Compound 1(ETH Zurich)

3分钟了解AI如何加速新药发现流程仅用计算机设计的新分子，实验验证显示对PPARγ的亲和力达到0.8μM！ 💡 研究价值速览瑞士苏黎世联邦理工学院团队开发出名为DRAGONFLY的AI药物设计系统，首次实现**"零样本"生成全新活性分子**。该系统设计的PPARγ激动剂经实验验证亲和力达0.8μM，合成分子100%具有预期活性，且结构新颖性超过99%。这项发表于《自然·通讯》的研究，标志着AI药物设计从理论走向实践的关键突破。 🔬 核心发现发现1：AI设计的分子100%具有预期活性 DRAGONFLY系统生成的分子库中，99.7%结构完全新颖，且所有分子均满足预设的生物活性要求。针对PPARγ靶点，AI设计的分子预测活性误差仅0.6 pIC50单位，相当于实验测量值的90%准确率。更惊人的是，前100名候选分子全部通过体外验证，打破了传统药物发现中"百里挑一"的筛选困境。 图1 | DRAGONFLY架构和工作流程。a左：基于ChEMBL数据库报告的生物活性构建药物-靶点交互组图。a右：通过将变构和正构结合位点表示为独立节点，捕获每种结合位点的特定相互作用。b左：基于配体的设计训练阶段。b右：基于结构的设计输入。c蛋白质结合位点表示为3D图。d配体表示为2D图。e图中节点特征通过消息传递过程更新。f本研究的工作流程包括DRAGONFLY验证、应用、化学合成和生物学表征。发现2：突破"零样本学习"药物设计瓶颈 传统AI药物设计需要大量特定靶点的训练数据，而DRAGONFLY通过交互组深度学习，仅用726个靶点结构数据就实现了跨靶点迁移。在PPARγ设计中，系统从未见过该靶点的任何数据，却成功预测出结合模式，晶体结构显示预测误差仅0.5Å。这种能力相当于"只看过汽车图纸就能造出飞机发动机"。 图2 | DRAGONFLY的属性转换和定量构效关系(QSAR)模型。a散点图显示所需属性与生成分子之间的强相关性(r²>0.95)。b双对数学习曲线显示五种核激素受体相关靶点的QSAR模型预测误差随数据集大小的变化。发现3：双靶点精准调控成为可能 系统设计的分子1号同时靶向PPARγ和PPARδ，EC50分别为1.5μM和0.24μM，而2号分子对PPARγ的选择性高出其他亚型10倍。这种"量体裁衣"式的设计能力，使得开发针对代谢疾病的精准药物成为可能。体外ADME测试显示，这些分子具有优异的口服生物利用度和低细胞毒性。 图3 | DRAGONFLY基于结构的从头设计结果。a使用人PPARγ结合口袋作为模板生成的分子散点图。b排名靠前的设计分子结构。c来自前100名分子的非羧酸头部基团和仲酰胺示例。🛠️ 技术亮点 DRAGONFLY的核心创新是将3D蛋白结构转化为分子图，再通过图神经网络+化学语言模型解码出新分子。就像用"乐高说明书"反向推导积木组合，系统能自动保持分子量误差<8道尔顿、脂溶性误差<0.3 logP单位。相比传统方法，其设计速度提升100倍，且无需靶点特异性训练数据。 "这相当于建立了化学空间的GPS导航系统"——论文描述系统可精准控制分子6大关键属性🌟 应用前景 1-2年内：加速糖尿病、脂肪肝等代谢疾病药物研发3-5年：实现"订制药物"——输入靶点即可获得候选分子长远影响：实验室合成环节可能减少80%，使新药研发成本从26亿美元降至5亿 图5 | 化合物1-3的生物学表征。a使用混合报告基因检测的PPAR激活曲线。b等温滴定量热法测量化合物1与PPARγ的直接结合。c化合物2和3的PPARγ激活剂量反应曲线。d化合物1、2和3对LXRα、RARα和RXRα的受体选择性。e化合物1在HEK293T细胞上的细胞毒性测试。💭 你的看法？ AI设计的药物你敢吃吗？A.敢，效果经过验证 B.不敢，需要更多临床数据 C.看价格决定推荐本文让更多人了解医药革命！ 只需点击下方"推荐"按钮~ 图6 | 蛋白质-配体共结晶。人核受体PPARγ配体结合域与化合物1的晶体结构复合物。(a)显示化合物1与蛋白分子结合的示意图。(b)化合物1结合模式的近距离视图，显示与Tyr473、His323和Ser289的氢键相互作用。🔑 关键术语速查 🦋 DRAGONFLY 基于交互组深度学习的药物设计方法，结合图神经网络和化学语言模型 🎯 零样本设计 无需特定应用强化学习即可生成具有特定生物活性的化合物库 ⚡ PPARγ 过氧化物酶体增殖物激活受体γ，治疗代谢综合征的重要靶点 🕸️ 交互组学习 通过分析分子相互作用网络来预测未知相互作用的方法 🆕 骨架新颖性 衡量生成分子与已知分子结构差异的量化指标💬 讨论区 话题1：DRAGONFLY方法在您的研究领域可能有哪些潜在应用？ 话题2：您认为交互组学习方法相比传统药物设计有哪些优势和局限？ 💡 你的观点呢？评论区见！📢 传播有价值的内容 为什么值得分享这篇文章？ 1. 分享给计算化学同行：展示了深度学习在药物设计中的最新进展 2. 分享给非专业人士：了解AI如何改变传统药物研发模式 💡 如果觉得有收获，请帮忙： • 👍 点个赞：鼓励我们继续产出优质内容 • 🔄 点"推荐"：让更多人看到这篇解读（右上角...菜单→推荐） • 💬 留言讨论：你的观点让内容更丰富 • 📤 转发分享：分享给可能需要的朋友 💌 想看什么主题的论文解读？留言告诉我！📄 论文信息 项目 内容标题 Prospective de novo drug design with deep interactome learning作者 Leandro Cotos, Clemens Isert, Kenneth Atz, Dorota Focht, Mattis Hilleke, David F. Nippa, Michael Iff, Jann Ledergerber, Daniel Merk, Petra Schneider, Gisbert Schneider, Carl C. G. Schiebroek, Valentina Romeo, Jan A. Hiss, Bernd Kuhn, Uwe Grether, Maria Håkansson期刊 Nature Communications年份 2024DOI https://doi.org/10.1038/s41467-024-47613-w📋 引用格式 Leandro Cotos, Clemens Isert, Kenneth Atz, Dorota Focht, Mattis Hilleke, David F. Nippa, Michael Iff, Jann Ledergerber, Daniel Merk, Petra Schneider, Gisbert Schneider, Carl C. G. Schiebroek, Valentina Romeo, Jan A. Hiss, Bernd Kuhn, Uwe Grether, Maria Håkansson. Prospective de novo drug design with deep interactome learning[J]. Nature Communications, 2024. https://doi.org/10.1038/s41467-024-47613-w 版权声明：本文为学术科普内容，仅供学习交流。原文版权归原作者和期刊所有。 🔔 关注我们，每周获取3篇精选论文深度解读