《Journal of Molecular Structure》:Multi-scale computational-experimental strategy for anti?hepatocellular carcinoma natural product discovery and candidate target exploration
编辑推荐:
•开发了一种机器学习指导策略,用于快速筛选具有抗肝癌活性的天然产物并进行候选靶点探索。•八种预测化合物在HepG2细胞中表现出抗肝细胞癌活性,其中来自五味子的山梨酰戈米辛H显示出强效抑制作用(IC50 = 0.451 μM)。•通过整合LiP-MS、分子对接和分子动力学分析,
- •
开发了一种机器学习指导策略,用于快速筛选具有抗肝癌活性的天然产物并进行候选靶点探索。
- •
八种预测化合物在HepG2细胞中表现出抗肝细胞癌活性,其中来自五味子的山梨酰戈米辛H显示出强效抑制作用(IC50 = 0.451 μM)。
- •
通过整合LiP-MS、分子对接和分子动力学分析,鉴定出EIF4A3为山梨酰戈米辛H的潜在靶点。
引言
肝癌是全球癌症相关死亡的主要原因之一,其高发病率和死亡率仍然是公共卫生面临的主要挑战[1,2]。近年来,肝癌的早期检测和治疗取得了一些进展,包括影像学方法的改进和靶向药物的持续发展[3]。然而,许多患者仍在疾病晚期才被诊断,这极大地限制了治疗效果。此外,肝癌具有复杂的分子特征和明显的临床异质性,导致患者之间的治疗反应和预后差异较大[4]。因此,目前的治疗方法(如手术切除、肝移植、化疗和靶向治疗)的获益仍然有限,尤其在晚期或复发患者中更为明显[5,6]。当前的分子靶向治疗主要抑制VEGFR、PDGFR和RAF等激酶;然而,其临床疗效往往受到固有耐药和获得性耐药、代偿性信号通路的激活以及药物靶点在不同肿瘤中的异质性表达的限制[7]。因此,肝癌的预后仍然较差,五年生存率仅为18%[8]。因此,开发新的有效治疗策略,特别是从天然产物中发现具有生物活性的化合物,已成为肝癌研究的重要焦点。
天然产物是抗癌药物的重要来源,因其具有多样化的化学结构和广泛的生物活性[9,10]。在肝癌研究中,多种天然产物显示出令人鼓舞的治疗潜力[11,12]。然而,具有抗肝细胞癌活性的天然产物的有效筛选及其作用机制的阐明仍面临挑战。传统的实验筛选方法通常耗时、费力且成本高昂,不适合快速发现有前景的药物候选物[13,14]。为解决这些局限性,机器学习(ML)为天然产物药物筛选提供了一种有用的新策略[15]。与传统筛选方法相比,基于机器学习的虚拟筛选显著减少了确定命中化合物所需的时间和资源,能够探索更广阔的化学空间,并通过学习复杂的构效关系来提高发现新骨架的概率——这些关系难以被传统检测方法所捕获[16,17]。在天然产物用于肝癌治疗的筛选中,机器学习方法可以结合化学结构信息、已知活性数据和肝癌相关的生物特征,更准确地预测化合物的生物活性。该方法可以大幅提高筛选效率,并帮助从庞大的天然产物库中识别出有前景的分子。目前,机器学习已广泛应用于药物发现,并为多个领域药物的开发做出了贡献,如抗菌和抗癌化合物研究[18]。然而,据我们所知,机器学习方法在快速筛选具有抗肝细胞癌活性的天然产物方面应用仍然较少,这突显了该领域具有强烈的研究价值和发展潜力。
因此,在本研究中,我们开发了一种结合机器学习与实验验证的多步骤策略,用于快速筛选具有抗肝细胞癌活性的天然产物并鉴定其潜在分子靶点。首先,利用分子数据和性质信息构建了一个基于机器学习的预测模型,以高效地识别具有潜在抗肝细胞癌活性的天然产物候选物。随后,在细胞实验中对九种筛选出的化合物进行了评估,其中八种被确认为具有抗肝细胞癌活性。有趣的是,一类以山梨酰戈米辛H(HepG2 IC50=0.451 μM)为代表的化合物此前从未被报道具有抗肝细胞癌活性。因此,该化合物被选中进行进一步研究。通过集落形成实验、细胞周期分析和凋亡实验进一步验证了其抗肝细胞癌效果。最后,采用有限蛋白酶解-质谱法(LiP-MS),结合分子对接和分子动力学模拟,验证了其潜在的抗肝细胞癌靶点并探索其作用机制,结果鉴定出EIF4A3为山梨酰戈米辛H的潜在靶点。通过将计算预测与实验验证相结合,本研究提高了天然产物筛选的效率和准确性,有助于解释潜在的抗肝细胞癌化合物的靶点和机制,并为开发新的肝癌疗法提供了有用的依据。该策略不仅可能有助于加速药物发现过程,还为精准医疗和个性化治疗提供了新的可能性,并对未来的转化研究具有潜在价值。
章节摘要
HepG2数据集分析
首先,我们对活性化合物和阴性化合物的理化性质进行了评估和分析。图2展示了活性化合物与阴性化合物在理化特性上的分布差异,包括分子量、片段复杂度、可旋转键数、氢键受体数、氢键供体数和XlogP(常用于表征分子脂溶性的参数)。如图2所示,在所评估的六项中
结论
总之,本研究建立了一种基于机器学习的筛选框架,用于从天然产物数据库中鉴定具有抗肝细胞癌活性的化合物,并通过该框架将山梨酰戈米辛H确定为有前景的候选物。随后在HepG2细胞中进行的生物学验证表明,山梨酰戈米辛H显著抑制了HepG2细胞的增殖,IC??值为0.451 μM。通过以下方法进一步验证了其对HepG2细胞恶性表型的抑制作用
生成式人工智能在科学写作中的声明
在撰写本文期间,作者仅使用生成式人工智能工具进行语言润色、表达优化和翻译辅助。
利益冲突声明
作者声明,不存在可能影响本论文所报告工作的已知竞争性经济利益或个人关系。
致谢
本项目由贵州省科技计划项目(编号:黔科合基础 MS [2025] 372)和贵州省科技计划项目(编号:黔科合基础- [2024] 青年 322)资助。
赵怡环|赵天|方坤|朱雷