藥物虛擬篩選常用的人工智能新算法

朱賢兌，馮佳寧，岳永婷，呂旭東，張志斐，楊兆勇

·綜述·

藥物虛擬篩選常用的人工智能新算法

朱賢兌，馮佳寧，岳永婷，呂旭東，張志斐，楊兆勇

063210 唐山，華北理工大學(xué)藥學(xué)院（朱賢兌、馮佳寧、岳永婷、張志斐）；100050 北京，中國醫(yī)學(xué)科學(xué)院北京協(xié)和醫(yī)學(xué)院醫(yī)藥生物技術(shù)研究所代謝工程室（呂旭東、楊兆勇）

藥物開發(fā)是一個非常耗費時間與金錢的過程。有相關(guān)研究指出，典型創(chuàng)新藥物的開發(fā)后期階段，即從新藥臨床試驗到最終申請獲批平均需要 9.1 年，平均成本為 28.7 億美元，而這個數(shù)字還在不斷上升[1-3]。藥物虛擬篩選利用計算機強大的計算能力，通過特定的算法從結(jié)構(gòu)多樣性豐富的化合物庫中發(fā)現(xiàn)可能治療特定疾病的先導(dǎo)化合物，是創(chuàng)新藥物的開發(fā)前期階段發(fā)現(xiàn)候選新藥的一種常用方法，與高通量篩選相比，具有更快、更經(jīng)濟的優(yōu)點。然而，隨著蛋白質(zhì)-配體復(fù)合物晶體結(jié)構(gòu)以及相關(guān)實驗數(shù)據(jù)的數(shù)據(jù)量大幅增加，增大了建模的難度。再加上基于分子對接的虛擬篩選搜索化合物主要根據(jù)評分函數(shù)計算結(jié)果來判斷是否命中化合物，評價標(biāo)準(zhǔn)單一，既往的虛擬篩選暴露出準(zhǔn)確性低下和低效率的缺點。

近年來，人工智能（artificial intelligence，AI）技術(shù)，特別是其子領(lǐng)域機器學(xué)習(xí)（machine learning，ML）亦或深度學(xué)習(xí)（deep learning，DL）在圖像處理和自然語言處理方面取得了前所未有的突破。人工智能算法已經(jīng)實現(xiàn)了模仿人類的認知功能，比如學(xué)習(xí)技能和解決實際問題。對于生物以及化學(xué)領(lǐng)域浩瀚的數(shù)據(jù)海洋，人工智能算法均可將其“學(xué)習(xí)”分類，然后再篩選過程中充分考慮這些因素，提高其準(zhǔn)確性[4-5]。再有絕大多數(shù)的 AI 算法是可以通過圖像處理單元（GPU）來進行加速的[6]，GPU 硬件的大力發(fā)展，讓數(shù)以億計的化合物篩選變得很容易完成。本文著重介紹虛擬篩選中越來越被廣泛使用的人工智能或者機器學(xué)習(xí)的最新算法。

1 常用的虛擬篩選方法簡介

建立龐大的結(jié)構(gòu)多樣的化合物庫能提高虛擬篩選結(jié)果的準(zhǔn)確度。虛擬篩選需要使用包含幾千到幾百萬甚至上億的小分子數(shù)據(jù)庫，用來篩選特定靶點蛋白的有效結(jié)合劑或抑制劑。數(shù)據(jù)庫包含的小分子可以是已知的藥物分子、可以是優(yōu)化后合成的先導(dǎo)化合物，也可以是天然產(chǎn)物或者活性分子。目前免費的用于虛擬篩選的化合物庫，比如 Pubchem、Zinc、Drugbank，它們各有優(yōu)劣，都包含了特定信息的小分子結(jié)構(gòu)。當(dāng)然也有很多商業(yè)的小分子數(shù)據(jù)庫對于虛擬篩選是免費的，它們的優(yōu)勢在于可以直接購買篩選到的小分子，而不用實驗室化學(xué)合成[7-8]。

對化合物結(jié)構(gòu)的預(yù)處理是開展虛擬篩選要完成的準(zhǔn)備工作。將 1D（SMILES）和 2D（SDF）格式的小分子轉(zhuǎn)化成 3D 格式，并且添加相應(yīng) pH 的氫原子。對于化合物結(jié)構(gòu)的準(zhǔn)備有諸多過程，比如過濾掉金屬有機化合物和含反應(yīng)性基團的化合物；去除鹽中的金屬離子，保留酸根和堿基部分；去除重復(fù)結(jié)構(gòu)；不同質(zhì)子化狀態(tài)結(jié)構(gòu)的枚舉；不同立體異構(gòu)體、環(huán)構(gòu)象、大環(huán)分子不同構(gòu)象的枚舉等。在這里，簡單介紹關(guān)于靶點結(jié)構(gòu)的選擇和處理。

根據(jù)靶蛋白的立體結(jié)構(gòu)建立化合物篩選模型是虛擬篩選是否成功的關(guān)鍵步驟。靶點蛋白的晶體結(jié)構(gòu)一般從 PDB 數(shù)據(jù)庫中檢索和下載。如果沒有相關(guān)的結(jié)構(gòu)一般通過同源建模的方法構(gòu)建蛋白結(jié)構(gòu)，如 SWISS-MODEL、MODELLER，還有之后會介紹到的 AlphaFold2 等。對于蛋白結(jié)構(gòu)的準(zhǔn)備，涉及到質(zhì)子化處理以及修補丟失殘基。

接下來就是最重要的一步，進行小分子的虛擬篩選。如果是基于蛋白靶點的篩選，主要是指分子對接的過程。對于結(jié)合位點明確的靶點，則使用更加精確的對接盒子使篩選更加高效；對于結(jié)合位點未知的靶點，則涉及到預(yù)測蛋白結(jié)合位點的步驟，這會比盲對接的準(zhǔn)確度更高。利用各種對接軟件（如 Autodock）基于空間匹配和能量匹配進行構(gòu)象搜索，這個過程一般為半柔性對接，即把小分子設(shè)置為柔性可扭轉(zhuǎn)狀態(tài)。這個過程涉及到構(gòu)象搜索算法和打分函數(shù)，這兩者與篩選對接的質(zhì)量息息相關(guān)。如果是僅僅基于配體的篩選，也就是說已知目標(biāo)靶點抑制劑，根據(jù)其結(jié)構(gòu)和化學(xué)相似性預(yù)測具有相似或更高活性的抑制劑小分子[9]。

最后，進行候選小分子化合物的脫靶性以及吸收、分配、代謝、排泄和毒性（ADMET）預(yù)測。候選小分子對靶點蛋白的選擇性至關(guān)重要，它與副作用相關(guān)。目前可以用反向篩選的方法來判斷候選小分子存在的其他潛在的結(jié)合靶標(biāo)進而評估其對目標(biāo)靶蛋白的選擇性[10]。對于 ADMET 預(yù)測可以使用在線服務(wù)器完成，實現(xiàn)快速估計生物利用度、選擇性、毒性和一般藥代動力學(xué)特性，以便在最終實驗測試之前更嚴格地篩選化合物。

2 虛擬篩選應(yīng)用的人工智能新算法

2.1 蛋白三維結(jié)構(gòu)建模

AlphaFold2（AF2）[11]無論在人工智能領(lǐng)域還是生命科學(xué)領(lǐng)域都是過去一年最具創(chuàng)新的方法。AF2 也被評為 2021 年度十大科學(xué)突破成果之一，并且居于首位。AF2 模型基于深度學(xué)習(xí)算法，是一種新穎的機器學(xué)習(xí)方法。它將蛋白質(zhì)結(jié)構(gòu)的物理和生物知識，利用多序列比對（multiple sequence alignment，MSA）納入設(shè)計中，在多數(shù)結(jié)構(gòu)預(yù)測中展示出接近實驗結(jié)晶結(jié)構(gòu)的準(zhǔn)確性，大大優(yōu)于現(xiàn)存其他蛋白結(jié)構(gòu)預(yù)測方法。該算法運行的關(guān)鍵模塊稱作“Evoformer”。該部分共有 48 個“Evoformer block”，每個“Evoformer block”的輸入和輸出都是包含橫向、縱向注意力機制，三角乘法更新及三角注意力機制。AF2 采用信息不斷在整個深度網(wǎng)絡(luò)來回循環(huán)流動的思想，提高最終的推斷結(jié)構(gòu)的合理性與準(zhǔn)確性。由于 AF2 的高曝光，出現(xiàn)了針對其模型準(zhǔn)確性的質(zhì)疑[12-13]，但 AF2 對傳統(tǒng)的蛋白質(zhì)空間結(jié)構(gòu)測定方法的顛覆性影響不容忽視。

ESMFold[14]是由 Facebook 旗下的 MetaAI 團隊開發(fā)的蛋白結(jié)構(gòu)預(yù)測算法，其使用 ESM1b 算法預(yù)測超過 6 億多個宏基因組蛋白的序列（AF2 為 2.2 億個），預(yù)測準(zhǔn)確性遜色于 AF2，但是預(yù)測速度是 AF2 的 60 倍，這將會使蛋白結(jié)構(gòu)預(yù)測擴展到更大的數(shù)據(jù)規(guī)模。RoseTTAFold[15]是著名蛋白計算設(shè)計大師 David Baker 教授開發(fā)的蛋白預(yù)測算法，也于 2021 年發(fā)表于期刊上，是僅次于 AF2 的蛋白結(jié)構(gòu)預(yù)測算法。

2.2 小分子結(jié)合口袋預(yù)測

DeepSite[16]是基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)方法。該網(wǎng)絡(luò)包括 4 個卷積層、2 個池化層、3 個 Dropout 層和 2 個全連接層。該方法通過利用蛋白質(zhì)的幾何、化學(xué)和進化特征用于尋找可能與小分子藥物化合物結(jié)合的蛋白結(jié)合口袋。該模型對 7622 個已知結(jié)合口袋的蛋白結(jié)合位點進行預(yù)測，并使用距離法和體積重疊法與 scPDB 結(jié)合位點數(shù)據(jù)庫進行比對評估，均得到了很好的結(jié)果。該模型也有一些不足，比如并未考慮水分子在結(jié)合位點的影響，因為對于小片段分子來說，水分子也可看作是結(jié)合口袋的一部分。DeepSite 對所有用戶都是免費的，根據(jù)輸入蛋白質(zhì)分子量的大小，預(yù)測時間可能會有所不同，通常耗時 2 min 左右。

DoGSiteScorer[17]也可用于預(yù)測藥物可藥性和確定藥物開發(fā)過程中某些疾病修飾靶點。該模型是通過支持向量機（SVM）對可藥性位點進行評分預(yù)測的，將尺寸、形狀和疏水性作為自動藥物可藥性預(yù)測的重要全局口袋描述符。蛋白-蛋白結(jié)合位點也是小分子藥物的重要抑制靶點。PRED_PPI[18]是基于支持向量機（SVM）的一個相對全面的預(yù)測系統(tǒng)，可以用于預(yù)測五種生物中的蛋白-蛋白結(jié)合位點，包括人類、酵母、果蠅、大腸桿菌和秀麗隱桿線蟲。該方法對人類蛋白質(zhì)相互作用檢測的平均準(zhǔn)確率為 90.67%，對秀麗隱桿線蟲預(yù)測的平均準(zhǔn)確率最高（97.51%）。該方法可以通過訪問在線網(wǎng)站隨時使用。

2.3 基于配體的篩選

Stokes 等[19]開發(fā)設(shè)計了一個能夠預(yù)測具有抗菌活性分子的深度神經(jīng)網(wǎng)絡(luò)。他們首先使用抑制大腸桿菌生長的 2335 種不同分子的集合來訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型，通過一組分子特征（原子序數(shù)、每個原子的鍵數(shù)、形式電荷、手性、鍵合氫數(shù)、雜化、芳烴性、原子質(zhì)量、鍵型、共軛、環(huán)隸屬、立體化學(xué)），超參數(shù)優(yōu)化和集成來增強模型。然后將模型用于一個超大小分子化合物庫（> 1.07 億個）去預(yù)測抗菌化合物，確定了 8 種在結(jié)構(gòu)上與已知抗生素相差很大的抗菌化合物。最終結(jié)合實驗發(fā)現(xiàn)了廣譜抗生素 Halicin。

中國醫(yī)學(xué)科學(xué)院藥物研究所汪小澗團隊在開發(fā) JAK2 抑制劑時基于 3 種不同類型的指紋和極端梯度增強（XGBoost）方法，開發(fā)了 3 組模型，每組包含一個分類模型和一個回歸模型。首先在 PDB 和 BindingDB 數(shù)據(jù)庫中分別收集對 JAK2 酶蛋白有活性和無活性的小分子進行訓(xùn)練和測試，隨后多次針對活性大小進行訓(xùn)練來完成回歸模型的構(gòu)建優(yōu)化。訓(xùn)練之后的分類模型使用相同的測試集進行虛擬篩選，結(jié)果優(yōu)于 Glide 和 Autodock Vina 的篩選結(jié)果?；貧w模型用于預(yù)測分類模型鑒定出的活性分子的比活性值，訓(xùn)練后的回歸模型也表現(xiàn)出了優(yōu)秀的結(jié)果（2max= 0.80）[20]。

2.4 基于受體的篩選

牛津大學(xué) Scantlebury 等[21]提出了 PointVS 模型，一個基于機器學(xué)習(xí)的蛋白質(zhì)-藥物關(guān)聯(lián)打分函數(shù)，即用來預(yù)測結(jié)合親和度和姿態(tài)分數(shù)。該模型使用了一種基于 E(n)-等變圖神經(jīng)網(wǎng)絡(luò)（EGNN）層的架構(gòu)。首先去除測試和訓(xùn)練集中的重疊蛋白三維結(jié)構(gòu)，然后對 PointVS 在對接能力和評分能力測試上的性能進行基準(zhǔn)測試。最后，使用特定屬性（gnina 的原子掩蔽和 PointVS 的邊緣“注意力”）來深入探索蛋白質(zhì)口袋中的重要結(jié)合區(qū)域，將其用于小分子片段細化的評分。與非機器學(xué)習(xí)方法相比，PointVS 在結(jié)合親和力的預(yù)測性能方面有了實質(zhì)性的改進。PointVS 不是學(xué)習(xí)記憶配體信息，而是識別重要的相互作用，并且還是第一個基于機器學(xué)習(xí)的從蛋白質(zhì)目標(biāo)提取結(jié)構(gòu)信息的方法，這種方法對片段細化對接評分非常重要。

Adeshina 等[22]開發(fā)了 vScreenML 模型，它是一個基于 XGBoost 框架構(gòu)建的虛擬篩選通用分類器。團隊采用自己開發(fā)的數(shù)據(jù)集（D-COID）來訓(xùn)練模型，在評價結(jié)合能的能量打分函數(shù)中，模型使用了 Rosetta 能量函數(shù)、RF-Score（計算特定的成對分子間接觸發(fā)生的特征）、BINANA（分子間接觸的分析）、ChemAxon（配體特異性的分子描述符）和 Szybki（捕獲結(jié)合時丟失的配體構(gòu)象熵的項）。與其他8 個機器學(xué)習(xí)打分函數(shù)（nnscore[23]、RF-Score v1[24]、RF-Score v2[25]、RF-Score v3[26]、PLEClinear[27]、PLECnn[27]、PLECrf[27]和 RF-Score-VS[28]）相比，vScreenML 在統(tǒng)計學(xué)上表現(xiàn)出更好的結(jié)果。最后以人類乙酰膽堿酯酶（AChE）作為靶標(biāo)，使用 vScreenML 模型對含有 7.32 億個化學(xué)分子的分子庫進行了篩選，選取前 100 個作為候選抑制劑分子。結(jié)合實驗發(fā)現(xiàn)了最有效的抑制劑 AC6，該化合物的 IC50為 280 nmol/L，i值為 173 nmol/L。

2.5 候選小分子不良反應(yīng)預(yù)測

藥物的選擇性或者毒性會造成藥物在體內(nèi)的不良反應(yīng)，對于藥物不良反應(yīng)的預(yù)測對實驗評估有一定的參考，也會有助于藥物候選量的進一步過濾。Liu 等[29]開發(fā)了基于 K 近鄰（KNN）的模型。該模型具有數(shù)據(jù)融合和分子相似搜索的高效準(zhǔn)確的特征，可以用于藥物庫與靶標(biāo)庫之間的脫靶效應(yīng)。該模型搭載在一個在線網(wǎng)站上，可以方便用戶使用。Xu 等[30]開發(fā)了一種改進的分子圖編碼卷積神經(jīng)網(wǎng)絡(luò)（MGE-CNN）架構(gòu)的深度學(xué)習(xí)方法—— deepAOT。構(gòu)建了 3 種 AOT 模型：回歸模型（deepAOT-R）、多分類模型（deepAOT-C）和多任務(wù)模型（deepAOT-CR）。該模型可以用于評價藥物的復(fù)合急性口服毒性（AOT）。經(jīng)過大鼠體內(nèi)實驗進行評估，證明了計算結(jié)果準(zhǔn)確無誤，但在人體中的評估準(zhǔn)確性有待考驗。

3 展望

目前全世界整個藥物開發(fā)產(chǎn)業(yè)步伐逐漸放緩，對新的實驗技術(shù)方案或者開發(fā)思路的渴求日益增多。在藥物篩選領(lǐng)域，應(yīng)用以機器學(xué)習(xí)為代表的人工智能技術(shù)可以克服一些既有算法的缺點。盡管通過機器學(xué)習(xí)等人工智能技術(shù)取得的藥物篩選結(jié)果依然需要實驗驗證成藥性，但具備的高效率將極大推動創(chuàng)新藥物的發(fā)展。

[1] Brown DG, Wobst HJ. A decade of FDA-approved drugs (2010-2019): trends and future directions. J Med Chem, 2021, 64(5):2312-2338.

[2] Brown DG, Wobst HJ, Kapoor A, et al. Clinical development times for innovative drugs. Nat Rev Drug Discov, 2022, 21(11):793-794.

[3] DiMasi JA, Grabowski HG, Hansen RW. Innovation in the pharmaceutical industry: new estimates of R&D costs. J Health Econ, 2016, 47:20-33.

[4] Hassanzadeh P, Atyabi F, Dinarvand R. The significance of artificial intelligence in drug delivery system design. Adv Drug Deliv Rev, 2019, 151-152:169-190.

[5] Arul Murugan N, Ruba Priya G, Narahari Sastry G, et al. Artificial intelligence in virtual screening: Models versus experiments. Drug Discov Today, 2022, 27(7):1913-1923.

[6] Jorda M, Valero-Lara P, Peqa AJ. Performance evaluation of cuDNN convolution algorithms on NVIDIA volta GPUs. IEEE Access, 2019, 7(99):70461-70473.

[7] Yu MZ, Zhang PL, Lv SF, et al. Construction of a 3D structural platform of small molecule compounds. J Zhengzhou Univ (Med Sci), 2019, 54(1):46-50. (in Chinese)

于明珠, 張鵬莉, 呂思凡, 等. 小分子化合物3D結(jié)構(gòu)數(shù)據(jù)庫的構(gòu)建. 鄭州大學(xué)學(xué)報(醫(yī)學(xué)版), 2019, 54(1):46-50.

[8] Liu Y, Ahmed S, Fang Y, et al. Discovery of chitin deacetylase inhibitors through structure-based virtual screening and biological assays. J Microbiol Biotechnol, 2022, 32(4):504-513.

[9] Lin X, Li X, Lin X. A review on applications of computational methods in drug screening and design. Molecules, 2020, 25(6):1375.

[10] Glaab E. Building a virtual ligand screening pipeline using free software: A survey. Brief Bioinform, 2016, 17(2):352-366.

[11] Jumper J, Evans R, Pritzel A, et al. Highly accurate protein structure prediction with AlphaFold. Nature, 2021, 596(7873):583-589.

[12] Hu M, Yuan F, Yang KK, et al. Exploring evolution-based &-free protein language models as protein function predictors. ArXiv, 2022, arXiv:2206.06583.

[13] Chakravarty D, Porter LL. AlphaFold2 fails to predict protein fold switching. Protein Sci, 2022, 31(6):e4353.

[14] Lin Z, Akin H, Rao R, et al. Evolutionary-scale prediction of atomic-level protein structure with a language model. Science, 2023, 379(6637):1123-1130.

[15] Baek M, DiMaio F, Anishchenko I, et al. Accurate prediction of protein structures and interactions using a three-track neural network. Science, 2021, 373(6557):871-876.

[16] Jiménez J, Doerr S, Martínez-Rosell G, et al. DeepSite:Protein-binding site predictor using 3D-convolutional neural networks. Bioinformatics, 2017, 33(19):3036-3042.

[17] Volkamer A, Kuhn D, Grombacher T, et al. Combining global and local measures for structure-based druggability predictions. J Chem Inf Model, 2012, 52(2):360-372.

[18] Guo Y, Li M, Pu X, et al. PRED_PPI: A server for predicting protein-protein interactions based on sequence data with probability assignment. BMC Res Notes, 2010, 3:145.

[19] Stokes JM, Yang K, Swanson K, et al. A deep learning approach to antibiotic discovery. Cell, 2020, 180(4):688-702, e13.

[20] Yang M, Tao B, Chen C, et al. Machine learning models based on molecular fingerprints and an extreme gradient boosting method lead to the discovery of JAK2 inhibitors. J Chem Inf Model, 2019, 59(12): 5002-5012.

[21] Scantlebury J, Vost L, Carbery A, et al. A step towards generalisability: training a machine learning scoring function for structure-based virtual screening. BioRxiv, 2023-02-28. Online ahead of print.

[22] Adeshina YO, Deeds EJ, Karanicolas J. Machine learning classification can reduce false positives in structure-based virtual screening. Proc Natl Acad Sci U S A, 2020, 117(31):18477-18488.

[23] Durrant JD, Mccammon JA. NNScore 2.0: a neural-network receptor-ligand scoring function. J Chem Inf Model, 2011, 51(11): 2897-2903.

[24] Ballester PJ, Mitchell JB. A machine learning approach to predicting protein-ligand binding affinity with applications to molecular docking. Bioinformatics, 2010, 26(9):1169-1175.

[25] Ballester PJ, Schreyer A, Blundell TL. Does a more precise chemical description of protein-ligand complexes lead to more accurate prediction of binding affinity? J Chem Inf Model, 2014, 54(3):944- 955.

[26] Li H, Leung KS, Wong MH, et al. Improving autodock vina using random forest: The growing accuracy of binding affinity prediction by the effective exploitation of larger data sets. Mol Inform, 2015, 34(2-3):115-126.

[27] Wójcikowski M, Kukie?ka M, Stepniewska-Dziubinska MM, et al. Development of a protein-ligand extended connectivity (PLEC) fingerprint and its application for binding affinity predictions. Bioinformatics, 2019, 35(8):1334-1341.

[28] Shen C, Hu Y, Wang Z, et al. Beware of the generic machine learning-based scoring functions in structure-based virtual screening. Brief Bioinform, 2021, 22(3):bbaa070.

[29] Liu X, Gao Y, Peng J, et al. TarPred: a web application for predicting therapeutic and side effect targets of chemical compounds. Bioinformatics, 2015, 31(12):2049-2051.

[30] Xu Y, Pei J, Lai L. Deep learning based regression and multiclass models for acute oral toxicity prediction with automatic chemical feature extraction. J Chem Inf Model, 2017, 57(11):2672-2685.

10.3969/j.issn.1673-713X.2023.03.011

國家自然科學(xué)基金面上項目（81872782）；河北省自然科學(xué)基金（B2020209001）

張志斐，Email：zhangzhifeifei7208@163.com；楊兆勇，Email：zhaoyongy@imb.pumc.edu.cn

2023-04-24