《RSC Medicinal Chemistry》:PCA-mapping and machine learning identify multiple chemotypes with antiplasmodial, β-haematin and haemozoin formation inhibition activityOpen Access
编辑推荐:
抑制疟色素(haemozoin)的形成仍然是抗疟药物发现中一个稳健的非基因组靶点。尽管当前的研究工作聚焦于非纯粹疟色素形成抑制剂的多阶段活性化合物,但该类化合物具有对疟原虫(Plasmodium)的选择性优势,并且与较低的耐药风险相关。为了开发经济高效的工具以
抑制疟色素(haemozoin)的形成仍然是抗疟药物发现中一个稳健的非基因组靶点。尽管当前的研究工作聚焦于非纯粹疟色素形成抑制剂的多阶段活性化合物,但该类化合物具有对疟原虫(Plasmodium)的选择性优势,并且与较低的耐药风险相关。为了开发经济高效的工具以简化发现流程,研究人员建立了一个整合基于配体和基于结构技术的高通量虚拟筛选(HTVS)工作流程。在此,研究人员采用主成分分析(PCA)富集图谱来优先筛选商业化合物库中潜在的β-血色素(βH,疟色素的合成类似物)形成抑制剂。随后,利用基于结构的分子对接方法,将富集区域内鉴定出的化合物对接至βH晶体。接着应用支持向量机(SVM)模型预测抗疟原虫活性,之后从排名最高的命中化合物中选取一个多样性子集,通过去污剂介导的βH形成抑制试验和全细胞恶性疟原虫(Pf)试验进行验证。研究发现三种先导化合物(1、2和14)具有强效的亚微摩尔Pf抑制活性。此外,化合物1和2被发现具有类似于氯喹的βH形成抑制活性,细胞分级分离实验证实疟色素形成抑制是化合物1全细胞作用机制的组成部分。这种可及且高效的HTVS工作流程为识别靶向血红素解毒途径的新型化学型提供了一个成功的框架,并且通过PCA改进,该方法还有潜力应用于其他必需的寄生虫生理过程。
论文解读
一、研究背景与问题
疟疾仍然是全球健康威胁,2024年世界卫生组织非洲区域占全球病例的94%。恶性疟原虫(Plasmodium falciparum,Pf)是该区域最具毒力和流行性的物种,给资源有限的医疗系统带来巨大负担。东非新出现的青蒿素部分耐药性对当前治疗疗效构成重大挑战,因此通过高通量、经济有效的策略加速药物发现流程对于对抗耐药性传播至关重要。
疟原虫在入侵红细胞后,会在酸性消化泡(DV)内降解宿主血红蛋白以获取必需寡肽,此过程释放有毒的二价铁原卟啉IX(血红素),其被氧化为血红素(haematin)。为应对随后的氧化还原激活的膜过氧化损伤,寄生虫通过将血红素隔离为不溶性疟色素晶体来进行解毒。许多临床抗疟药物如氯喹(CQ)、阿莫地喹、咯萘啶和哌喹通过抑制这一解毒途径发挥作用。靶向疟色素生物结晶化具有优势,因为它代表一个物理化学过程,是一个非基因组且因此不可变异的药物靶点。尽管对疟色素形成抑制剂的耐药性众所周知,但这一现象是通过依赖能量的药物外排机制发生的,该机制经由氯喹抗性膜转运蛋白PfCRT介导,这种外排具有小分子类别特异性而非靶点特异性。此外,这一过程为寄生虫所独有,使得相对于哺乳动物生物学通路具有极佳的靶点选择性。
β-血色素(βH)是疟色素的合成但结构相同的类似物,由中心对称的Fe(III)-卟啉二聚体通过铁-羧酸丙酸酯键连接,并通过氢键和π-π堆积相互作用组织成晶体晶格。βH已被证明是阐明疟色素特性和鉴定新型疟色素形成抑制剂的有用体外替代物。被鉴定为βH形成抑制剂的分子通常具有平面芳香核心和碱性氮原子,这一结构要求可能源于βH晶体的拓扑结构。尽管去污剂介导的βH形成抑制广泛用于基于靶点的筛选,但该无细胞试验中的活性并不一定保证细胞内疟色素形成的抑制。因此,通过细胞血红素分级分离进行验证至关重要。
虚拟筛选(VS)通过鉴定预测的活性化合物,为传统高通量筛选(HTS)提供了快速、经济有效的替代方案。此外,机器学习工具的整合显著提高了虚拟筛选的效率和预测能力。研究人员此前曾报道使用两步虚拟筛选方法从ChemDiv 300k代表性化合物库的25,000个化合物多样性子集中鉴定新的βH形成抑制剂,但该方法依赖于化学多样性过滤而非与βH形成抑制相关的性质,限制了全面采样化学库的能力。Thibaud等人最近使用PCA绘制已知βH形成抑制剂并开发了相应的PCA富集图谱,但该方法未包含寄生虫活性预测步骤,且其顶级命中化合物中仅有一个显示出强效抗疟原虫活性。因此,本研究旨在开发一个整合PCA映射、分子对接和SVM模型的改进型高通量虚拟筛选工作流程,以高效筛选更大规模数据集并鉴定具有βH形成抑制和抗疟原虫活性的新型化学型。
二、研究内容与结论
本研究建立了一个整合靶点特异性PCA富集映射、分子对接和SVM抗疟原虫预测模型的HTVS工作流程。该顺序方法允许高效筛选约180,000个化合物,与随机筛选相比显著提高了命中率,从ChemDiv库中鉴定出更广泛的βH形成抑制剂。实验验证确认了细胞内疟色素形成抑制直接贡献于化合物1的作用机制。此外,化合物14虽然具有许多疟色素抑制剂的结构特征但βH形成活性可忽略,却成为强效抗疟原虫先导化合物,代表了有前景的新型骨架。该发现还揭示了该流程的一个意外且有价值的特征:尽管SVM模型专门针对βH形成抑制剂训练,但它具有识别更广泛抗疟原虫化学型的能力。
三、主要技术方法
研究人员使用了以下关键技术方法:(1)PCA富集图谱映射,利用Thibaud等人开发的包含20个分子描述符的富集图谱对ChemDiv 300k代表性化合物库进行靶点特异性优先排序;(2)分子对接,使用AutoDock Vina将PCA命中化合物对接至优化的βH晶体结构,以pH 5.0±0.5质子化模拟DV酸性环境;(3)支持向量机(SVM)模型,使用PaDEL-descriptor计算分子描述符并在KNIME平台中应用SVM模型预测抗疟原虫活性;(4)片段指纹(FragFP)相似性分析,在DataWarrior中进行化合物多样性选择;(5)实验验证包括去污剂介导的βH形成抑制试验、全细胞Pf生长抑制试验(pLDH法)、HepG2细胞毒性MTT试验和细胞血红素分级分离试验。
四、研究结果
库准备:对ChemDiv 300k代表性化合物库应用Lipinski五规则过滤后剩余247,127个化合物,再经DataWarrior药物相似性过滤(截断值≥0)后获得180,872个化合物用于PCA映射。
PCA映射:化合物经LigPrep转化为三维能量最小化构象,使用PaDEL-descriptor计算分子描述符并绘制在βH形成抑制剂富集图谱上。排除未探索区域和富集度低于5%的化合物,获得37,323个PCA映射命中化合物。
分子对接:将PCA命中化合物对接至βH晶体结构,以Vina结合亲和力?12.5 kcal mol?1为截断值获得1,480个对接命中。去除已知抗疟相关骨架(喹啉、苯并咪唑、咪唑和苯甲酰胺)后剩余804个in silico命中。对接姿态分析显示化合物优先结合于晶体生长最快的(001)面及其相对面(001?),这可通过平行卟啉环的π-π堆积相互作用和每个血红素亚基游离羧基的氢键来合理化。
支持向量机模型:804个对接命中经SVM模型预测,99个化合物获得大于0.5的SVM概率分数。
化合物选择:通过FragFP相似性分析并结合ChemDiv可获得性,最终选择42个结构多样的in silico命中进行实验验证。
β-血色素形成抑制:42个化合物中11个在去污剂介导的βH形成抑制试验中显示活性(IC50 < 150 μM),命中率为26%。其中7个(化合物5–11)为全新βH形成抑制剂,4个(1、2、12和13)在先前筛选中已被鉴定,验证了模型的稳健性和可重复性。
P. falciparum生长抑制活性:单点pLDH试验(5 μM)鉴定出12个≥50%抑制的化合物,经全剂量反应后6个化合物具有抗疟原虫活性(IC50 < 5 μM),命中率14%。其中4个(1、2、10和13)兼具βH形成抑制和抗疟原虫活性。三个先导化合物(1、2和14)具有亚微摩尔Pf抑制活性,选择性指数(SI)分别为3倍、151倍和30倍。所有活性化合物对CQ耐药Dd2株的耐药指数(RI)均<4,表明无显著交叉耐药。化合物14代表一个此前未针对疟原虫研究的新型抗疟原虫化学型。
细胞疟色素形成抑制:化合物1在0.5×至2× IC50浓度下引起剂量依赖性、统计学显著的血红素绝对量增加,疟色素绝对量在2×和3× IC50浓度下呈剂量依赖性显著下降,而血红蛋白量基本恒定,确认疟色素形成抑制是化合物1的主要作用机制。相比之下,化合物14未观察到典型的疟色素形成抑制剂特征性剂量依赖性变化,仅有小幅但统计学显著的疟色素水平下降,可归因于应激诱导的寄生虫代谢功能紊乱,其真正药物靶点需进一步研究。
五、讨论与结论
本研究建立的HTVS工作流程成功整合了靶点特异性PCA富集映射和分子对接与SVM抗疟原虫预测模型,允许高效筛选约180,000个化合物并显著提高命中率。化合物1被确认通过抑制细胞内疟色素形成发挥抗疟作用,但其低SI值提示可能存在脱靶效应,需要对该骨架进行构效关系分析以提高对疟原虫的选择性。化合物14虽然具有疟色素抑制剂的结构特征但βH形成活性可忽略,却显示出强效抗疟原虫活性,其作用机制有待阐明,但代表了有前景的新型骨架。该发现还表明,尽管SVM模型专门针对βH形成抑制剂训练,但它具有识别更广泛抗疟原虫化学型的能力。未来工作将集中于扩展SVM训练集以包含多样化的、靶点不可知的寄生虫抑制剂和非抑制剂,以及纳入细胞毒性预测考量,使模型超越特定靶点导向应用,建立通用表型虚拟筛选的计算平台。重要的是,这些机器学习模型的成功依赖于其训练数据集的生物学准确性,未经验证的βH形成抑制数据可能在化合物库中引入假阳性,而细胞血红素分级分离试验劳动密集且不适合高通量筛选,因此验证过的细胞内数据集在文献中显著稀缺,这进一步强调了持续更新计算训练集的关键必要性。