Science Advances：AlphaFold超越了传统方法，加速了潜在抗精神病药物的发现

研究人员使用AlphaFold和同源模型来识别有效的TAAR1激动剂，显示AlphaFold在神经精神疾病药物发现方面的卓越表现。

　　

在最近发表在《Science Advances》杂志上的一项研究中，瑞典的研究人员使用AlphaFold开发的多种受体模型和同源建模技术对超过1600万种化合物进行了虚拟筛选。这些模型基于不同的蛋白质结构，以确定痕量胺相关受体1 (TAAR1)激动剂，用于各种神经精神疾病的潜在治疗。他们发现基于alphafold的筛选具有更高的命中率，并有助于发现有效的TAAR1激动剂，从而导致一种有希望的候选药物在小鼠中显示出生理效应。

背景

包括AlphaFold在内的机器学习方法的出现彻底改变了蛋白质结构预测，实现了接近实验的准确性，并为许多治疗相关的蛋白质(如g蛋白偶联受体(GPCR))提供了模型。这引起了人们对使用AlphaFold模型进行药物设计的极大兴趣，因为获得精确的蛋白质结构可能会加速药物的发现。然而，将AlphaFold与实验确定的GPCR结构进行比较的研究显示，AlphaFold在预测GPCR-药物复合物方面的有效性结果不一。虽然AlphaFold可以高精度地模拟结合位点，但这些研究强调，预测的配体结合模式往往与实验确定的结构不同。据报道，虽然AlphaFold可以高精度地模拟结合位点，但在对接模拟和虚拟筛选方面的表现往往落后于实验确定的结构。这一差异表明，虽然AlphaFold在某些方面可能优于传统的同源模型，但仍需要进一步改进才能准确预测蛋白质与配体的动态相互作用。这些发现表明，虽然AlphaFold优于传统的同源模型，但它可能还不完全适合基于结构的药物设计，强调需要进一步优化这些模型，以提高预测蛋白质-配体相互作用的准确性。

TAAR1是一种在研究时没有可用的实验结构的GPCR，由于其作为药物靶点的潜力而成为本研究的重点。研究人员旨在探索AlphaFold模型在基于结构的虚拟筛选中的有效性，特别是对于TAAR1激动剂，并将这些结果与传统的同源建模技术进行比较。

关于研究

为了评估AlphaFold与同源模型在识别TAAR1配体方面的有效性，研究人员使用这两种技术为TAAR1生成了多个模型，并进行了两次全面的基于结构的虚拟筛选。这些筛选涉及对接一个包含1600万个片段样化合物的文库，根据对接分数和预测的结合模式评估它们作为TAAR1配体的潜力。这些模型的性能是基于它们富集已知TAAR1配体和预测准确的受体激动剂复合物的能力进行比较的。对接筛选涉及评估218万亿复合物，成功对接了680万化合物与AlphaFold模型，1130万化合物与同源模型。

研究重点分析了AlphaFold与同源模型的结构差异，特别是TAAR1结合位点的大小和形状。为了评估TAAR1激活的结构-活性关系，研究人员使用了化合物30，该化合物之前在AlphaFold筛选中被认为是最有效的。然后生成一系列类似物。这些化合物与AlphaFold模型对接，特别关注这些模型如何表示正位位点和其他关键结合区域。选择了16个有前途的类似物进行进一步评价。采用各种方法评估化合物的激动剂活性，评估了27种胺能GPCRpcr的活性。此外，采用环腺苷3′，5′-单磷酸腺苷(cAMP)积累法测定其效价，并进行药代动力学分析以评估其溶解度、血浆蛋白结合、渗透性和代谢稳定性。

此外，还进行了体内研究，包括测量TAAR1野生型(TAAR1-WT)和taar1敲除型(TAAR1-KO)小鼠的核心体温(CBT)、脉冲前抑制(PPI)测试和运动实验，以评估化合物的抗精神病样作用。除了评估这些生理效应外，还将AlphaFold模型与新发布的TAAR1冷冻电镜(cryo-EM)结构进行了结构比较。这些比较表明，AlphaFold模型提供了更紧凑的结合口袋表示，这影响了对接结果和结合模式预测。

结果与讨论

研究发现，AlphaFold模型在虚拟筛选中的表现优于同源模型，其命中率为60%，而同源模型筛选的命中率为22%。alphafold衍生的激动剂表现出更高的效力和不同的化学结构。这一较高的命中率归因于AlphaFold对细胞外和正位结合位点的更准确预测，尽管该模型难以与更大的合成配体结合。化合物65表现出较高的效力，并被发现比ulotaront更有效。选择性分析表明，化合物30和65与ulotaront相似，但对其他受体也有活性。与ulotaront相比，化合物65具有更好的选择性、良好的溶解度、低血浆蛋白结合、良好的渗透性和良好的代谢稳定性。

然而，该研究也强调了AlphaFold模型的一些局限性。体内药代动力学研究显示该化合物在大脑中的快速分布。行为学实验显示，化合物65有效降低了TAAR1-WT小鼠的CBT，但对TAAR1-KO小鼠没有影响。与利培酮类似，该化合物还能提高WT小鼠的PPI，但对TAAR1-KO小鼠没有作用。在运动测试中，化合物65降低了WT小鼠的基线运动并抑制了过度运动，但在TAAR1-KO小鼠中没有。

该研究还强调，虽然AlphaFold模型通常比同源模型更准确，但它们仍然有很大的局限性。例如，AlphaFold努力预测GPCR的动态、多重构象，这是准确模拟大型合成配体结合位点的关键方面。结构比较表明，与同源模型相比，AlphaFold模型提供了更准确的细胞外和正交结合位点预测。尽管如此，新发布的低温电镜结构表明，实验数据可以更好地了解结合模式，特别是复杂配体。然而，实验低温电镜结构显示出更大的合成配体的结合模式。这一发现表明，虽然AlphaFold是一个强大的工具，但它可能需要进一步完善或与其他技术结合，以充分捕捉GPCR-配体相互作用的动态特性。

结论

总之，该研究表明，机器学习预测结构，如AlphaFold生成的结构，可以有效地识别GPCR配体，加速新靶点如TAAR1的药物发现。然而，该研究也强调了继续开发这些模型以增强其预测能力的必要性，特别是对于复杂配体和动态蛋白质构象。在所鉴定的化合物中，化合物65的效价、选择性和药代动力学性质均优于ulotaront。它在体内也显示出有希望的抗精神病样作用，使其成为开发神经精神疾病新疗法的潜在强有力的候选者。