高通量篩選（HTS）和虛擬配體篩選（VLS）的標(biāo)準(zhǔn)庫(kù)歷來被限制在不到1000萬個(gè)可用化合物，與潛在的1060個(gè)類藥物化合物的巨大化學(xué)空間相比，這只是一小部分。標(biāo)準(zhǔn)HTS和VLS的這種局限性減慢了藥物發(fā)現(xiàn)的速度。

后來，包含數(shù)十億化合物的虛擬庫(kù)被開發(fā)出來。但隨著虛擬庫(kù)的規(guī)模增加到數(shù)十億，篩選庫(kù)中所包含的分子在計(jì)算上變得不切實(shí)際，而且成本過高。比如，使用1個(gè)CPU篩選100億個(gè)化合物可能需要3000年以上（以每個(gè)化合物10秒的標(biāo)準(zhǔn)速率對(duì)接）。

因此，需要更有效的方法來搜索大規(guī)模的化合物庫(kù)。

2021年12月15日，美國(guó)南加州大學(xué)、東北大學(xué)和北卡羅來納大學(xué)教堂山分校的研究團(tuán)隊(duì)合作，在Nature發(fā)表了題為：Synthon-based ligand discovery in virtual libraries of over 11 billion compounds的研究論文。

該研究開發(fā)了一種從包含110億種化合物的虛擬庫(kù)中識(shí)別潛在藥物分子的創(chuàng)新方法，并以3個(gè)目標(biāo)蛋白的抑制劑篩選為例，展示了該方法的性能。

用于巨大化學(xué)庫(kù)的虛擬篩選方法

研究團(tuán)隊(duì)開發(fā)了一種被稱為V-SYNTHES的方法（virtual synthon hierarchical enumeration screening，虛擬合成子分級(jí)枚舉篩選），大大減少了在這些庫(kù)中搜索潛在hits時(shí)需要評(píng)估的分子數(shù)量，使用的計(jì)算資源是標(biāo)準(zhǔn)方法的百分之一。

該方法可輕松擴(kuò)展以適應(yīng)組合庫(kù)的快速增長(zhǎng)，并且可能適用于任何對(duì)接算法。

V-SYNTHES的工作流程和結(jié)果

圖1一種處理巨大化學(xué)庫(kù)的虛擬藥物篩選方法

該方法的流程如下

1.首先建立一個(gè)小型的虛擬庫(kù)。從110億個(gè)分子庫(kù)中選擇了大約60萬個(gè)片段，這些片段代表整個(gè)虛擬庫(kù)中存在的所有不同的骨架。稱之為最小列舉庫(kù)（minimal enumeration library,MEL）。

2.將MEL庫(kù)中的片段與3個(gè)目標(biāo)蛋白對(duì)接，計(jì)算這些片段與每個(gè)蛋白的結(jié)合親和力。

3.選擇對(duì)接分?jǐn)?shù)最高的1,000-10,000個(gè)片段，并向它們添加了合成子（synthons，分子的小片段），創(chuàng)建了一個(gè)約有100萬個(gè)分子的新庫(kù)。

通過重復(fù)對(duì)接和添加合成子的步驟，篩選幾百萬個(gè)化合物來確定hits。隨著每一次迭代，每個(gè)化合物的大小都會(huì)隨著分子變得更加完整而增加。

4.幾千個(gè)排名靠前的VLS化合物經(jīng)過PAINS、物理化學(xué)性質(zhì)、藥物相似性、新穎性和化學(xué)多樣性的后處理過濾，最終選擇有限的化合物集（通常是50-100個(gè)）進(jìn)行合成和實(shí)驗(yàn)測(cè)試。

作者發(fā)現(xiàn)，在V-SYNTHES預(yù)測(cè)的與這些受體結(jié)合并在低化合物濃度下抑制其活性的前60個(gè)化合物中，約有三分之一確實(shí)在體外顯示了這種效應(yīng)。這個(gè)"hit獲得率"大約是作者使用的標(biāo)準(zhǔn)方法的兩倍，而V-SYNTHES需要的計(jì)算資源比這些方法少100倍。

作者隨后在一種叫做ROCK1的激酶上測(cè)試了V-SYNTHES，并報(bào)告了28.5%的hit獲得率。在被選中進(jìn)行合成和體外測(cè)試的21個(gè)最有希望的化合物中，有6個(gè)可以與ROCK1酶結(jié)合，并在化合物濃度低于10微摩爾時(shí)對(duì)其進(jìn)行抑制。這些化合物可以成為藥物發(fā)現(xiàn)計(jì)劃中進(jìn)一步優(yōu)化的合適線索。

V-SYNTHES的價(jià)值和意義

V-SYNTHES代表了藥物發(fā)現(xiàn)初始階段的兩種主要方法（基于結(jié)構(gòu)的藥物設(shè)計(jì)和基于片段的藥物設(shè)計(jì)）的結(jié)合。在基于結(jié)構(gòu)的設(shè)計(jì)中，分子的結(jié)構(gòu)特征及其與靶點(diǎn)的相互作用被用來指導(dǎo)設(shè)計(jì)過程。在基于片段的藥物設(shè)計(jì)中，分子基團(tuán)被添加到最初因其潛在活性而被確定為有前途的片段中。

這篇論文為從現(xiàn)在可用的大型化合物庫(kù)中識(shí)別生物活性分子鋪平了道路，使用的計(jì)算資源和時(shí)間僅為標(biāo)準(zhǔn)虛擬篩選方法的一小部分，而且成功率更高。最重要的是，該方法的計(jì)算成本隨著使用的合成子的數(shù)量而增加，而不是隨著初始的主要庫(kù)的大小而增加。因此，隨著現(xiàn)成的化合物庫(kù)及其組合的不斷增加，該方法將繼續(xù)具有計(jì)算上的可行性。

雖然該方法使用ICM-Pro對(duì)接并應(yīng)用于Enamine REAL Space庫(kù)，但基于迭代合成子的篩選算法可以在任何可靠的基于對(duì)接的篩選平臺(tái)上實(shí)現(xiàn)，并在任何可以表示為骨架和合成子組合的超大型庫(kù)中使用。在操作過程中可能需要對(duì)算法的某些參數(shù)進(jìn)行自定義調(diào)整以獲得最佳性能，從而為進(jìn)一步探索該方法開辟了許多途徑。

V-SYNTHES的擴(kuò)展性意味著用戶將能夠在特別大的虛擬化合物庫(kù)中搜索并找到具有生物活性的分子。該方法不能保證找到最好的hits，但這可能并不重要，因?yàn)榇蝺?yōu)的hits往往為藥物開發(fā)過程提供了良好的起點(diǎn)。

不過從長(zhǎng)遠(yuǎn)來看，虛擬篩選的更大問題是，無論該方法如何快速，其結(jié)果都取決于對(duì)接步驟的準(zhǔn)確性。如同所有的虛擬篩選方法一樣，V-SYNTHES識(shí)別良好hits的能力取決于對(duì)接分?jǐn)?shù)的準(zhǔn)確性，需要有真正可靠的對(duì)接分?jǐn)?shù)被開發(fā)出來。