間的間隙，而其他方法則沒有。在兩個(gè)靶標(biāo)抑制劑之間的化學(xué)空間間隙內(nèi)產(chǎn)生的分子可能表現(xiàn)出兩端的高度相似性。為了更深入地研究生成的分子與活性化合物之間的分子性質(zhì)相似性，作者繪制了圖3F-K中的性質(zhì)分布?？梢园l(fā)現(xiàn)，AIxFuse生成的分子的QED、SA、logP和重量分布與GSK3β抑制劑和JNK3抑制劑的QED、SA、logP和重量分布非常接近。然而，對(duì)于GSK3β和JNK3對(duì)接評(píng)分，與相應(yīng)的已知抑制劑相比，AIxFuse產(chǎn)生的分子分布在較小的位置，表明生成的分子對(duì)這兩個(gè)靶點(diǎn)具有更好的結(jié)合親和力，同時(shí)保持了與已知抑制劑相似的其他特性。