近年來，365英国上市官网在线羅海彬團隊聯合中山大學365英国上市官网在线李哲研究團隊在基于自由能微擾的藥物設計新方法取得系列重要進展，取得藥物設計關鍵技術的突破，實現自由能微擾（FEP）/藥物設計新方法的國産化和自主可控。近日，該團隊提出了一種“基于組合結構的相對結合自由能 (CS-FEP)”藥物設計新方法，用于高效精準地計算藥物分子與生物大分子靶點間的結合自由能，為新藥研發提供了強有力的計算工具，相關研究成果^[1]發表在國際著名藥學期刊Acta Pharm. Sin. B上。

當前人類健康領域面臨若幹的重大挑戰，包括重大疾病（如惡性腫瘤、糖尿病、心血管疾病等）及突發的惡性傳染病（如新冠肺炎、SARS、埃博拉等）。因此，亟需加快新藥研發速度，以應對以上挑戰，尤其是大規模突發疫情來襲之時，盡快獲得應急藥物以控制疫情的發展。如何精準預測藥物與靶标的親合力（結合自由能）以獲得高親合力的小分子藥物，一直是計算機輔助藥物設計領域的“聖杯”，若能精準預測藥物/靶标親合力，将能加速先導化合物藥物的發現及優化效率，從而明顯縮短新藥創制周期及降低研發成本。美國藥物設計頂級軟件薛定谔發展的自由能微擾（FEP）/相對自由能預測方法受到制藥和科研工作者的極大關注（JACS 2015,137,2695），然而該方法主要被應用于預測結構相似配體間的相對結合自由能，無法預測不同骨架的化合物與靶标的親合力，且許可費用昂貴，限制了該方法的應用範圍。

自由能微擾是一種基于統計力學理論嚴格推導而來的方法，具有較高的理論精度，在藥物/靶标親合力預測方面具有很好的應用前景。然而，該類方法對計算資源消耗極大，且缺乏公認的最佳流程，尚未得到廣泛的應用。傳統的基于自由能微擾理論的藥物-靶點相對結合自由能計算方法（FEP-RBFE）雖然理論上嚴謹，但在模拟非物理中間态時往往遇到一系列收斂性問題，限制了其在藥物設計實踐中的應用。

圖1. CS-FEP原理示意圖及CS-FEP導向的抗肺纖維化PDE1抑制劑結構優化

針對藥物設計領域的重大難題，羅海彬/李哲團隊創新性地提出了CS-FEP方法（圖1）。該方法構建了全新的熱力學微擾路徑，顯著提高了計算過程中相鄰狀态間的相空間重疊，從而大大加快了FEP計算收斂速度。研究人員利用CS-FEP方法指導了針對磷酸二酯酶-1(PDE1)抑制劑的結構優化。通過計算不同候選分子與PDE1靶點的相對結合自由能，研究人員成功地将一個苗頭化合物(IC₅₀=16.8 μM)優化為一個高活性先導化合物(IC₅₀ = 7.0 nM)，抑制活性提高了約2400倍。進一步的實驗研究表明，該化合物在動物模型上具有顯著的抗纖維化效果，有望成為治療相關疾病的新型候選藥物。該方法既可以明顯提高藥物/靶标親合力的預測精度（理論親合力與實驗親合力差值絕大多數小于2 kcal/mol），還可以提高預測速度（傳統FEP方法每個化合物的預測時間為20-30天，本方法縮短為1天以内，效率提高30倍），從而提高創新藥物發現的成功率并降低研發時間。

中山大學李哲副教授等為論文的第一作者。海南大學為本論文的共同通訊單位，中山大學吳一諾副教授、美國肯塔基大學湛昌國教授和海南大學羅海彬教授為本論文的共同通訊作者。論文全文鍊接為https://www.sciencedirect.com/science/article/pii/S2211383524002521。

近年來，羅海彬/李哲聯合團隊在基于自由能微擾理論的藥物設計方法學研究中進行了一系列算法布局，緻力于将FEP計算方法應用于藥物設計的各個典型應用場景。早在2019年，他們開發了高斯函數增強的FEP(GA-FEP)算法，用于計算藥物分子與靶點蛋白的絕對結合自由能（ABFE）。通過使用多個高斯分布拟合采樣得到的勢能差概率分布，該算法提高了FEP-ABFE計算方法的計算精度。他們進一步利用GA-FEP算法指導了針對PDE10的先導化合物優化，成功發現一個亞納摩爾級别(IC₅₀=0.87 nM)的高活性抑制劑^[2]，相關工作發表于J Med Chem上。

為了大幅度提高GA-FEP的預測速度，以提高藥物設計效率，他們發展了基于“約束能量分布”(Restrained Energy Distribution， RED)函數的加速FEP-ABFE方法。2020年初新冠疫情暴發後，羅海彬/李哲團隊迅速将FEP-ABFE方法應用于針對新冠病毒主蛋白酶的藥物應急響應，對超180萬個化合物的數據庫（包括商業及已知藥物數據庫）進行了虛拟篩選，在2周内全球首次完成超過1.2萬化合物的基于FEP絕對結合自由能的高精準預測，從而預測出25個對新冠肺炎主蛋白酶Mpro有較高親合力的上市藥物，從中發現了多種對新冠病毒主蛋白酶有抑制作用的藥物分子。其中，抗病毒活性最強的藥物雙嘧達莫在後續的臨床研究中顯示了良好的治療效果。相關研究成果^[3-4]發表在當年Proc. Natl. Acad. Sci. U.S.A和Acta Pharm. Sin. B期刊上。相關工作也獲得2021年超級計算應用領域最高獎項 “戈登貝爾”提名獎，為我國藥學領域首次入圍該獎項。

除了高精度預測/篩選外，該FEP-ABFE方法還可應用于其他新藥設計工作中，如骨架躍遷和全新藥物設計等，以提高先導化合物的發現和優化效率。該團隊首次提出了将FEP-ABFE應用于指導苗頭化合物的骨架躍遷。他們基于對經典PDE5抑制劑他達那非及其衍生物與PDE5結合模式的分析，研究人員采用FEP-ABFE方法指導設計了一系列新骨架化合物，最終獲得具有新穎骨架優選化合物L12 (IC₅₀ = 8.7 nM)，這為治療勃起功能障礙和肺動脈高壓提供了全新的候選化合物^[5]。這一成果發表在2022年的Acta Pharm. Sin. B期刊上。

2023年，該團隊還在藥物設計權威期刊J Chem. Inf. Model.上發表了兩項FEP算法相關的研究成果^[6-7]。第一項工作提出了基于圖論的加權環閉合(wcc)算法，用于提高FEP-RBFE計算的精度。傳統的環閉合誤差校正方法假設每對分子間FEP-RBFE計算對總誤差的貢獻相同，但這在實際計算過程中往往不成立。wcc算法引入了基于圖論的加權策略，可根據不同分子對FEP-RBFE計算的誤差大小賦予不同的權重，從而更準确地校正了FEP-RBFE計算結果。另一項工作在原先RED函數的基礎上進一步推導出"平衡位置的約束能量分布"(Restraint Energy Distribution at Equilibrium position，RED-E)函數，并基于RED-E函數開發了一套新的算法，用于自動優化和加速FEP-ABFE的計算。相比傳統的FEP-ABFE計算方案，基于RED-E函數的新方法可将計算效率提高近6倍，并能更好地處理約束過程勢能差概率分布的非高斯性，以及增加FEP-ABFE計算的收斂性。這兩項工作對FEP方法在藥物設計實踐中大規模應用（如虛拟篩選、大規模的化合物優化等場景）具有重要意義。

總的來說，羅海彬/李哲聯合研究團隊在自由能微擾理論指導下的藥物設計方法學研究已形成了獨特的創新體系（包括相對自由能微擾方法CS-FEP^[1]和絕對自由能微擾方法GA-FEP^[2-6]），涵蓋了從算法發展、虛拟篩選、骨架躍遷、結構優化到構效關系研究等藥物發現的多個環節。尤其是此次提出的CS-FEP方法，有望成為加速先導化合物優化的"利器"，為新藥研發注入新的動力。未來，研究人員還将繼續完善相關方法，增加基于FEP的藥靶親和力精準預測算法的計算效率和精度，為新藥研發持續賦能。

參考文獻：

1. Acta Pharm. Sin. B 2024, DOI: 10.1016/j.apsb.2024.06.021

2. J. Med. Chem. 2019, 62, 2099–2111.

3. Proc. Natl. Acad. Sci. U.S.A. 2020, 117(44): 27381-27387.

4. Acta Pharm. Sin. B 2020, 10:1205-1215.

5. Acta Pharm. Sin. B 2022, 12: 1351-1362

6. J Chem. Inf. Model. 2023, 63, 561-570.

7. J Chem. Inf. Model. 2023, 63, 7755-7767.