Maraviroc

近日在nature signal transduction and targeted therapy杂志发表了一篇综述“New insights into protein–protein interaction modulators in drug discovery and therapeutic advance”，这是一篇学习基于PPI机制靶向治疗的综述好文章。 文章探讨了技术创新对PPI研究和开发的影响，研究了发现、调节和表征PPI及其相应调节剂的各种策略，旨在推进PPI靶向治疗提供简化的流程。 从PPI调节剂的识别、优化和批准中获得的宝贵经验和见解，旨在证明PPI调节剂已超越了早期药物发现阶段，现在代表着一个具有巨大潜力的黄金机会。 理解PPI和开发PPI调节剂的关键里程碑。该时间线追溯了从发现第一个蛋白结构到新研究技术的出现以及将基础研究转化为治疗应用的历程。突出了理解蛋白功能和开发创新药物模式的关键时刻。 蛋白结构预测的快速进步，以2021年同时发布的AlphaFold的RosettaFold为例，大大加速了PPI治疗的发展。 许多研究表明，PPI主要受疏水效应的影响。再加上PPI不具有与酶相同的结构模式（其中最大或最深的裂缝clefts是底物结合位点的指示），得出结论，在药物发现的背景下，涉及酶活性位点的相互作用通常不被视为PPI。 相反，PPI中的结合位点通常包含特定的残基组合，不同区域和独特的结构布局，从而形成称为“hot spots”的协作形成。hot spots被定义为这样的残基，其替换(通常被丙氨酸或具有类似破坏作用的其他氨基酸(如甘氨酸和缬氨酸)，导致PPI的结合自由能显著降低。 hot spots的能量贡献源于它们在紧密堆积的“hot”区域内的局部网络排列，从而实现了灵活性和中间空间中的多个不同伙伴结合的能力。这种机制解释了单个分子表面如何能够与多个结构不同的伙伴相互作用，同时还允许靶向PPI。1. PPI调节剂的发现策略 合理的药物设计已证明能够成功利用热点分析得出的结构信息来识别PPI的调节剂。 计算机建模与噬菌体展示技术相结合，能够合理设计肽模拟物，以重现PPI内关键肽螺旋、片层和环的二级结构。 PPI界面通常是平坦且无特征的，具有挑战性，传统的和合理药物化学方法在识别调节剂方面效果不佳。 高通量筛选 (HTS) 是一种依赖于利用化学多样性库的方法，这些库通常富含更有可能靶向 PPI 的化合物，以成功识别先导调节剂。 HIT的有效性可能会因某些界面上缺乏特定热点而受到阻碍，基于片段的药物发现(FBDD)是一种有用的技术。研究发现，富含酪氨酸或苯丙氨酸等芳香残基的界面特别适合片段hit识别。2. 用于PPI调节剂发现和开发的计算工具 虚拟筛选等传统计算方法有可能加快PPI调节剂的发现过程。虚拟筛选可分为基于结构和基于配体的方法。 基于结构的方法直接依赖于利用目标蛋白的结构信息，而基于配体的方法则筛选符合预先构建的药效团模型的化合物。这两种方法都有其优点和局限性。 基于结构的虚拟筛选仅限于具有众所周知的结合位点的蛋白，而这些位点在PPI中通常很难找到。相反，基于配体的虚拟筛选依赖于利用已知的强效抑制剂来构建可用于虚拟分析的药效团模型。 传统计算方法在识别PPI和理解其作用机制方面的部署变得复杂。尤其在PPI动态性质方面。大型语言模型(LLM)和机器学习的广泛使用，该领域发生了重大的范式转变。3. 预测PPI 预测 PPI 的计算方法。广义上讲，这些计算方法分为两类：基于同源性的方法和无模板机器学习方法。 如果蛋白质与已知相互作用物具有显著的序列相似性（同源性），则这两种蛋白质也可能相互作用。 基于同源性的方法以其准确性和可靠性而闻名，尤其是在特征明确的蛋白质的情况下。 无模板机器学习方法是用于在已知相互作用和非相互作用蛋白质对的大量数据集中识别模式的算法。3. PPI的hot spot的识别 分子动力学(MD)模拟可以对可能的天然构象进行采样并捕捉瞬时口袋的形态形成，从而为进一步研究提供详细结构。 利用MD轨迹，可以使用MM/PB(GB)SA方法计算每个残基的结合能，从而识别PPI复合物中每个残基的能量贡献。 MD模拟对于研究本质上无序的蛋白或区域中的二级结构和瞬时口袋等动态特征特别有价值。 另一种识别热点的关键方法是丙氨酸扫描诱变(CAS)是一种对特定氨基酸突变为丙氨酸的蛋白进行功能分析的方法。4. 靶点识别 开发PPI调节剂的挑战之一在于难以对候选分子确定合适的靶点。加速PPI调节剂靶点识别的尝试之一是PrePPItar，这是一种能够分析药物的PPI靶点的机器学习模型。 PrePPItar的核心在于它能够整合多种数据源，包括分子结构、ATC代码(表示药物功能)、副作用和PPI的序列信息。 通过利用具有核函数的机器学习框架，PrePPItar将这些数据类型组合成药物和PPI全面相似性概括。 通过预测潜在的PPI靶点，PrePPItar扩展了传统方法之外的搜索空间，并可以指导未来的实验验证，使其成为推进药物发现研究的宝贵工具。5. PPI调节剂的类型 根据结构特征分为不同的类型。 第一类是小分子调节剂，更适合紧密狭窄的PPI界面。 因为PPI界面往往很大、很平，而且没有通常代表小分子结合位点的明确口袋。 这通常需要一种能覆盖大量表面积并建立大量疏水接触的调节剂，由于此类分子很大，溶解度差，这种结构经常会引入药代动力学障碍。 强调一点，分子胶是PPI稳定剂的小分子调节剂，可以稳定内源性PPI或诱导非天然相互作用。 与传统小分子PPI抑制剂相比，分子胶具有不依赖高效力活亲和力的优势。分子胶通常会与瞬时且独特的蛋白界面结合，形成选择性界面，最大限度的减少脱靶效应的可能性。 根据作用位点进行分类时，分子胶可以变构作用或与主要PPI界面结合。 变构作用的分子胶可诱导或阻止靶蛋白的构象变化，从而增强其相互作用伙伴的亲和力。 同时，与PPI界面结合的分子胶通过在两种相互作用的蛋白之间提供更多的接触表面积来发挥稳定作用，从而增强它们的结合。 根据作用机制进行分类时，分子胶可分为三种类型。 第一种类型中，分子胶诱导非天然PPI“保护“靶蛋白不发挥其正常功能。第二种类型的分子胶时化合物通过重定向内源形成的PPI来抑制靶蛋白的功能。最后，一些分子胶诱导非天然PPI产生新的药理活性。 小分子PPI调节剂的设计选择在很大程度上取决于hot spots结构信息的可用性。 在已知hot spots会聚在一起形成可能的结合位点的PPI中，正构调节剂通常最为突出。 相反，当hot spots结构信息未知或hot spots无法形成合适的结合位点时，变构调节是调节PPI的一种更常见的方法。 第二种具有PPI调节潜力的方式是使用来自相互作用蛋白结合表位的抑制肽。 这种方法基于这样的一个事实：特定氨基酸序列会介导PPI，这使得这些相互作用容易受到基于所研究序列的肽的破坏。肽通常具有高靶向特异性和易于通过修改其结构来调整药代动力学的特征。 肽通常具有高靶向特异性和易于通过修改其结构来调整药代动力学的特征。 然而，基于肽的治疗开发面临一些限制，例如由于酶和酸性条件的分解，肽在细胞环境中不稳定。此外，与小分子药物相比，他们比较大，阻碍了细胞进入，而且由于涉及许多步骤，合成可能很复杂且昂贵。 另一种PPI抑制治疗选择是使用肽模拟物，肽模拟物是基于肽的分子，根据 PPI 热点分子识别方面的结构见解进行定制，能够维持关键的结合相互作用，从而促进对靶蛋白的高亲和力表达。 抗体PPI调节剂为靶向PPI疗法的开发提供了另一种有希望的途径。然而，单克隆抗体(mAb)面临着一些限制其使用的障碍。 一个主要的挑战时递送，由于其相对较大的size和亲水性，口服无效。另一个限制时无法穿过血脑屏障(BBB)，导致其在治疗中枢神经系统疾病方面的效果有限。 蛋白水解靶向嵌合体PROTAC时PPI调节的另一种治疗替代方案。PROTAC通过瞬时结合诱导泛素化和蛋白酶体降解，从而导致靶蛋白降解和随后的PROTAC循环利用。 与小分子疗法相比，需要的药物剂量更低、潜在的脱靶效应减少、能够克服通常导致小分子抑制剂无效的耐药突变。由于PROTAC依赖于对靶标的最小结合亲和力，因此还可以靶向“不可用药”的蛋白。 PROTAC的局限性，其安全性和潜在风险的临床数据有限。PROTAC的双靶向性质通常导致分子量较大，阻碍口服利用度和组织渗透。6. PPI调节剂临床应用的关键实例 介绍的PPI调节剂经过精心挑选，旨在展示PPI的临床潜力，识别具有进一步优化机会的调节剂，并通过借鉴成功的设计策略作为范例，为推进PPI药物发现提供宝贵见解。 选择特定系列的小分子PPI进行SAR分析是基于是否有足够的数据来支持对其SAR曲线的预测以及它们在未来研究工作中的进一步优化能力。7. 结论： PPI现在已成为药物研发中的可用药靶点。这种模式转变为开发针对各种疾病的新型疗法提供了独特的机会。 PPI调节剂为克服与传统疗法相关的耐药性提供了一种有希望的方法。通过靶向驱动疾病进展的蛋白之间的相互作用，PPI调节剂可以破坏导致耐药性的关键途径。 针对PPI的治疗方法的选择取决于几个关键因素。其中一个因素是PPI本身的特性。比如具有明确结合位点和清晰结合腔的PPI将是开发小分子调节剂的理想靶标。 相反，结合界面较大且灵活的PPI需要更大的调节剂，如肽或蛋白，以实现有效的相互作用。 预期的治疗目标也会影响治疗方法的选择。蛋白质和肽类药物在穿过血脑屏障 (BBB) 方面面临重大限制，这使得它们不适合治疗中枢神经系统 (CNS) 疾病。 所需的给药途径和治疗开发预算都是至关重要的考虑因素。小分子调节剂由于其良好的吸收特性，通常更适合口服给药，而且它们通常是药物开发更具成本效益的选择。 开发PPI调节剂时也存在重大挑战。其中一个限制是实现高选择性，同时最大限度地减少治疗靶标中的脱靶效应，因为相互作用界面大而平坦。 这些界面的性质使得设计选择性结合特定靶标而不干扰其他靶标的小分子变得困难。因此，肽、mAb和蛋白质等其他治疗选择将成为针对此类靶标的替代解决方案。 此外，优化PPI调节剂的药代动力学特性（例如生物利用度和半衰期）仍然是一个具有挑战性的障碍，导致许多候选治疗药物失败。 开发PPI调节剂的成功策略需要整合一系列技术，包括合理的药物设计、对共晶体结构的洞察和计算技术。此外，在优化过程中，看似微小的结构变化可能会对治疗剂的可用药性和活性产生重大影响。 FDA批准了托珠单抗、西妥昔单抗、sarilumab、satralizumab、sotorasib、adagrasib、maraviroc、venetoclax和 fostemsavir 等小分子 PPI 抑制剂，这是针对 PPI 的治疗潜力的确凿证据。 这些成就凸显了这种方法的变革性影响，将 PPI 从“潜在”的领域提升到令人兴奋的临床验证靶点的现实。 未来，人工智能和机器学习的快速发展将显著加速 PPI 调节剂药物研发流程，同时加深我们对 PPI 的理解，AlphaFold 3 的早期结果就是明证。 将PPI调节剂与现有治疗方式相结合的联合疗法有望增强治疗效果并克服耐药性。虽然选择性和脱靶效应等挑战仍然存在，但持续的创新正在解决这些障碍。