《Scientific African》:An Integrated Computational Approach Combining QSAR Modeling, Molecular Docking, and ADME Profiling for the Discovery of Selective CYP11B1 Inhibitors
编辑推荐:
CYP11B1抑制剂在调控皮质醇生物合成中发挥关键作用,并代表了治疗库欣综合征和高血压等疾病的有前景候选药物。在本研究中,研究人员设计并评估了一系列新型类似物,采用了结合定量构效关系(QSAR)、分子对接和ADME预测的整合策略。研究人员构建了多元线性回归(M
CYP11B1抑制剂在调控皮质醇生物合成中发挥关键作用,并代表了治疗库欣综合征和高血压等疾病的有前景候选药物。在本研究中,研究人员设计并评估了一系列新型类似物,采用了结合定量构效关系(QSAR)、分子对接和ADME预测的整合策略。研究人员构建了多元线性回归(MLR)、偏最小二乘(PLS)和主成分回归(PCR)模型,以建立分子描述符与针对CYP11B1抑制活性之间稳健的预测关系。模型通过外部测试集预测、Y-随机化以及适用域(AD)分析进行了严格验证,所有结果均满足经济合作与发展组织(OECD)标准(R2?=?0.725–0.772,Q2?=?0.701–0.752,RMSE?=?0.242–0.310)。
对接模拟显示,化合物D3表现出最有利的结合亲和力(?7.45 kcal/mol),并与关键残基Arg404和Leu113形成稳定的π–H和π–阳离子相互作用,提示其可能对CYP11B1产生选择性抑制。ADME和类药性评估表明,该化合物预测具有良好的药代动力学性质,包括较高的胃肠道吸收、不穿透血脑屏障以及良好的溶解性;同时,D3还表现出最低的合成可及性评分(SA?=?3.09)。
总体而言,这种整合计算方法成功识别出D3作为一种高效且具有合成可行性的CYP11B1抑制剂候选物。这些结果为合理设计和优化具有改良药理学与代谢特征的新型抑制剂提供了经验证的研究框架。
该论文发表于《Scientific African》,围绕细胞色素P450 11β-羟化酶(CYP11B1,一种催化11-脱氧皮质醇向皮质醇转化末端羟化步骤的关键酶)的选择性抑制剂发现展开。研究背景在于,皮质醇是肾上腺皮质合成的主要糖皮质激素,在代谢调节、免疫应答和应激适应中具有核心作用;然而,皮质醇过量与库欣综合征、代谢综合征、糖尿病和高血压等多种病理状态密切相关。现有CYP11B1抑制剂如metyrapone和osilodrostat虽已应用,但仍存在选择性不足、半衰期较短以及对CYP11B2的非期望抑制等问题,可能进一步引发电解质紊乱及其他不良反应。因此,开发兼具高效性、选择性及良好药代动力学性质的新型CYP11B1抑制剂,仍然是药物化学领域的重要目标。
为应对上述问题,研究人员构建了一种整合计算研究框架,将定量构效关系(QSAR,利用分子结构与生物活性间统计关联进行预测的模型方法)、分子对接和ADME(absorption, distribution, metabolism, and excretion,吸收、分布、代谢与排泄)评估联合应用于新型CYP11B1抑制剂设计。研究所用样本队列来源于Stefanachi等报道的26个化合物,包括7-取代-4-imidazolylmethyl coumarins和4′-取代-2-imidazolyl acetophenones。研究人员基于这些化合物的结构与活性数据,建立了MLR、PLS和PCR三类QSAR模型,并通过外部验证、Y-随机化和适用域分析对模型可靠性进行了系统检验;同时结合对接模拟解析配体-酶相互作用,并借助SwissADME和pkCSM平台预测化合物的类药性、药代行为和合成可及性。综合分析后,化合物D3被确定为最有潜力的候选CYP11B1抑制剂,表现出较强结合亲和力、较优药代动力学预测特征及较高合成可行性。该研究的重要意义在于,为选择性CYP11B1抑制剂的理性设计、虚拟筛选和先导优化提供了一套经验证的计算路径。
研究人员主要采用了以下关键技术方法:首先,从26个已报道CYP11B1抑制剂化合物构成的数据集中计算296个二维(2D)和三维(3D)分子描述符,并经主成分分析(PCA)降维与特征筛选;随后基于训练集(n?=?21)和测试集(n?=?5)建立MLR、PLS、PCR三类QSAR模型,并通过留一交叉验证(LOOCV)、外部测试集、Y-随机化和Williams图适用域分析进行验证;其次,以PDB ID: 6M7X的人源CYP11B1晶体结构为基础,使用MOE 2009.10开展分子对接,并通过fadrozole重对接验证参数可靠性;最后借助SwissADME和pkCSM对设计化合物D1–D5进行类药性、药代动力学及合成可及性评估。
在研究结果部分,论文首先报告了“Principal component analysis”。研究人员对26个化合物的10个分子描述符实施主成分分析,得到10个主成分,其中前三个主成分F1、F2和F3可解释76.67%的总方差,说明降维后仍保留了数据集中大部分关键信息。结果显示,logP(o/w)、SlogP、density、FASA+和logS对F1贡献较大;BCUT_PEOE_2、BCUT_PEOE_1、FASA+和AM1_HOMO对F2贡献较大;AM1_LUMO对F3贡献最突出。经PCA及相关性分析后,研究人员据此筛选描述符用于后续QSAR建模,说明化合物疏水性、电子性质、表面积和溶解性等特征与CYP11B1抑制活性密切相关。
在“Partial least squares”部分,研究人员采用PLS方法建立了定量构效关系模型,以pIC
50为因变量,将SlogP、BCUT_PEOE_2、BCUT_PEOE_1、dipole、density、FASA+、AM1_HOMO、AM1_LUMO和logS等作为自变量构建回归方程。该模型统计学表现良好,N?=?21,R
2?=?0.772,MSE?=?0.059,RMSE?=?0.242。残差围绕零对称分布,说明模型未见明显系统误差;预测值与实测pIC
50之间呈较强相关性,表明PLS模型具有较高稳健性与预测能力。
在“Principal components regression”部分,研究人员进一步采用PCR方法建模,以提高分子结构与生物活性关系预测精度。PCR模型同样纳入多种关键描述符,所得模型统计参数为N?=?21,R
2?=?0.767,R
2adj?=?0.612,MSE?=?0.096,RMSE?=?0.310。结果表明,该模型整体质量较高,预测性能与PLS模型相近;预测pIC
50与实验pIC
50具有较好一致性,支持其用于后续活性趋势解析。
在“Multiple linear regression”部分,研究人员构建了更为简洁的MLR模型,以八个候选描述符中最终筛出的BCUT_PEOE_2和FASA+为核心变量,建立了pIC
50的回归方程。该模型参数为N?=?21,R
2?=?0.725,R
2adj?=?0.694,RMSE?=?0.273,F?=?23.731,且Pr<0.0001。结果说明BCUT_PEOE_2和FASA+与抑制活性密切相关,是影响CYP11B1抑制效应的重要分子特征。尽管该模型描述符数量较少,但仍保有较高解释度和统计显著性,体现出较好的模型简约性与实用性。
在“QSAR Model Validation”部分,研究人员系统验证了三类QSAR模型。其一,在“External Validation”中,PLS、PCR和MLR模型分别达到R
2?=?0.772、0.767、0.725,Q
2?=?0.752、0.745、0.701,且RMSE较低,外部测试集R
2test > 0.5,表明模型具备良好的泛化能力。其二,在“Y-Randomization Test”中,对pIC
50进行20次随机重排后,所得R
2和Q
2接近零,证明原始模型的结构—活性相关性并非偶然。其三,在“Applicability Domain (AD)”中,Williams图显示训练集和测试集中的绝大多数化合物均位于|residual| ≤ 3σ且h < h*的边界内,仅有1个化合物杠杆值略高但未显著影响模型性能,说明模型预测位于定义清晰且有效的化学空间内。综合来看,这些验证结果共同支持QSAR模型的统计学稳健性、内部一致性与预测可靠性。
在“Evaluation of Drug-Likeness and ADME Properties”部分,研究人员对设计化合物D1–D5进行了类药性和药代动力学预测。结果显示,所有化合物均符合Lipinski五规则,并满足Ghose、Veber、Egan和Muegge过滤标准,提示具备较好的口服药物相容性。各化合物分子量均低于500 Da,logP处于可接受范围,氢键供体和受体数也符合标准。ADME结果进一步表明,D1–D5均具有高胃肠道吸收率,且均不穿透血脑屏障(BBB),这有利于降低中枢神经系统相关不良反应风险。文中还报告,这些化合物对CYP2D6和CYP3A4代谢相关参数进行了预测评估,并给出了总清除率数据。水溶解性预测显示所有化合物均处于适宜的小分子药物范围。合成可及性(SA)评分在3.09至4.50之间,提示均可通过常规实验室方法合成,其中D3的SA最低,为3.09,显示出最优的合成便利性。总体而言,该部分结果支持D1–D5具备进一步开发价值,而D3在药代性质与可合成性之间体现出最佳综合平衡。
在“Molecular docking”部分,研究人员通过分子对接考察了D1–D5与CYP11B1活性口袋的结合模式。所采用的蛋白结构为与fadrozole共晶的人源CYP11B1(PDB ID: 6M7X),并通过去除非必要分子、加氢、质子化及能量最小化等步骤完成蛋白准备;fadrozole重对接得到RMSD?=?1.63 ?,说明对接流程可以较准确重现实验结合构象。对接结果显示,所有化合物均具有有利结合能,范围为?5.93至?7.45 kcal·mol
?1,表明其可稳定结合于CYP11B1催化口袋。其中特别值得注意的是D3,其结合能最低,为?7.45 kcal/mol,与fadrozole(?7.60 kcal/mol)接近,优于metyrapone(约?6.80 kcal/mol)。D3在活性位点中形成了与高活性CYP11B1抑制剂一致的关键相互作用,包括与Arg404的π–阳离子作用以及与Leu113和Ile129的疏水接触;文中还特别指出D3与Leu113形成4.69 ?的π–H接触,与Arg404形成3.26 ?的π–阳离子相互作用,这些作用共同促进其在催化腔中的稳定结合。相比之下,D4虽也具有较好对接得分(?7.25 kcal·mol
?1),但其优势主要来源于与Arg110和Glu383的多重氢键;D5则因氢键能力有限且构象匹配不足,显示出最弱结合亲和力(?5.93 kcal·mol
?1)。这部分结果表明,官能团取向、位阻互补性及电子分布是决定CYP11B1抑制活性的关键因素。
在“Discussion”部分,研究人员将QSAR建模、分子对接和ADME预测结果进行了综合讨论。首先,MLR、PLS和PCR模型的R
2、Q
2和RMSE指标均满足OECD及Tropsha标准,证明所选描述符对CYP11B1抑制活性具有真实且稳定的解释能力;Y-随机化和Williams图进一步表明模型并非偶然拟合,并具有明确适用域。其次,对接结果与QSAR预测高度一致,D3不仅呈现最优结合亲和力,还重现了已知高效CYP11B1抑制剂的关键作用模式;其芳香基团提供π相互作用稳定化,极性官能团促进特异性氢键形成,这些结构特征与QSAR模型识别出的理化要求相互印证。最后,ADME和类药性分析进一步支持D3的药物开发潜力:其具有高胃肠吸收、适宜溶解性、较低代谢相互作用风险和最低SA评分。综合三类独立方法的结果,D3被一致指认为最有前景的CYP11B1抑制剂候选物。
研究结论部分可译为:本研究采用整合计算策略——结合QSAR建模、经验证的分子对接和ADME谱分析——设计并评估了新型CYP11B1抑制剂。QSAR模型(MLR、PLS、PCR)表现出较强的统计学性能,外部验证、Y-随机化和适用域分析均支持其在生物活性预测中的稳健性与可靠性。所有模型均满足OECD和Tropsha标准,因此可用于虚拟筛选和先导优化。对接研究确定D3为最有前景的候选物:其表现出最有利的结合亲和力(?7.45 kcal/mol),并与Arg404、Leu113等关键残基形成重要的π–阳离子和π–H作用,这与已知CYP11B1抑制剂的结合模式一致,也与QSAR模型揭示的结构特征相吻合。ADME和类药性评估进一步强化了D3的潜力。所有设计化合物均符合主要药代动力学筛选标准,提示具有良好的预测口服生物利用度和吸收特征;且均未被预测为主要CYP亚型(CYP2D6、CYP3A4)的抑制剂,提示代谢相互作用风险较低。尤其是D3兼具最有利的ADME特征和最低的合成可及性评分(SA?=?3.09),显示出实际合成和后续开发的可行性。总之,QSAR预测、经验证的对接结果与药代动力学评估的汇聚性证据支持将D3确定为选择性CYP11B1抑制的有前景先导物。本研究建立的整合计算框架为基于结构的药物设计提供了可靠而高效的基础,并为后续优化活性、选择性和药代行为提供了明确方向。