分享一篇摘自Journal of the American Chemical Society上的“Discovery of High-Affinity Amyloid Ligands Using a Ligand-Based Virtual Screening Pipeline”。

目前唯一诊断阿尔兹海默症AD的方法是通过Aβ斑块的组织病理学鉴定,但这些诊断方法并不能可靠地诊断AD，直到广泛的神经元损伤已经发生。因此准确和早期的诊断对于确保患者得到适当的疾病管理和在开发疾病治疗药物时准确招募临床试验人群至关重要。已有文献报道了几种放射性标记的PET探针用于淀粉样斑块。一些PET探针已被批准用于临床，但其本身对明确诊断AD的敏感性和特异性不足。淀粉样蛋白配体也可用于体外应用，包括成像和表征淀粉样蛋白沉积以及监测蛋白质聚集。对于满足这些应用，需要开发一种选择性地与目标原纤维具有高亲和力结合的淀粉样配体。

虚拟筛选（VS）是一种可以提高活性配体发现效率的方法。VS是一种计算技术，旨在通过利用有关靶标（基于结构的VS）或已知活性分子（基于配体的VS）的知识来识别活性分子。基于结构的VS通常需要靶标结合位点的高分辨率结构。然而，淀粉样配体与原纤维的结合并不是一个简单的过程：存在多个结合位点，多个配体之间可以发生直接的相互作用。因此本文描述了一个三步的管道，使用基于配体的VS方法来识别新的高亲和力淀粉样蛋白配体。该方法已经成功鉴定了5种新的配体，对Aβ（1−42）原纤维具有纳摩尔结合亲和力。

图1

使用基于配体的VS发现新的淀粉样蛋白配体的管道步骤如图1所示。首先，根据logP（octan-1-ol与水之间的分配系数）、分子量和电荷来筛选潜在配体的数据库。然后，利用机器学习来开发一个模型，使用多个化学描述符来描述已知配体的解离常数。最后，训练一个更复杂的模型，包含配体三维分子场的信息，以预测已知配体的解离常数。作者描述了基于已知Aβ（1−42）配体数据集的VS模型的开发，以及应用这些模型从ZINC15数据库中筛选6.98亿个化合物。通过基于配体的VS确定的一个结构多样的先导子集，与Aβ（1−42）原纤维结合，实验发现了许多新的淀粉样配体（Hits）。

图2

作者首先编制了一组通过实验确定的配体与Aβ（1−42）原纤维结合的解离常数的数据集。该初始数据集共包含707个独特的配体，这些配体结构多样，并表现出微摩尔到亚纳摩尔的解离常数（Kd）。在这些配体中，有44个配体的Kd值被报告为极限值（如Kd > 1 μM）。图2a显示了其余663个配体的解离常数的分布。据报道，许多这些配体可以靶向Aβ（1−42）原纤维上的不同结合位点，为了构建基于配体的VS的准确预测模型，只能使用具有共同结合位点的配体。

这些模型用于选择100个预测结合亲和力最高的化合物，其中46个在Aβ（1−42）原纤维的荧光竞争结合分析中进行了实验研究。5个亲和度最高的配体均具有纳摩尔解离常数（25−500nM），没有进行进一步的结构优化。通过对基于配体的VS管道选择的46种化合物的实验研究，发现了5种新的淀粉样配体，其命中率为10.9%。VS管道还生成了结构多样的化合物，代表了Aβ（1−42）配体的新支架，这在以前没有报道过。新配体的构象灵活性也表明，先前报道的Aβ（1−42）配体的刚性、高度共轭结构并不是严格要求的。该方法并不局限于Aβ（1−42）配体。

总之，将这种方法应用于配体结合的体内数据，对于加速发现与疾病相关的生物原纤维的新型高亲和力配体特别重要。新的蛋白质聚集物配体在疾病诊断中有许多潜在的应用，包括作为体内显像剂或在组织样本中识别不同的原纤维多态性。

本文作者：FJY

责任编辑：FJY

原文链接：https://pubs.acs.org/doi/10.1021/jacs.3c03749

DOI：10.1021/jacs.3c03749