Nature | 药物优化中“碰运气”的成功率能有多高？|化合物|受体|小分子抑制剂|活性|药代|药物优化|蛋白|配体

先导化合物优化是药物研发中的关键环节，从一个初始命中化合物到候选药物，往往需要设计并测试数百个类似物。然而，这一过程的效率长期缺乏可量化的基准。只有知道在没有针对性设计的情况下，简单结构修饰本身有多大概率带来活性或药代性质的改善，才能进一步判断一种优化策略所获得的提升是否真正超出了随机预期，并客观评价自由能微扰（free energy perturbation, FEP）、基于人工智能（AI）的药物吸收、分布、代谢、排泄及毒性（ADMET）预测等计算方法在分子优化中的额外贡献。现有公开数据虽然提供了一定线索，但由于受到人为设计、发表偏倚及不同实验条件等因素的影响，难以直接作为这一基础基线。

为建立一个尽量减少人为设计偏倚的小分子优化背景，研究团队选取 6 个蛋白靶点和 18 个母体化合物，在合成可行的范围内系统地进行单一重原子修饰，并在不进行人为优选的情况下获得一组类似物，统一测定其亲和力或效力以及多项体外药代性质。通过这种方式，研究试图回答一个基础问题：如果不预先挑选“更有希望”的设计，仅仅进行系统的小幅结构扰动，获得显著改善的背景概率究竟有多高？

近日，加州大学旧金山分校（UCSF）Brian K. Shoichet、James S. Fraser团队，北卡罗来纳大学教堂山分校Bryan L. Roth团队及合作者在Nature发表题为Development of a random background to understand ligand optimization的研究论文。加州大学旧金山分校许心宇博士、Olivier Mailhot博士和Galen J. Correy博士，以及北卡罗来纳大学教堂山分校Xi-Ping Huang博士为共同第一作者。研究最终合成并测试了 257 个类似物，由此开始为配体优化建立可量化的“随机背景”（random background）。

系统地围绕母体分子骨架进行单一重原子修饰

研究选择的 6 个靶点覆盖不同类型的药物靶标，包括 3 个 G 蛋白偶联受体——α2A 肾上腺素能受体（α2AAR）、μ 阿片受体（μOR）和大麻素 2 型受体（CB2），1 个转运体——5-羟色胺转运体（SERT），以及 2 个可溶性蛋白——AmpC β-内酰胺酶和 SARS-CoV-2 macrodomain 1（Mac1）。18 个母体化合物代表 11 种化学骨架，起始活性横跨约 1 nM 至 43 μM。

研究团队并未对这些修饰进行人为设计或筛选，而是在合成可行的范围内，尽可能系统、全面地覆盖母体分子骨架上所有可能的单一重原子修饰，包括 H→CH₃、H→F、H→Cl、H→OH 以及芳香环 C→N 等变化。实际纳入的限制主要来自商业合成的可及性和价格，同时排除会改变生理 pH 下分子净电荷的修饰。最终共合成并测试 257 个类似物。

研究随后测量这些类似物相对于母体化合物的亲和力或效力变化，并检测溶解度、血浆蛋白结合、血浆稳定性、肝微粒体稳定性、膜通透性和 hERG 抑制等体外药代相关性质。同时，研究还利用 FEP+ 以及多种 ADMET 预测模型，评估这些细微结构变化在多大程度上能够被现代计算方法预测。

图 1 | 研究总体流程。围绕来自 6 个靶点的母体化合物系统进行单一重原子修饰，随后检测亲和力或效力及多项体外药代性质，并进行 FEP 和 ADMET 预测。图源：Xu et al., Nature (2026)，原文 Fig. 1a。

约 11% 的随机单一重原子修饰可实现十倍以上的活性提升

结果显示，在 257 个类似物中，29 个类似物（11.3%）相对于母体化合物实现了约 10 倍或以上的亲和力或效力提升。这样的显著提升出现在 6 个靶点中的 5 个，也出现在 18 个母体化合物中的 10 个。不同修饰产生显著活性提升的频率并不相同。甲基取代最容易带来 10 倍或以上的活性改善，氯取代次之；氟取代和芳香环 C→N 则较少产生同等幅度的提升。

研究还考察了母体化合物的分子量和起始活性，以及结合位点体积和 D-score 等性质是否能够预测出现大幅活性提升的概率，但均未观察到有意义的相关性。进一步分析显示，这些活性改善并不能简单归因于疏水性的增加。由此，这组数据开始给出一个可量化的背景期望：在不同骨架和不同靶点上，未经针对性设计的单一重原子修饰本身就可能以并不低的频率带来显著的亲和力或效力改善。

活性提升并不意味着药代性质同步改善

药物优化的难点并不只是提高靶点活性，药代动力学性质也同样重要。研究发现，单一重原子修饰同样有机会明显改善某一项体外药代性质：12.4% 的类似物将肝微粒体稳定性提高 3 倍或以上，20.8% 提高血浆稳定性，13.8% 提高溶解度，6.2% 提高通透性，13.2% 提高血浆游离分数。

然而，这些改善通常并不同步。在获得约 10 倍或以上活性提升的 29 个类似物中，没有一个能够同时改善代谢稳定性、PAMPA 通透性和血浆游离分数这三项关键性质。整体来看，亲和力或效力的变化与多项体外药代性质至多相互独立，其中一些指标甚至与活性提升呈反相关；而甲基和氯等最常带来活性提升的修饰，也较少同时带来药代性质的改善。论文将这种现象概括为配体优化中的“frustrated landscape”：一个方向的改善往往伴随着其他方向的代价。

计算方法能否帮助预测活性及药代性质的变化？

在建立这一实验背景后，研究进一步评估了 FEP 和多种 AI/机器学习模型对类似物活性及体外药代性质变化的预测能力。结果发现，FEP+ 对整体结合自由能（ΔG）的预测表现较好：219 个预测中有 188 个与实验值相差不超过 ±2 kcal/mol，129 个位于 ±1 kcal/mol 以内，ΔG 的平均无符号误差为 1.06 kcal/mol。相比之下，要准确预测一次细微结构修改带来的相对活性变化（ΔΔG）仍然更具挑战。部分较大的预测误差与初始 docked pose 不准确有关；而高分辨率实验结构也显示，看似很小的化学变化有时会伴随配体位置变化、蛋白侧链重排或多种结合构象，使预测进一步复杂化。

在体外药代性质方面，研究使用 ADMET-AI、ADMETlab 3.0 和 Deep-PK 进行预测。对于血浆游离分数和膜通透性，一些模型已经表现出一定的预测能力；而对于肝微粒体稳定性、血浆稳定性和溶解度等性质，实验与预测之间的相关性仍然较弱。总体而言，现有计算方法可以为分子选择和优化提供帮助，但其准确度仍不足以替代系统的化合物合成与实验测试。

单一性质的显著改善有时可以补偿其他性质的下降

尽管在这一随机背景中很难找到多个性质同时改善的类似物，但某一关键性质上的显著提升，有时仍可以补偿其他性质的劣势。α2A 受体激动剂系列中的 ‘4905 提供了这样一个例子。与母体化合物 ‘3629 相比，‘4905 的体外效力显著提高，但部分药代性质同时变差。

这种不利变化在体内药代中同样存在：‘4905 的脑脊液（CSF）浓度较母体化合物降低约 36%，体内半衰期也由 196 min 缩短至 15.2 min。尽管如此，体外效力的提升在一定程度上补偿了这些药代性质的下降，使 ‘4905 在小鼠 tail-flick、神经病理性疼痛（SNI）和 hotplate 等模型中的体内活性仍显著优于母体化合物。

这一结果说明，多参数优化并不一定要求所有性质同时向同一方向改善。在某些情况下，一个关键方向上足够大的提升，可以克服其他性质上的劣势，并最终改善分子的整体体内表现。

总结

为配体优化建立可比较的随机背景

这项工作的核心并不是说明“随机修改”可以取代理性设计，而是希望回答一个更基础的问题：在没有针对性设计的情况下，仅通过随机的单一重原子修饰，分子本身有多大概率获得显著改善？

通过对 18 个母体化合物和 257 个类似物进行系统测试，研究开始为配体优化建立一个实验性的随机背景。结果显示，约 11% 的随机单一重原子修饰可以带来约十倍以上的亲和力或效力提升，但这种改善通常并不会伴随药代性质的同步优化。相反，不同性质之间经常存在明显的相互制约，构成一个复杂的多参数优化空间。

不过，这种多参数之间的权衡并不意味着所有性质都必须同时改善，分子才有可能取得更好的整体表现。正如 ‘4905 所展示的那样，某一关键性质上足够大的提升，有时可以补偿其他性质的下降，并最终转化为更好的体内活性。

因此，这一随机背景不仅为评估不同配体优化策略提供了一个可比较的基准，也进一步定量展示了药物优化过程中长期存在的多参数权衡。与此同时，FEP 和 AI/机器学习方法已经能够在一定程度上预测活性和部分药代性质的变化，但目前仍不足以完全替代系统的化合物合成与实验测试。作者也指出，目前的数据集仍然有限：257 个类似物和 6 个靶点远未覆盖广泛的化学与靶点空间，未来扩展到更多靶点和配体类别后，这一随机背景仍有待进一步完善。

https://www.nature.com/articles/s41586-026-11013-5

制版人：十一

学术合作组织

（*排名不分先后）