Zelasudil

生成式AI+虚拟筛选，如何“钓”出新型 ROCK2 抑制剂？——从 F5 到 8413 的 6 倍命中率跃迁 导语：特发性肺纤维化（IPF）生存期短、治疗选择有限，ROCK2 是极具潜力的抗纤维化靶点。但传统“对接为中心”的虚拟筛选常面临假阳性高、骨架多样性不足等问题。中国医学科学院药物研究所等团队在 Chinese Chemical Letters 发表研究，把生成式人工智能与经典对接筛选串联起来，成功发现新型 ROCK2 抑制剂 8413：ROCK2 IC₅₀ = 0.12 μmol/L，具有低细胞毒性、显著抗纤维化活性和良好的激酶选择性，并在博来霉素诱导的 IPF 小鼠模型中显著减轻肺纤维化。 Fig. 1 展示了经典对接虚拟筛选的完整流程：从 ROCK2 复合物构建对接系统，到回顾性验证，再到前瞻性筛选，最终发现 F5。 一、IPF 与 ROCK2：为什么需要新的发现策略？ 特发性肺纤维化是一种预后很差的间质性肺病，诊断后中位生存期仅约 3–5 年。现有抗纤维化药物吡非尼酮和尼达尼布虽能延缓疾病进展，却无法逆转纤维化，且存在胃肠道和肝脏不良反应。肺移植仍是唯一根治手段，临床需求远未满足。 ROCK 家族，尤其是 ROCK2 亚型，在细胞骨架调控、肌成纤维细胞活化和纤维化进程中处于核心位置。IPF 患者肺组织中 ROCK2 过表达，下游信号通路被激活。因此，ROCK2 成为抗纤维化药物研发的热门靶点。目前已有多个 ROCK2 抑制剂进入临床：Belumosudil（KD025）处于肺纤维化 II 期，Zelasudil（RXC-007）完成 IIb 期，TDI-01 进入 III 期。 但问题也很明显：多数 ROCK 抑制剂对 ROCK1/ROCK2 选择性不足，且多为 ATP 竞争性抑制剂，依赖相似的 hinge 结合模式，导致骨架多样性受限。要找到更优的 ROCK2 抑制剂，必须探索更广阔、更“冷门”的化学空间。 二、经典对接筛选：先找到 F5，但暴露局限 研究团队首先构建了 ROCK2 分子对接系统。他们从 PDB 获取 6 个 ROCK2-配体晶体复合物，使用 AutoDock Vina 进行交叉对接和重对接验证。结果显示，6ED6 表现更优：重对接 RMSD 仅 0.27 Å，分辨率 2.86 Å，R-free 0.247，优于 4WOT。随后，他们基于 1170 个活性 ROCK2 抑制剂（IC₅₀ ≤ 1 μmol/L）构建 MUBD 基准数据集，评估对接系统，AUC 达到 0.684，最终选择 6ED6 作为对接受体。 在经典虚拟筛选中，团队筛选了 ChemDiv 与自建库合计 68,448 个分子。先保留对接分数优于共晶配体 JOP（−11.1 kcal/mol）的 1924 个分子，再经 Rule of Five、Veber 规则过滤至 1872 个，随后与 1170 个已知 ROCK2 抑制剂做 2D 相似性聚类，最终选出 97 个化合物进行实验测试。 结果发现了 F5：ROCK2 IC₅₀ = 5.58 μmol/L，ROCK1 IC₅₀ = 39.51 μmol/L，有一定选择性但活性有限。分子对接显示，F5 的四氢哌啶部分有助于稳定构象，末端苯环与 P-loop 区形成疏水作用，但由于构象和位阻限制，F5 未能与 Met172 等关键残基形成有效氢键。这既解释了活性不足，也暴露了单纯依赖经典对接筛选的瓶颈。 Fig. 2 展示了 AutoMolDesigner 的生成式 AI 文库设计流程，以及虚拟库、已知 ROCK2 抑制剂、F5 和 8413 的 UMAP 化学空间分布。 三、生成式 AI 登场：AutoMolDesigner 如何扩展化学空间？ 为了解决 F5 的局限，团队把生成式 AI 引入虚拟筛选核心。他们使用自主研发的 AutoMolDesigner 平台，先以 ChEMBL 中 723,029 个类药分子预训练化学语言模型，再进行两轮迁移学习： · 第一轮：用 1170 个活性 ROCK2 抑制剂（IC₅₀ ≤ 1 μmol/L），通过 SMILES 枚举扩增 20 倍，学习 ROCK2 相关药效团特征； · 第二轮：用对接命中 F5，扩增 256 倍，进行局部骨架优化，同时保留全局化学多样性。 采样温度设为 1.25，共生成 30,000 条 SMILES，经标准化和去重后得到 25,996 个全新虚拟分子。随后，这些分子进入优化后的筛选流程：Rule of Five + PAINS、QED > 0.3、SAScore < 5、6ED6 对接分数优于 −11.8 kcal/mol，保留 227 个；再用 Retrosynthetic Accessibility score 过滤，最终得到 20 个高优先级候选分子。 团队成功合成并表征了其中 17 个化合物。最终，化合物 8413 脱颖而出。整个混合策略把实验命中率从经典筛选的 1/97（1.03%） 提升到 1/17（5.88%），约 6 倍提升。 四、8413 有多强？体外活性与选择性 8413 的 ROCK2 抑制活性 IC₅₀ = 0.12 μmol/L，与阳性对照 KD025（IC₅₀ = 0.105 μmol/L）相当；对 ROCK1 的 IC₅₀ = 4.0 μmol/L，而 KD025 对 ROCK1 为 24 μmol/L。8413 对 ROCK2 的选择性约 33 倍，表现优异。 分子动力学模拟显示，8413 与 ROCK2 的 Glu170 形成氢键，并与 Ile98、Gly99、Phe103、Val106、Leu22 等残基产生疏水作用。其氰基与 hinge 区相互作用，是关键药效团特征。相比 F5，8413 更深入地进入激酶口袋，与 hinge 区结合更充分，从而提升抑制活性和选择性。ROCK1/ROCK2 选择性分析还发现，8413 与 ROCK2 可形成 1–2 个氢键，而与 ROCK1 最多只有 0–1 个氢键，这可能是选择性差异的重要原因。 细胞层面，8413 在 HPF 细胞中浓度低于 25 μmol/L 时表现出低毒性。在 TGF-β 诱导的肺成纤维细胞模型中，8413 显著降低 αSMA、Collagen I、Fibronectin 和 P-MYPT1 表达，说明它有效抑制了 ROCK 信号通路。80 激酶 panel 显示，在 0.1 μmol/L 下，8413 对其他 80 种激酶的抑制率均 ≤ 11.49%，而对 ROCK2 的 IC₅₀ 为 0.12 μmol/L，选择性良好。大鼠血浆稳定性实验也显示 8413 具有较好的代谢稳定性。 Fig. 3 展示了 8413 的结构与活性、与 ROCK2 的结合模式、细胞毒性、TGF-β 诱导的纤维化标志物调控、BLM 小鼠肺组织 H&E/Masson 染色、羟脯氨酸含量及 Western blot 结果。 五、体内验证：BLM 诱导 IPF 小鼠模型 研究进一步在博来霉素（BLM）诱导的 IPF 小鼠模型中验证 8413。小鼠接受 100 mg/kg 和 300 mg/kg 口服给药，持续 17 天。H&E 和 Masson 染色、Ashcroft 评分均显示，8413 能有效减轻肺损伤和纤维化沉积。肺组织羟脯氨酸含量显著降低，αSMA、Collagen I 和 Fibronectin 在 mRNA 与蛋白水平均下调。 有趣的是，高剂量 8413 的效果不如低剂量明显。作者推测可能与代谢饱和、受体脱敏或非线性药代动力学有关。但总体而言，8413 在体内依然表现出显著抗纤维化效果，是一个有开发潜力的先导化合物。 六、意义与展望：生成式 AI 如何改变早期药物发现？ 这项研究的价值不仅在于发现了一个高活性 ROCK2 抑制剂，更在于提出了一种可复制的混合策略：生成式 AI 负责探索新颖化学空间，经典对接负责评估靶标结合，二者优势互补。相比单纯对接筛选，该流程显著提高了命中率，降低了合成与实验成本。 图注：总结了从经典虚拟筛选到 AI 增强工作流，最终发现 8413 的完整故事。 当然，8413 仍需要进一步结构优化，以提升抑制活性、选择性和代谢稳定性。但这项工作已经证明：在 ROCK2 抑制剂发现中，生成式 AI + 经典虚拟筛选的混合范式，能够有效突破传统筛选的化学空间限制，为 IPF 等纤维化疾病带来新希望。 论文信息：Jiale Guo, Cheng Fan, Yufei Liu, et al. Generative artificial intelligence-enhanced virtual screening: A hybrid strategy for identifying novel ROCK2 inhibitors. Chinese Chemical Letters, 2026. 数据与代码：https://github.com/fancheng235/AI-ROCK2