基于优势片段重组的mTOR抑制剂新骨架设计合成及活性研究

Discovering new selective mTOR inhibitors is one of hotspots for cancer treatment. Based upon atom center fragment (ACF) and multiple machine learning approaches, we have reported mTOR inhibitor virtual screening and biological assay systems. Based upon the systems, 15 active compounds against mTOR have been confirmed with secondary biological assays. Further studies revealed that these inhibitors contained common privileged fragments, which demonstrated different binding modes in different mTOR binding pockets. Therefore, we hypothesize that new mTOR inhibitor scaffolds can be discovered by structure-based re-combining these privileged fragments to reach better binding affinities. Based upon the hypothesis, we propose to conduct the following studies: (1) Systematically deriving privileged fragments from our mTOR inhibitor database, determining the binding modes of the privileged fragments with fragments screening and molecular simulations; (2) enumerating virtual mTOR inhibitor scaffold library by recombining the privileged fragments, using the virtual library as a probe to design or virtually screen mTOR inhibitors with new scaffolds, discovering or synthesizing the virtual hit compounds, confirming the inhibitory activities, and evaluating the anti-cancer mechanisms. The studies may lead to new mTOR targeted anti-cancer drug leads. The discovery method can be applied in other drug discovery processes.

哺乳动物雷帕霉素靶蛋白（mTOR）的新型选择性抑制剂是抗癌靶向药物研究的热点之一。前期研究中，基于原子中心片段和多重机器学习方法，我们构建并发表了mTOR抑制剂的预测平台。通过筛选实验确认，发现了15个新的具有mTOR抑制活性的化合物。进一步分析发现：这些活性化合物共有一些优势片段，它们与mTOR有不同的结合模式。因此，我们认为：通过合理重组不同的优势片段，可以设计出活性和选择性更好的mTOR抑制剂新骨架。本项目将在此基础上进行如下探索：（1）对现有的mTOR抑制剂结构数据库进行数据挖掘，提取各种mTOR抑制剂的优势片段，运用片段筛选和分子模拟，确定它们与受体的结合模式；（2）重组不同的优势片段获得mTOR抑制剂的新骨架，通过虚拟筛选、合成及实体筛选发现成药性更好的mTOR靶向抗癌药物的先导化合物，并确定作用机理，为其它靶向药物的设计与筛选提供理论基础和实践依据。

哺乳动物雷帕霉素靶蛋白（mTOR）的新型选择性抑制剂是抗癌靶向药物研究的热点之一。本课题的主要研究内容有两点（1）基于优势片段发现新型mTOR抑制剂并阐明其作用机理；（2）系统总结和拓展基于片段的药物设计方法及其它应用。. 针对研究内容一，通过基于原子中心片段的算法，采集贝叶斯机器学习方法，构建了mTOR抑制剂的预测模型。基于此模型和分子对接，对SPECS和GSMTL化合物库进行虚拟筛选，遴选41个化合进行合成和购买。体外mTOR激酶实现筛选发现了7个全新结构的mTOR抑制剂，其中四个化合物对mTOR抑制剂的IC50 < 10 μM。其中化合物17展示了在四种癌细胞上的抗癌活性，即MCF-7，HeLa，MGC-803和C6，其IC50分别为1.90，2.74，3.50和11.05 μM。在抗癌分子机制研究方面，细胞测试和蛋白免疫印迹表明，化合物17是在细胞内靶向mTOR蛋白起到抗癌活性的。激酶体外选择性测试表明化合物17具有良好的选择性。化合物17通过增加cleaved caspase-3和PARP水平，来诱导癌细胞凋亡。此外，化合物17可以阻止细胞周期在G1/G0-phase。. 针对研究内容二，对基于片段的活性预测方法进行深入拓展应用。首先，针对212个激酶靶标，我们构建基于片段和人工智能的靶向激酶药物选择性与活性预测平台（KinProdPred）。该平台主要由激酶选择性预测和和虚拟筛选两个功能模块，有望进一步加速靶向激酶药物的研究与开发。其次，我们把优势药效片段方法扩展到胆碱酯酶抑制剂的发现体系上，设计合成并发现高活性的胆碱酯酶抑制剂。最后，在项目的实施过程中，我们还开发了基于杂交份子相似度的虚拟筛选平台（HybridSim-VS）和评估虚拟筛选的decoy分子设计与产生平台（RADER）。. 在该国自然课题的资助下，发表SCI论文6篇，待发表3篇。申请专利2项，授权软件著作权5项。培养研究生6名。