今天给大家介绍一篇由广州中山大学杨跃东教授，广州生物岛实验室陈红明研究员和星药科技在Nat. Mach. Intell.上联合发表的题为“Accelerated rational PROTAC design via deep learning and molecular simulations”的工作。PROTAC (Proteolysis-targeting chimeras)已经成为利用泛素-蛋白酶体系统选择性降解疾病相关蛋白的有效工具。为了加速开发PROTACs，广泛探索化学空间，作者提出了一种新的深度生成模型，用于在低资源环境下合理设计PROTACs，然后通过强化学习引导采样最佳药代动力学特性的PROTACs。
在PROTACs的合理设计中可分为三个部分的设计，作者认为弹头和E3配体的设计与常规小分子的没有根本的区别，但是中间的linker设计在实验上是具有挑战性的。因为POI和E3连接酶在没有有效的PROTACs的情况下不会相互作用。传统的方法必须通过大量的测试和设计合成新的PROTACs，这是非常低效的。因此，越来越多的研究人员开始关注于PROTACs linker的设计，发展了诸如DeLinker，SyntaLinker等方法。然而，阻止PROTACs药物开发的一个主要挑战是，所设计的分子不符合口服药物公认的药物特性。由于PROTACs结构较大，柔性高，增强其药代动力学 (PK) 特性已经被证明是主要挑战之一。在该工作中，作者开发了名为PROTAC-RL的深度学习模型，结合了Transformer和强化学习 (具体架构见SI)，用于PROTAC的理性设计。该模型将一对E3配体和弹头作为模型的输入，输出设计的linker。为了克服训练数据量少的困难，作者首先制作一个类PROTAC的数据集 (quasi-PROTACs, 含294,675个结构，分子大小和PROTAC类似) 用于预训练模型，然后使用randomized SMILES做fine tuning，得到训练好的Proformer，再组合强化学习方法来生成具有良好PK性质的PROTACs。图2为PROTAC-RL模型的性能以及与DeLinker，SyntaLinker的比较。图2a显示了PROTAC-RL在召回率上远远超过了DeLinker，SyntaLinker的原始模型以及在作者的训练集上训练的相应模型。图2b显示了Proformer相较于其他两个模型生成的结构和测试集上，能够广泛探索化学空间。图2c和2d是消融实验结果。图2e显示了Proformer直接生成的linker的PK特性不理想，但是通过RL引导采样，能够得到具有良好PK特性的结构，这里显示了在目标值分别为14,16,18,20,22下生成的结构的PK score的分布。图2f是随着PK reward的增加，生成结构的演化示意图。
作者将发展的模型应用于靶标 BRD4 (bromodomain-containing protein 4)上，共生成了5000个化合物，并通过基于机器学习的分类器和MD模拟进一步过滤，最后挑选合成了6个候选的 BRD4 降解 PROTACs，并进行实验测活，其中有三个结构 (图3a-c) 通过细胞实验和western blot (图2d-f) 进行验证，而其中有一个先导化合物 (图a) 在Molt4细胞系上显示出高抗增殖效力 (图2g-i)，IC50达到116 nM。该化合物在小鼠上的PK表征结果显示，相较于目前已经开发的BRD4 PROTAC降解剂 dBET6 的PK参数，图3a结构在达峰时间 (T_max), 半衰期(T_1/2)和药时曲线下面积 (AUC_0-∞)均有所提高，而这仅仅是linker改变的魅力 (图4附上
dBET6 的结构)。从数据准备，模型训练，到小鼠实验，这整个流程，共花费49天的时间。
图4. 之前已开发的BRD4 PROTAC降解剂 dBET6，在渗透性和PK方面存在问题，其PK score为22.24.总的来说，本篇文章开发了一个PROTAC linker的生成模型PROTAC-RL，并在实验上验证模型能够生成具有良好的抗癌功效和PK的PROTAC。参考文献：
1.Shuangjia Zheng, et al. Accelerated rational PROTAC design via deep learning and molecular simulations. Nat. Mach. Intell., https://www.nature.com/articles/s42256-022-00527-y.点击左下角的"阅读原文"即可查看原文章。
作者：幻 幻
审稿：黄志贤
编辑：黄志贤
GoDesign
ID：Molecular_Design_Lab
（ 扫描下方二维码可以订阅哦！）
本文为GoDesign原创编译，如需转载，请在公众号后台留言。
