我院羅海彬教授研究團隊在藥物設計關鍵技術取得新突破（PNAS）

 羅海彬教授研究團隊自主發展了加速的自由能微擾-絕對結合自由能計算新方法（GA-FEP），取得藥物設計關鍵技術的新突破，實現自由能微擾（FEP）/藥物設計方法的國産化和自主可控。在抗擊新冠肺炎研究中，該GA-FEP方法首次一周内完成對老藥數據庫的高精度篩選，從而預測出25個對新冠肺炎主蛋白酶M^pro有較高親合力的藥物，進一步的體外活性驗證發現了15個M^pro抑制劑（Ki 為 0.04至3.3 µM），表現出較高的活性化合物命中率。特别值得一提的是，抑制活性最優的藥物雙嘧達莫對新冠肺炎獲得較好的臨床治療效果，從而進一步驗證GA-FEP方法的可靠性。該GA-FEP方法既可以明顯提高藥物/靶标親合力的預測精度（理論親合力與實驗親合力差值絕大多數小于2 kcal/mol），還可以提高預測速度（傳統FEP方法每個化合物的預測時間為30-60天，本方法縮短為1天以内，效率提高30-60倍），從而提高創新藥物篩選的成功率并降低研發時間。除了高精度篩選外，該GA-FEP方法還可以應用于其他新藥設計工作中，如骨架躍遷和全新藥物設計等，以提高先導化合物的發現和優化效率。

  上述研究結果，于2020年10月13日以Article形式發表在國際四大名刊之一PNAS，題為Identify potent SARS-CoV-2 main protease inhibitors via accelerated free energy perturbation-based virtual screening of existing drugs。我院李哲博士、中國海洋大學醫太阳集团1088vip李昕博士生和我院黃儀有博士為本文的并列第一作者。本文通訊作者為我院羅海彬教授、中國海洋大學醫太阳集团1088vip王鑫教授、肯塔基大學太阳集团1088vip湛昌國教授和中山大學生命科學學院崔隽教授。中科院上海藥物所、蘭州大學、廣州醫科大學等單位也參與本課題的研究。論文鍊接為：https://doi.org/10.1073/pnas.2010470117

  本研究得到了國家重點研發計劃、國家自然科學基金優秀青年基金等經費的支持，同時也得到了騰訊雲，廣州、深圳、天津、北京等超級計算中心的大力支持。

研究背景：

當前人類健康領域面臨若幹的重大挑戰，包括重大疾病（如惡性腫瘤、糖尿病、心血管疾病等）及突發的惡性傳染病（如新冠肺炎、SARS、埃博拉等）。因此，亟需加快新藥研發速度，以應對以上挑戰，尤其是大規模突發疫情來襲之時，盡快獲得應急藥物以控制疫情的發展。如何精準預測藥物與靶标的親合力（結合自由能）以獲得高親合力的小分子藥物，一直是計算機輔助藥物設計領域的“聖杯”，若能精準預測藥物/靶标親合力，将能加速先導化合物藥物的發現及優化效率，從而明顯縮短新藥創制周期及降低研發成本。

自由能微擾（FEP）是一種基于統計力學理論嚴格推導而來的方法，具有較高的理論精度，在藥物/靶标親合力預測方面具有很好的應用前景。然而，該類方法對計算資源消耗極大（傳統CPU服務器使用該方法預測一個藥物與靶标親合力需要1-2個月），且缺乏公認的最佳流程，尚未得到廣泛的應用。近年，藥物設計頂級軟件薛定谔發展的自由能微擾/相對自由能預測方法受到制藥和科研工作者的極大關注（JACS 2015, 137, 2695），然而該方法主要被應用于預測結構相似配體間的相對結合自由能（一般兩配體結構差異小于10個重原子），無法預測不同骨架的化合物與靶标的親合力，且許可費用昂貴，限制了該方法的應用範圍。

本次進展：

1.發展了自由能微擾新方法GA-FEP，取得藥物設計關鍵技術的新突破，實現自主可控

太阳集团1088vip羅海彬/李哲研究團隊一直緻力于将現代物理學手段應用于新藥研發，以提升藥物/靶标親合力的預測精度及速度。為了發展基于FEP的新方法，并推動該方法真正應用于新藥設計，該項目團隊發展了基于FEP的絕對結合自由能計算方法（GA-FEP）。前期工作中，他們通過研究FEP計算得到的概率分布特征，研發了第一代用于預測藥物/靶标親合力（絕對結合自由能）GA-FEP方法，并成功将該方法應用于PDE10抑制劑先導化合物的設計和結構優化（從苗頭化合物到先導化合物，抑制活性得到了2000多倍的提升，J. Med. Chem. 2019, 62, 2099–2111）。

為了大幅度提高GA-FEP的預測速度，以提高藥物設計效率，項目組推導了能準确描述FEP熱力學循環中添加束縛步驟ΔU概率分布的公式，并将其命名為RED函數。RED函數極大加速了GA-FEP方法的預測速度。如圖1（a）所示，計算約束能量過程中，采樣得到的P（ΔU）（黃點）可以很好地被RED函數拟合（紅線）。通常來講，約束能量需要12個λ窗口才能夠準确計算。而經RED函數分析，拟合，并計算能量後，相比于通常的12個λ窗口，新方法使用一步微擾（2個λ窗口）即可準确計算約束能量。使用3個靶标及28個配體進行測試，工作中發現一步微擾（2λ窗口）以及12λ窗口得出的結果基本一緻，具有極好的相關性（如下圖所示），對于所有體系，兩種方式計算得到的誤差小于0.5 kcal/mol。這些工作和發現極大加速了FEP-ABFE的預測速度，并使得GA-FEP方法首次能應用于新藥的虛拟篩選研究中。

圖1. RED函數明顯加快預測速度

2.實現GA-FEP方法在突發疫情應急藥物響應方面的典型應用

新冠病毒肺炎大流行已成為全球性危機，但目前尚缺少針對新冠肺炎的有效治療方法。通過老藥新用，有望快速發現較為安全的新冠肺炎治療藥物。團隊采用了如圖2所示的研究策略，從已知藥物化合物庫（含2500種藥物）中尋找針對新冠肺炎的治療藥物。以新冠病毒SARS-CoV-2主蛋白酶（M^pro）為靶點，首先經過分子對接得到100個分子，而後一周内完成了該100個化合物與M^pro的GA-FEP預測，預測出25個老藥分子，體外生物實驗驗證15個藥物對Mpro具有較高的抑制活性（Ki均小于4 μM），活性藥物的成功率高達60%。特别值得一提的是，這16個藥物與靶标的理論親合力與實驗親合力差值絕大多數均小于2 kcal/mol，而藥物設計中常用的MM-PBSA和GBSA兩種方法得到的差值均大于10 kcal/mol，充分說明GA-FEP方法在藥物/靶标親合力的預測精度方面具有明顯的優勢。總的來說，GA-FEP方法不但可以提高藥物/靶标親合力的預測精度，還可以明顯提高預測速度（傳統FEP方法每個化合物的預測需要30-60天，本方法縮短為1天以内，效率提高30-60倍），從而提高創新藥物篩選的成功率并降低研發時間。

圖2. 本研究采用基于GA-FEP的高精度篩選策略

有意思的是，坎地沙坦酯的代謝産物坎地沙坦也對Mpro具有較好的抑制活性。Disulfiram和Atazanavir在其他報道中也被确證為Mpro抑制劑，其餘14個均由本文首次發現為Mpro抑制劑。16個藥物中，抑制活性最高的化合物為由本方法首次發現的雙嘧達莫（Dipyridamole，圖3），Ki為40 nM，進一步病毒細胞實驗獲得該化合物的EC₅₀ 為100 nM。特别值得一提的是，在後續兩輪多中心臨床實驗中，驗證了該化合物具有較好的治療效果：在超過100例的臨床試驗中，普通型新冠患者三周出院率為100%，重型患者三周出院率為87.5%。部分臨床結果已發表在藥學權威期刊Acta Pharm. Sin. B（2020, 10, 1205-1215），并入選今年7月份該刊的封面故事。

圖3. 通過自由能微擾GA-FEP方法高精度篩選獲得2個活性最優的M^pro抑制劑