NEWS|面向蛋白−蛋白相互作用稳定剂的从头设计

北京大学朱金涛，来鲁华，裴剑锋撰文

通过小分子调节蛋白−蛋白相互作用（PPIs）是一种新兴且极有前途的下一代药物发现方法。与大量研究的PPI抑制剂相比，PPI稳定剂由于其非竞争性质和潜在的高特异性而具有独特的优势。图1显示了四种被普遍研究的PPI稳定剂。虽然有PPI稳定剂的例子在临床使用，如免疫抑制剂环孢素和免疫调节酰亚胺药物（IMiDs）沙利度胺和来那度胺，大多数报道的PPI稳定剂主要是偶然的，目前没有从头设计方法赋予PPI稳定剂的发现。为了促进PPI稳定剂的合理设计，我们首先要回答受体-稳定剂-配体三元配合物（RLS）背后的作用机制，以及如何发现这种与界面结合的小分子。在本期的《ACS Central Science》中，Martin Zacharias a和 Shu-Yu Chen提出了一种双结合机制和计算设计原理来筛选和优化潜在的PPI稳定剂。他们提出，与每个蛋白伙伴相似的稳定剂相互作用强度是有效稳定的重要前提，这与受体−配体复合物与稳定剂之间的总相互作用自由能无关。

图1 四种类型被普遍研究的PPI稳定剂。(A)通用的PPI稳定剂，可直接或变构地稳定受体−配体的结合。(B)分子胶，诱导或增强E3连接酶与靶蛋白结合的分子胶。(C)蛋白水解靶向嵌合体（PROTAC），诱导或增强E3连接酶和目标蛋白（靶蛋白）的结合。(D)这里所说的蛋白增强靶向嵌合体（PENTAC）是一种PPI稳定剂，可以稳定去泛素酶和靶蛋白的结合。(B)、(C)和(D)都是(A)的子集。

==================================================

在本期ACS central science杂志上，Martin Zacharias和Shu-Yu Chen提出了一种双结合机制和计算设计原理来筛选和优化潜在的PPI稳定剂。

==================================================

在从头的PPI稳定剂的设计比传统的二元目标配体系统更具挑战性。一个考虑因素是影响下游生物功能干预的三元配合物的稳定效率。为了开发一种计算方法，加快合理的PPI稳定剂设计，Martin Zacharias和Shu-Yu Chen从能量的角度系统地研究了18个RLS的晶体结构，包括不同的稳定剂诱导和稳定剂增强的PPI配合物。通过埋地表面积分析和进一步使用MD模拟和MM/GBSA的相互作用自由能计算，他们发现在大多数情况下，稳定剂倾向于与两个伙伴有相似的接触。不符合这一规则的稳定剂可能遵循变构机制。他们还揭示了，有效的稳定剂往往与它们较弱的结合伙伴有更有利的相互作用。然而，稳定能力与相互作用的总能之间没有相关性。这一有趣的发现将有助于指导PPI稳定剂的筛选和优化。作者还提出了一种假设，即PPI诱导剂倾向于屏蔽不利的RL相互作用并保持有利的相互作用，而PPI增强子则保留或增强预先存在的有利接触。暴露的不利接触残基阻碍了RL的结合，导致稳定剂诱导的PPI伙伴之间无法检测或微弱的亲和力。总的来说，PPI稳定剂可以被设计为对较弱的稳定剂结合伙伴具有较强的结合亲和力和相似大小的相互作用自由能。

==================================================

总的来说，PPI稳定剂可以被设计为与较弱的稳定剂结合伙伴具有较强的结合亲和力和相似大小的相互作用自由能。

==================================================

在将上述原理应用于实际PPI稳定剂设计之前，另一个考虑是RL结合界面的药物口袋预测。值得注意的是，在大多数情况下，只有无稳定剂（建模的）的RL复合物可用，而且很难在大多数平坦的界面中检测到口袋。通过诱导稳定剂结合袋获得一个精确的三元配合物可能被证明是一个艰巨的挑战，需要相当大的努力。有趣的是，作者发现像Fpocket 4.05这样的口袋检测方法可以用于检测无稳定剂的RL复合物界面口袋，而短的MD模拟足以揭示隐藏的稳定剂结合口袋。然而，作者主要关注定义明确的PPI复合物，这可能会导致过于乐观的结果。事实上，如何建立精确的三元配合物模型在很大程度上仍未得到充分的探索。

结合口袋探测、分子对接和MD模拟，作者开发了一种PPI稳定剂发现的通用协议。他们证明了双重结合机制有助于提高识别有效稳定剂成功率。他们使用Christian Ottmann及其同事报告的13种潜在的13-4-4/ChREBP稳定剂验证了这一假设，其中两种最有效的稳定剂测量了EC50。基于双结合机制，两种稳定剂可以成功地排名榜首。这项工作为计算机辅助发现PPI稳定剂迈出了第一步；然而，需要进一步的湿实验验证来证实理论假设。

PPI稳定最活跃的领域之一是分子胶（MG）介导的靶向蛋白降解，通过诱导或加强E3泛素连接酶和新底物之间的参与（图1B）。Martin Zacharias和Shu-Yu Chen的贡献为协助MGs的开发和优化提供了一种新的途径。然而，计算建模辅助MG开发仍有迫切需要。在本文的所附文章中，有两篇报告基于实验筛选和设计开发了mg。最近，Wang和他的同事提出了PPI-Miner，利用蛋白质结构基序和序列基序匹配来寻找潜在的蛋白质相互作用伙伴。他们搜索了1739种潜在的小脑（CRBN）E3连接酶的新底物，其中16种已被先前的研究实验验证。双结合方案不仅有助于优化已知活性mg，还可以设计靶向新底物或新E3连接酶的新型mg。虽然有人担心细胞降解可能不仅依赖于三元配合物中MGs的亲和力，但最近一项关于小脑E3连接酶调节剂（CELMoDs）的研究表明，MM/GBSA提供的预测结合亲和力也与下游降解有良好的相关性。我们设想，随着数据的积累，机器学习或深度学习将进一步有助于优先考虑PPI稳定器类特征。先进的方法可以用于理解口袋诱导和三元配合物的形成机理。总之，这项工作为从头建模、虚拟筛选和广泛的蛋白−蛋白稳定设计开辟了新的途径，特别是MG设计，显著扩展了药物基因组。

文献来源: https://doi.org/10.1021/acscentsci.3c00545 (ACS central science)

-------------------------------------------

欢迎点赞收藏转发！

下次见！