基于药效团的激酶谱分析应用于 PKIS2 化学基因组数据集

这对未来药物有何意义

许多现代药物通过阻断被称为激酶的酶发挥作用，激酶在细胞中如同开关一样控制信号通路。然而，大多数药物分子并不只作用于一个“开关”；它们通常同时影响多个开关，这既可能有益也可能有风险。本研究提出了一种新的方法，用以解读使分子与特定激酶结合的隐含“三维形状密码”，基于一个非常大的公开激酶抑制剂数据集。该方法可帮助研究者设计更具针对性的药物——无论是高度选择性还是有意的多靶——通过了解分子中哪些三维特征模式倾向于激活哪些激酶。

在分子海洋中寻找共同形状

作者以 PKIS2 为起点——这是一个包含 645 个小分子、在 406 种人类激酶上测试的化学基因组集合。研究者没有为每种激酶手工挑选少量代表化合物，而是让数据本身说话。对每个分子，他们生成多种可能的三维构象，并将每种构象转化为一幅简单的关键结合特征图，例如氢键位点、带电基团、疏水区和芳香环。这些被称为药效团的地图捕捉了这些特征在空间中的相对位置，而不依赖于详细的化学结构。通过在所有化合物中挖掘成千上万张此类地图，团队自动提取出在许多不同分子中反复出现的三维模式——“药效团假设”。

评估哪些形状与哪些激酶相关

一个核心挑战是判断哪些药效团模式确实与生物活性相关，哪些只是统计噪声。研究者引入了一种新的评分方法——标准化富集度量（Normalized Enrichment Measure，NEM），用于比较匹配某一药效团的化合物在某激酶上活跃的频率与数据集中任意化合物在同一激酶上活跃的基线频率。与旧的方法不同，NEM 校正了某些激酶被许多化合物命中的事实，而另一些激酶则很少被命中，从而可以在整个激酶面板上更公平地评判模式。他们关注中等复杂度的药效团，通常包含四到五个特征，这既能覆盖几乎所有分子，又避免稀有的、过于特异的模式。

揭示共享与选择性的激酶谱

通过对每个药效团—激酶对应用 NEM，研究构建了一张丰富的地图，展示三维特征模式如何与激酶活性相关。对每个药效团，他们可以看到它倾向于激活哪些激酶；对每个激酶，则能看到哪些药效团最能描述其活性配体。借助自动选择程序，他们将数千个候选项精简为紧凑的代表性药效团集合。以新兴癌症靶点 DDR1 为例，十一种此类三维模式解释了其大多数活性化合物，并表现出对更大类酪氨酸激酶家族的强烈偏向，符合已知生物学。对血管生成关键受体 VEGFR2 的类似分析也揭示出另一簇在酪氨酸激酶中富集的药效团，并再现了达沙替尼（dasatinib）和索拉非尼（sorafenib）等药物已知的多激酶谱。

与真实药物数据的交叉验证

为检验这些抽象模式在单一数据集之外是否有意义，作者将其投影到多个大型公共资源：ChEMBL、DrugBank、KLIFS、KINOMEscan、Kinobeads 和 LINCS 计划。从 PKIS2 提取的许多药效团也匹配 ChEMBL 中成千上万的激酶配体，并出现在蛋白质数据库（Protein Data Bank）中抑制剂与激酶结合的三维结构中。对于研究充分的药物，基于药效团的预测与实验测得的多激酶谱相一致。团队甚至展示了通过将 NEM 分数与简单逻辑规则结合——例如选择对 DDR1 强而对 VEGFR2 弱的药效团——可以划分出偏好某一激酶谱的模式，暗示了一条实际可行的控制选择性路线。

从模式地图到更智能的激酶设计

简单来说，这项工作为激酶药物发现构建了一种“地图注释”：它告诉我们在小分子中哪些简单的三维特征排列倾向于激活哪些激酶，且这种关系跨越多个数据集。由于该方法是无监督的、可扩展的，并作为开源软件发布，可以应用于任何新的筛选面板。化学家可以用它筛选虚拟化合物库、预测新分子可能作用的激酶，并识别某一骨架哪些部分驱动广泛活性或产生强选择性。随着时间推移，将这些药效团地图与现代机器学习模型结合，可能有助于通过使复杂的多靶药理学景观更易理解和可预测，来引导更安全、更有效的激酶药物设计。

引用: Bureau, R., Lamotte, JL., Cuissart, B. et al. Pharmacophore-driven kinase profiling applied to the PKIS2 chemogenomic dataset. Sci Rep 16, 12083 (2026). https://doi.org/10.1038/s41598-026-42945-7

关键词: 激酶抑制剂, 药效团建模, 多靶向药理学, 化学基因组学, 药物设计