AZD-1480

Literature Sharing 大家好！今天给大家分享一篇由全北国立大学的Hilal Tayara和Kil To Chong教授团队于2026年1月发表在期刊《Acta Pharmacologica Sinica》上的一篇研究性文章“AI and experimental convergence: a synergistic pathway to JAK2 inhibitor discovery”。本研究计算了摩根分子指纹（Morgan fingerprints）、分子访问系统指纹（MACCS）以及 PaDEL 等多种分子描述符，并基于这些描述符构建机器学习模型。在所有模型中，CatBoost 模型结合摩根分子指纹的综合性能最优，在测试集上的预测准确率达 0.94。利用该最优 CatBoost 模型对韩国化合物数据库（KCB）进行虚拟筛选，以期筛选出高活性 JAK2 抑制剂。同时采用密度泛函理论（DFT）、分子对接及分子动力学模拟等多种计算分析方法，对筛选得到的优势分子进行系统评价。最终筛选出 4 个候选化合物开展体外活性实验，结果显示其不仅具有优异的JAK2激酶抑制活性（IC50均<10 μM，且优于阳性对照托法替尼），还符合Lipinski五规则，ADME性质优异，具备良好的成药潜力。该研究将人工智能建模与实验验证相结合，为精准医疗提供了极具潜力的研究策略，不仅有助于开发更精准、更高效的激酶靶向治疗药物，还能够缩短新药研发进入临床试验的周期、降低研发成本。 01 研究背景 Janus 激酶（JAK）是一类参与细胞信号传导的胞内酪氨酸激酶。JAK 家族包含 4 种亚型：JAK1、JAK2、JAK3 和 TYK2，由 Wilks 等人于约 30 年前首次发现 。JAK 家族在免疫系统调控、炎症反应以及造血等多种生物学过程中发挥关键作用，并参与 JAK-STAT 信号通路，介导细胞因子信号的传递。4 种 JAK 亚型均可激活 7 类 STAT 蛋白，进而启动约 40 种调控细胞功能的细胞因子及活性物质的基因转录（图 1）。因此，JAK 蛋白作为免疫性疾病的潜在治疗靶点受到广泛关注。然而，JAK 家族各成员的 ATP 结合位点结构高度相似，采用传统方法难以获得针对特定亚型的选择性配体 。 在四种 JAK 亚型中，JAK2 在细胞生长与存活中至关重要，尤其参与造血干细胞介导的血液生成及免疫应答过程。JAK2 基因 V617F 点突变是与骨髓纤维化、血小板增多症及真性红细胞增多症相关的常见遗传异常 。该突变发生在第 14 外显子 1849 位碱基，使鸟嘌呤（G）颠换为胸腺嘧啶（T），最终导致 JAK2 蛋白第 617 位缬氨酸被苯丙氨酸取代（V617F），使其酪氨酸激酶活性异常升高。这是骨髓增殖性肿瘤（MPDs）发生发展的核心分子机制，也使 JAK2 成为炎症疾病、癌症及类风湿关节炎的潜在诊断标志物。 近几十年来，多款以 JAK2 为靶点的药物已进入骨髓增殖性肿瘤的临床及临床前研究，部分药物近期获得美国 FDA 及其他监管机构批准上市。2013 年，FDA 批准鲁索利替尼（ruxolitinib）用于治疗中高危骨髓纤维化。目前，莫莫替尼（momelotinib）处于 Ⅲ 期临床研究，XL019 等药物也在开发中 。而 AZD1480 因生物利用度差与毒性问题，在早期研发阶段即被终止。因此，仍需开发成药性更优的新型 JAK2 抑制剂，用于治疗 JAK2 突变相关疾病。 计算机辅助药物设计（CADD）推动了药物研发领域的进步，可快速高效地对小分子化合物库进行筛选，显著降低传统 “湿实验” 的时间与成本，同时弥补实验室合成与测试分子数量有限的短板。近年来，机器学习（ML）模型迅速应用于计算药物研发，为药物发现带来革命性变革。机器学习是人工智能的重要分支，可让计算机从数据中自主学习并完成预测，无需显式编程。在计算药物研发中，机器学习模型被用于分析海量、复杂的遗传与临床数据，助力新药发现、药效及成药性质评估。将机器学习与 CADD 结合，可显著提升药物研发的效率、速度与成功率。 本研究基于 JAK2 抑制剂数据集训练机器学习模型，筛选出最优模型，并利用其对包含 737110 个分子的韩国化合物库进行虚拟筛选，获得潜在 JAK2 抑制剂。随后通过分子对接、分子动力学（MD）模拟及密度泛函理论（DFT）分析候选小分子的结合强度。最后采用体外抑制实验评估高稳定性分子的结合能力，并测定其 JAK2 抑制活性。 图1：JAK2在细胞因子信号传导中的作用机制：激活、磷酸化及信号转导 02 研究结果 结果一： 数据集与模型性能结果 为构建机器学习模型，从ChEMBL数据库收集了与JAK2蛋白相关的抑制剂与非抑制剂数据集。采用非线性降维方法t-SNE探索分子集合所覆盖的化学空间。经预处理后得到6021个分子（训练集4816个，测试集1205个），t-SNE分析显示 JAK2抑制剂/非抑制剂的化学空间分布差异显著，表明二者分子特征存在结构差异性，这可能是其产生不同生物学活性的重要原因，该结果为模型构建提供了良好的数据基础（图2）；五折交叉验证结果表明，在所有分类模型中，CatBoost表现出最优、最稳定的预测性能。CatBoost模型在Morgan指纹特征下表现最优，五折交叉验证准确率0.94，测试集准确率0.94、MCC0.86、AUROC0.98，显著优于XGBoost、LightGBM、AdaBoost模型（表1），在其他评价指标方面，如Matthews相关系数(MCC)，CatBoost取得了0.86的最高得分，明显高于其他模型，表明其在区分JAK2抑制剂与非抑制剂方面具有更强的判别能力。在测试数据集上的评估进一步验证了CatBoost的优越性，其准确率为0.94，MCC为0.86（表2）；SHAP特征重要性分析发现Morgan指纹的10个核心亚结构是模型预测的关键，且这些亚结构（如吡啶环Bit743、氨基团Bit439）是JAK2 抑制剂与靶点结合的重要结构（图2）。 图2：数据集抑制剂与非抑制剂分布以及机器学习模型性能 表1：基于Morgan指纹的五折交叉验证数据集性能 表2：基于Morgan指纹测试数据集的性能 结果二：虚拟筛选与分子对接结果 将虚拟筛选获得的化合物进行分子对接分析，探究其在靶点结合位点的结合亲和力与构象取向。所有筛选得到的分子均对接至 JAK2 蛋白的结合口袋，最高 Glide 对接评分为 −8.010 kcal/mol。KCB数据库737110个分子经预处理后得到536120个分子，经CatBoost模型筛选后得到3474个潜在抑制剂，再经分子对接筛选出14个高结合强度分子，其中JAK2-C3的Glide评分最高，为-11.471 kcal/mol（图3）；诱导契合对接（IFD）发现，候选分子与JAK2活性位点的ARG938、LYS882、ASP994等关键氨基酸形成氢键和π-π堆积作用，是分子结合稳定的重要原因。 图3：虚拟筛选与分子对接后筛选出的候选化合物的化学结构及其Glide评分 结果三：分子动力学与DFT计算结果 本研究通过分子动力学模拟探究候选分子的结构稳定性。采用均方根偏差（RMSD）、均方根波动（RMSF） 以及回转半径等指标对分子动力学模拟结果进行评估。MD模拟（100ns）显示JAK2-C1/C2/C4/C13与靶点形成的复合物RMSD稳定在1.5-2.5Å，回旋半径（Rog）波动小，蛋白结构紧凑，表明结合构象高度稳定（图4）；MMPBSA计算显示，候选化合物的结合自由能均为负值，其中JAK2-C12达-58.59 kcal/mol，表明分子与靶点的结合具有能量优势（表3）；DFT计算显示，4个候选化合物的HOMO-LUMO能隙小，电子活性高，能与JAK2活性位点发生电子相互作用，其中JAK2-C13能隙最小（3.40eV），反应性最强（表4）。 图 4: 基本理化性能与喷雾性能参数之间的相关性 表 3: JAK2候选化合物的结合自由能计算结果 表 4: 采用DFT方法计算所得JAK2抑制剂的HOMO能级、LUMO能级、能隙及电负性参数 结果四：ADME性质与抑制实验结果        4个候选化合物的ADME性质均符合Lipinski五规则，氢供体/受体、脂水分配系数、水溶性、口服吸收均在药物推荐范围内，且血脑屏障穿透性低，不易对脑部产生毒副作用，具备开发为JAK2 选择性抑制剂的良好潜力。（表5）；体外激酶抑制实验显示，4个化合物的IC50均小于10 μM，其中JAK2-C13（5.94×10-6 M）、JAK2-C4（2.04×10-6 M）、JAK2-C1（2.43×10-6 M）、JAK2-C2（2.70×10-6 M），抑制活性均显著优于阳性对照托法替尼（图5）。 表 5 :所选JAK2抑制剂的计算机辅助ADME性能预测 图 5 :JAK2激酶抑制活性的剂量–反应曲线 03 总结 筛选获得高效、强效的JAK2抑制剂，是各类恶性肿瘤与自身免疫病靶向治疗领域的重要研究进展。本研究充分融合机器学习、计算药物研发流程与生物活性实验，实现多技术协同，精简并优化了药物研发流程。研究构建了可精准识别JAK2抑制剂的机器学习模型，并将其应用于韩国化合物数据库（KCB）的虚拟筛选，大幅缩减了潜在候选化合物的初始筛选范围。进一步通过分子对接、分子动力学模拟、密度泛函理论（DFT）及ADME性质分析对筛选结果进行层层验证与优化，深入阐释了候选分子在JAK2活性位点内的结合作用模式与构象稳定机制。研究不仅成功发现了4种高活性JAK2候选抑制剂（JAK2-C1、C2、C4、C13），更实现了人工智能与传统实验的深度协同，大幅提升了激酶靶点抑制剂的研发效率，为精准药物发现提供了可复制的技术范式，也为JAK2相关疾病的靶向干预提供了新的候选药物和研究思路。 04 学习心得 1、人工智能建模与实验验证相结合，为精准医疗提供了极具前景的研究策略，不仅可开发更精准、高效的激酶靶向疗法，还能大幅缩短新药进入临床试验所需的时间并降低成本。 2、计算机辅助药物设计（CADD）推动了药物研发领域的进步，可快速高效地对小分子化合物库进行筛选，显著降低传统 “湿实验” 的时间与成本 ，同时弥补实验室合成与测试分子数量有限的短板。机器学习（ML）模型迅速应用于计算药物研发，为药物发现带来革命性变革。将机器学习与 CADD 结合，可显著提升药物研发的效率、速度与成功率。 编辑人：唐婷 责任编辑：赵钦、孙亚妮 原文链接：https://pubmed.ncbi.nlm.nih.gov/41593209/