查看原文
其他

动力学+铁死亡:深势科技首次公开RiDymo™平台管线应用进展

药时代 2024-04-20

The following article is from 深势科技 DP Technology Author 开拓创新的

正文共:4350字 11图

预计阅读时间:11分钟

01


铁死亡研究方兴未艾
小分子抑制剂开发挑战重重
铁死亡(ferroptosis),是2012年Brent R. Stockwell实验室发现的一种铁依赖的细胞程序性死亡,由不受限制的脂质过氧化和随后的质膜破裂引起,与肿瘤的发生、发展和耐药密切相关。这种不同于凋亡、坏死、自噬的新型细胞死亡方式,自提出以来就迅速掀起了全球范围的研究狂潮[1]
目前已有的研究表明,作为铁死亡核心调控子的GPX4(谷胱甘肽过氧化物酶 4),在非小细胞肺癌、胰腺癌、前列腺癌和黑色素瘤细胞中的功能丧失可以致使持续性癌细胞铁死亡,抑制肿瘤的发生、进展、复发、转移及耐药,因而逐渐成为细胞铁死亡研究领域的“明星靶点”[2]
美国哈佛-麻省理工的博德研究所联合创始人Stuart L. Schreiber教授在该领域深耕10年,创立Kojin Therapeutics;2021年6月9日,公司宣布完成6000万美元的A轮融资,用于加速对铁死亡敏感的耐药肿瘤的药物研发。
尽管GPX4看上去很有潜力,然而其整个蛋白很小,表面平坦,缺乏可成药口袋(图1A)。目前具有细胞活性的GPX4 抑制剂主要与46位的硒代半胱氨酸残基发生共价结合,普遍存在选择性差和毒性大的问题(图1B)。

图1  GPX4蛋白与ML162晶体复合物结构[3](PDB ID: 6HKQ)以及现有共价抑制剂

仔细观察ML162与GPX4的相互作用,如图1A所示,我们不难发现,由于蛋白表面平坦,ML162与GPX4的非共价部分的相互作用非常少,这可能也是ML162分子选择性差的原因。
基于以上,GPX4是否存在一个隐藏口袋或者别构口袋,靶向其他位置是否能影响GPX4的生物学功能,是非常值得探索的问题

02


AI+动力学,RiDymo™平台

发现新位点并完成活性验证

“对GPX4的开发思路,我们从一开始就定位在探索并发现有更好成药性的隐藏口袋上。”深势科技首席药学官张晓敏博士表示,“深势科技基于AI for Science打造的RiDymo™平台,通过动力学模拟发掘蛋白在体内的构象变化,发现全新的可药口袋,并基于此开发的非共价分子在酶学和细胞水平上的抑制活性均与阳性共价分子相当,同时具备更好的成药性。这一实践使我们充分验证了RiDymo™平台在药物研发中的价值,在未来有望赋能更多难成药靶标的药物发现。”
在本项目中,深势科技药物研发团队的开发路径如下:
1.蛋白构象采样:通过强化动力学(Reinforced dynamics, RiD)方法对GPX4蛋白进行计算模拟。如图2右列显示,对比传统分子动力学模拟(Molecular dynamics, MD)(图2左列),可以看出Reinforced dynamics在同样的模拟时间尺度可以更高效地探索蛋白质的相空间,从而发现蛋白质的其他亚稳定构象以及隐藏的位点(粉色区域为隐藏在蛋白质内部的氨基酸)。

图2 强化动力学对GPX4蛋白高效采样

2.可药口袋诱导:在实际的药物研发项目中,当确定蛋白质主链结构后,侧链的构象变化也至关重要。深势科技团队在以上发掘的隐藏位点基础上,运用强化动力学+有机溶剂探针的方法,进一步对该口袋进行了更全面的探索和诱导。如图3展示,在有机溶剂探针的帮助下,我们惊喜地发现,蛋白从原先比较平坦的表面诱导形成了更深的小分子结合口袋。

图3 RiDymo™强化动力学结合Uni-Probe有机溶剂探针方法,诱导发现GPX4新口袋

3.分子筛选与验证:基于此口袋,结合深势科技Hermite®药物设计平台中Uni-Docking方法,对此位点进行了分子的高通量虚拟筛选。如图4所示,目前获得的非共价分子DP018、DP029在GPX4酶学抑制活性(图4A)达到了微摩级别的效果,与阳性的共价分子ML162抑制活性相当。随后通过表面等离子共振实验(SPR)验证了非共价分子可以直接结合GPX4,结合强度也达到了微摩级别(图4B)。图4C展示了DP非共价分子在细胞上观察到活性氧ROS的变化,说明引起了细胞的铁死亡。

图4 ML162及筛选分子在GPX4酶学实验(A)、SPR实验(B)以及ROS实验(C)中的结果

03


让蛋白“动”起来RiDymo™强化动力学平台
蛋白质动力学研究日趋成为全球药物研发的热点领域。通常的理性药物设计需要靶标蛋白具有明确的结构和清晰的作用位点,这种类型的靶点通常称为“可成药”靶点,在人类靶点中占15%左右。其余85%为“难成药”靶点,一般体现在蛋白表面平坦无清晰作用位点,或者蛋白结构柔性大,甚至没有稳定的三维结构。这类靶点难以使用传统方法进行理性药物设计——而深势科技自主开发的RiDymo™强化动力学平台(图5)则对该问题给出了新的解决思路
RiDymo™平台是基于Reinforced dynamics (RiD)算法[4]开发的专注于解决“难成药”靶点的动力学平台。对比其他动力学算法和平台,RiDymo™最核心的优势体现在模拟采样效率上的巨幅提升,同时充分结合神经网络的高维表示能力,在复杂的生物大分子体系中高效捕捉动态的构象变化,在相对可控的算力资源和模拟时长条件下就可以蛋白真正“动”起来如上图)。

图5 RiDymo™强化动力学平台

此前,作为平台核心能力的RiD算法已经在Nature子刊上发表。在文章中显示,针对一个蛋白的从头折叠问题,RiD方法模拟1.86 μs时间获得的自由能面比传统分子动力学方法100 μs获得的自由能面更加全面,展现出RiD方法在分子模拟的效率上有了近百倍的提升
基于RiD方法,RiDymo™强化动力学平台可用于解决以下问题:
  • 针对表面平坦或者蛋白-蛋白相互作用(PPI)体系,在缺乏明确的结合位点的情况下,RiDymo™可以用于诱导形成可药口袋、探索全新别构口袋
  • 针对结构动态变化较大的GPCR、通道蛋白等体系,RiDymo™可以分析残基在运动轨迹中的相关性,助力药靶作用机理研究和药物筛选
  • 针对在体内缺乏稳定结构的无序蛋白,RiDymo™可以探索蛋白在热力学(Thermodynamics)和动力学(Kinetics)中的重要构象并发现可药结构
  • 此外,药物最终需要在体内起效,仅考虑结合强度这一热力学参数是不够的,RiDymo™可以有效计算药物的驻留时间(即解离常数的倒数)等与药物体内药效强相关的动力学参数,而这一点在过去往往是被大家忽视的

04


总结与展望
RiDymo™平台致力于在药物分子发现中建立Structure-kinetic relationship(SKR),通过紧密结合SAR (Structure-activity relationship)及SPR (Structure-property relationship),高效推进高质量临床前候选化合物的发现。
本次的管线进展披露充分验证了深势科技RiDymo™平台在实际药物开发中的巨大潜能,也是“AI for Science”新范式从算法到工具到应用落地的一次充分的例证。

我们相信随着未来对铁死亡机制的研究愈发完善,对其通路上相关靶点的药物开发思路也会更加完备。凭借深势科技对动力学的深刻理解,也会不断攻克更多难成药靶标,在更多的管线中取得更亮眼的成果。

关于深势科技药物研发团队

深势科技药物研发团队基于“AI for Science”新范式,专注于利用人工智能和分子模拟相融合的先进计算手段驱动难成药靶点的药物开发。团队由张晓敏博士领衔,核心成员具备深厚的交叉学科背景和丰富的药物开发经验,同时依托深势科技全球领先的强化动力学平台RiDymo™和大分子De Novo Design从头设计平台,目前已通过“自建管线+联合开发”的方式形成了完整的研发体系,覆盖CNS、肿瘤和自身免疫性疾病三大领域。
BD合作:bd@dp.tech
PR联系:pr@dp.tech

参考文献

[1] Stockwell, B. R. (2022). Ferroptosis turns 10: Emerging mechanisms, physiological functions, and therapeutic applications. Cell, 185(14), 2401-2421.

[2] Wang, F., & Min, J. (2021). DHODH tangoing with GPX4 on the ferroptotic stage. Signal Transduction and Targeted Therapy, 6(1), 1-2.

[3] Moosmayer, D., Hilpmann, A., Hoffmann, J., Schnirch, L., Zimmermann, K., Badock, V., ... & Hillig, R. C. (2021). Crystal structures of the selenoprotein glutathione peroxidase 4 in its apo form and in complex with the covalently bound inhibitor ML162. Acta Crystallographica Section D: Structural Biology, 77(2), 237-248.

[4] Wang, D., Wang, Y., Chang, J., Zhang, L., Wang, H. & E, W. (2022). Efficient sampling of high-dimensional free energy landscapes using adaptive reinforced dynamics. Nature Computational Science, 2(1), 20-29.
上下滑动查看更多

关于深势

深势科技是“AI for Science”科学研究范式的引领者和践行者,致力于运用人工智能和分子模拟算法,结合先进计算手段求解重要科学问题,为人类文明最基础的生物医药、能源、材料和信息科学与工程研究打造新一代微尺度工业设计和仿真平台。

我们开创性地提出了「多尺度建模+机器学习+高性能计算」的革命性科学研究新范式,并推出了Hermite®药物计算设计平台、Bohrium®微尺度科学计算云平台等微尺度工业设计基础设施,颠覆了现有研发模式,打造“计算引导实验、实验优化设计”的全新范式,为药物、材料领域带来极具突破性的计算模拟及设计工具。

深势科技是国家高新技术企业、北京市“专精特新”中小企业,总部位于北京,并在上海、深圳、海口等城市布局研发中心。科研技术团队由中国科学院院士领衔,汇集了超百位数学、物理、化学、生物、材料、计算机等多个领域的优秀青年科学家和工程师,其中公司的博士及博士后占比超过35%。核心成员获得过2020年全球计算机高性能计算领域的最高奖项“戈登贝尔奖”,相关工作当选2020年中国十大科技进展和全球AI领域十大技术突破。

点击这里,更多了解深势科技!

继续滑动看下一个
向上滑动看下一个

您可能也对以下帖子感兴趣

文章有问题?点此查看未经处理的缓存