药物发现新突破：DEL筛选技术应对三大关键挑战
引言
DNA编码库（DEL）筛选技术已成为早期药物发现中成熟可靠的方法。众多大型制药公司（以及少数服务提供商）已建立DEL平台，且DEL成功案例的发表数量逐年增长。
DEL日益普及的原因之一在于其能有效解决当代药物发现中的关键问题。下文将重点探讨DEL在过去五年备受关注的三大药物发现领域的应用：诱导接近性、共价药物发现和机器学习。
诱导接近性
利用小分子诱导蛋白质对之间的接近性，代表了药物发现中的革命性新模态。该方法使研究人员能够调动细胞机制来调控蛋白质（或RNA）功能，从而有效缓解疾病。首个获得广泛关注的诱导接近性案例是靶向蛋白降解（TPD）。在TPD中，目标是诱导致病蛋白（常称为靶标蛋白或POI）与E3泛素连接酶之间的接近性。通过此过程，POI被引入E3相关的泛素化机制，进而被标记为蛋白酶体降解目标。因此，TPD不仅抑制疾病相关POI，还能彻底消除它们。
为通过小分子诱导这些蛋白质之间的接近性，该分子必须对两种蛋白质均具有结合亲和力。通常通过构建所谓“嵌合”化合物实现，即将针对E3和POI的结合基团通过化学连接子连接。这种模块化方法简化了TPD试剂的设计流程：E3结合剂在文献中已有详细记载，主要工作集中于发现POI结合剂、将其与已知E3配体连接，并优化降解效率和ADME特性。DEL技术在此工作流程中表现卓越。
DEL筛选本质上是结合实验。从大型库中分离出对POI具有亲和力的化合物，并通过DNA测序进行鉴定。由于TPD仅需结合亲和力（而非抑制等功能效应），DEL命中化合物可无缝整合到嵌合分子中，并评估其降解能力。可实施高效工作流程：DEL命中化合物在脱去DNA后重新合成，用反应性连接子替代DNA附着点；随后与市售E3配体（具有互补反应基团）偶联。这促进了快速阵列合成，能生成数十甚至数百种候选降解剂，探索E3配体、POI结合剂和连接子的多样化组合。这些候选降解剂可直接测试其蛋白质敲低效果。
2020年发表的一项研究描述了此工作流程（图1）。通过DEL筛选发现针对肿瘤靶点雌激素受体α（Erα）的配体，经反应性连接子重新合成后与E3配体连接。研究迅速确定E3 VHL是该系统的最佳配对伙伴，首个测试化合物显示出38 nM的Erα降解效力。
诱导接近性策略不仅限于TPD。更新的模态如AUTACs、RIBOTACs、DUBTACs等依赖自噬或RNA降解等不同细胞机制。这些方法通过靶向RNA、延长蛋白质寿命或非E3依赖机制降解蛋白质，扩展了诱导接近性工具包。但在所有情况下，均需高质量、可连接的配体，使DEL成为这些模态成熟过程中的强大赋能技术。
诱导接近性的新前沿是分子胶的出现——非嵌合化合物可诱导蛋白质相互作用。相较于前述模态，分子胶可能具有显著优势，因其应具备更优的可开发特性（如更低分子量、更少可旋转键、改进的代谢稳定性）。寻找新型分子胶极具挑战性；与其说是大海捞针，不如说是遍寻 haystack 山。幸运的是，DEL库的规模和广度表明直接发现分子胶应可行。目前多家实验室正进行DEL分子胶筛选概念验证实验，相关报告即将面世。
共价药物发现
DEL将加速的另一新兴（或复兴）模态是共价药物发现。此类药物通过反应性氨基酸侧链（如半胱氨酸）与生物靶标形成共价结合，通常为不可逆结合，即药物永久附着于靶标。该方法在效力、作用时长和药代动力学方面具有明显优势。但尽管如此，共价药物发现多年未受重视，主要源于对脱靶活性和毒性的担忧（需注意阿司匹林即为共价药物）。
近年来，共价药物发现重获关注。例如，2010年代初，多家公司将靶向半胱氨酸的共价激酶抑制剂推向市场。此外，化学蛋白质组学研究表明，蛋白质侧链反应性因局部环境差异显著，支持选择性靶向的可能性。最后，新型反应基团的出现超越了半胱氨酸靶向，使丝氨酸和赖氨酸等其他氨基酸成为可能靶标。
在此背景下，问题随之而来：如何最优发现共价药物？筛选大量反应性化合物因货架稳定性有限（相比非反应性化合物，后者常用于高通量筛选）而显得不切实际。然而，两种规避此问题的方法已取得成功：其一为重利用非共价化合物，即研究人员基于结合位点附近侧链的结构信息，将现有非共价配体附加反应基团以靶向特定侧链（如BTK抑制剂依鲁替尼即为例证）；其二为筛选少量共价片段并将命中化合物拓展为足够效力的候选药物（如KRas G12C抑制剂的发现，均基于加州大学旧金山分校肖卡特教授发现的小型反应性片段）。
DEL筛选代表共价药物发现的新颖有力方法。含反应基团的编码库可像常规DEL一样制备，反应基团的安装可在筛选前立即进行，以最小化储存时间和可能的分解。这些反应性库成员并非片段，而是完全拓展的类先导或类药物化合物。在筛选实验中，库与目标蛋白接触后，仅永久附着于蛋白（并经充分洗涤后仍存留）的化合物被测序分析。由于DEL分析基于命中化合物相对于其他库成员的差异富集，反应性导致的广泛交叉反应性在筛选实验中即被解决。因此，DEL直接应对了共价药物发现面临的主要挑战。
一项已发表的共价DEL筛选案例印证了这些优势。使用含多种反应基团的DEL筛选激酶BTK，所得命中化合物在结构上与任何已知非共价BTK抑制剂均不相关，但与该团队早前报道的DEL衍生BTK配体共享亚结构（图2）。此外，这些化合物表现出极高选择性，再次证明共价药物未必具有广泛交叉反应性。
机器学习
过去五年，机器学习（ML）在药物发现中的应用备受关注。ML有望驾驭药物发现研究产生的海量多样化数据，获得新见解。药物化学被描述为终极多参数优化问题，需同时优化效力、稳定性、通透性、毒性、溶解度等多重因素。ML擅长解决多参数问题，从而加速新药候选物的发现。
然而，药物发现中拥抱ML存在悖论：最具价值、最新型的药物靶标往往历史数据最少，尤其是化学数据。新靶标通过蛋白质组学或基因组学数据在文献中浮现，指示其参与特定疾病状态。随后数年，随着命中生成和先导优化推进，该靶标的化学数据资源逐步积累。这意味着对最高价值靶标，可能需要数年至数十年才能积累足够化学数据以发挥ML价值。
DEL技术可规避此问题。DEL筛选实验依赖DNA测序表征结合靶标的化合物结构。现代技术能以适中成本生成数百万条独立序列，使DEL能快速产生数百万化学数据点。此数据量超越任何其他筛选模态，其广度和深度足以应用ML。本质上，DEL筛选迅速生成其他模态需数年才能产生的数据量。因此，即使全新靶标也能通过DEL筛选快速建立数据资源。
近期同行评议出版物验证了此观点。2020年报道的概念验证实验中，X-Chem与谷歌合作将ML应用于多个药学相关靶标的DEL数据集。所得ML模型擅长预测未测试虚拟库中的新结合剂。更近时期，该方法已超越概念验证，成功为此前无已知结合剂的靶标生成命中化合物。2023年初，多伦多大学和结构基因组联盟（SGC）的李及其同事展示了DEL与ML工作流程的实际应用，聚焦全新靶标DCAF1。发表时，DCAF1尚无已知配体，因此缺乏用于ML模型训练的历史数据。通过DEL筛选生成数据模型，首个已知DCAF1配体在商业虚拟库中被发现（图3）。
同一机构研究人员近期披露了该工作流程的第二个案例。此次靶标为WDR91（另一无已知配体的全新靶标）。DEL与ML工作流程再次成功生成WDR91的首个已知配体。基于这些成功，X-Chem与SGC近期宣布合作，旨在规模化应用此技术，利用DEL与ML为未来药物靶标寻找探针。
随着该方法持续发展，其应用可能从学术早期采用者扩展至生物技术和制药行业。关键问题仍存：适用范围的广度，以及构建有效模型所需库和筛选数据的关键规模。我们热切期待未来数年该领域的发展，以攻克未来棘手靶标。
总结
药物发现中机遇与挑战并存。新型模态如诱导接近性，有望开辟疾病治疗新视野；创新为共价药物发现等传统技术注入新活力；计算能力进步使ML得以揭示海量数据中的隐藏规律。在所有三个案例中，DNA编码库筛选技术的力量将驱动并赋能这些进步，创造未来药物，满足全球患者的未满足医疗需求。
参考文献
- Békés M, Langley D R, Crews C M. PROTAC靶向蛋白降解剂：历史的序幕. Nat Rev Drug Discov 21, 181–200 (2022)
- Disch J S等. 双特异性雌激素受体α降解剂：基于DNA编码化学库筛选发现的新型结合剂. J Med Chem 2021, 64, 8, 5049–5066
- 依鲁替尼. (2023年9月12日) 维基百科.
- Cully M. 难以成药？难以置信. Nature Briefing (2020).
- McCloskey K等. DNA编码库上的机器学习：命中发现新范式. J Med Chem 2020, 63, 16, 8857–8866
- 李 A S M等. DCAF1小分子配体的纳米摩尔级发现. J Med Chem 2023, 66, 7, 5041–5060
- Ahmad S等. 基于DNA编码化学库筛选结合机器学习发现首个WDR91小分子配体. J Med Chem 2023, 66,23, 16051–16061
- X-Chem与结构基因组联盟合作解锁人类蛋白质组并促进开放科学. (2023年9月28日) 新闻稿. X-Chem.
马特·克拉克博士 是DNA编码库（DEL）领域的全球公认创新者和领军人物。他曾是X-Chem创始团队成员，历任化学副总裁、研究高级副总裁及首席执行官，后升任首席科学官。在其科学领导下，公司从专业化学发现平台发展为服务生物制药行业的全球领先药物发现引擎。加入X-Chem前，他担任葛兰素史克化学总监，领导团队负责早期DEL的设计与合成。职业生涯始于Praecis Pharmaceuticals，在DEL技术早期开发与实施中发挥关键作用。作为DEL领域的思想领袖，他拥有多项专利和核心DEL出版物。他获加州大学圣地亚哥分校生物化学学士学位、康奈尔大学化学博士学位，并在麻省理工学院完成博士后研究。
【全文结束】
