JCIM | Kinase-Bench：提高激酶抑制剂选择性的综合基准测试工具

AIDD 榴莲忘返 2014

激酶作为细胞信号通路的调节剂，在药物化学中一直是肿瘤学、免疫学和传染病最具吸引力的药物靶点。然而，激酶结构的高度相似性导致脱靶毒性，造成严重的不良药物反应。例如，泛 JAK 抑制剂因缺乏对其他 JAK 成员的选择性，导致心血管疾病、肿瘤和死亡风险。本研究旨在解决激酶选择性问题，采用虚拟筛选结合定制的蛋白 - 配体相互作用过滤器，对激酶选择性进行了广泛的基准研究。研究者利用严格的计算分析和验证实验，评估了该方法在识别选择性激酶抑制剂方面的有效性和可靠性。

Jixing Liu https://jixing475.github.io/jixingBlog (Centre for Artificial Intelligence Driven Drug Discovery)https://www.mpu.edu.mo/esca/en/aidd.php
2025-02-05

导读

激酶作为细胞信号通路的调节剂，在药物化学中一直是肿瘤学、免疫学和传染病最具吸引力的药物靶点。然而，激酶结构的高度相似性导致脱靶毒性，造成严重的不良药物反应。例如，泛 JAK 抑制剂因缺乏对其他 JAK 成员的选择性，导致心血管疾病、肿瘤和死亡风险。

本研究旨在解决激酶选择性问题，采用虚拟筛选结合定制的蛋白 - 配体相互作用过滤器，对激酶选择性进行了广泛的基准研究。研究者利用严格的计算分析和验证实验，评估了该方法在识别选择性激酶抑制剂方面的有效性和可靠性。

图 1. (A) 人类激酶组树，根据七个主要结构家族进行颜色编码，并标记了关键激酶受体。(B) 激酶图的示意图，显示了本研究中目标的选择性值。(C) ATP 结合位点 (85 个残基) 的序列比对显示了本研究中所有激酶的保守性和多样性。

研究者检索了 322 种结构已被阐明和发表的激酶的所有已知配体活性数据。将具有亲和力和活性数据（来自 ChEMBL 数据库）的配体收集到单独的数据集中，并根据其选择性规则性能进行分离。所有 150 个数据集都系统地用于虚拟筛选方法，目的是理解和预测激酶选择性的分子基础。

此外，研究者尝试通过结合经典的（基于能量的）方法和定制的过滤规则来提高虚拟筛选的选择性性能。研究的工作流程包括以下步骤： (A) 选择性受体对定义； (B) 配体和 VS 诱饵数据库准备； (C) 虚拟筛选； (D) 评估和增强虚拟筛选性能。

图 2. 选择性激酶组基准虚拟筛选工作流程概述，包括 (A) 选择性受体对定义，(B) 配体数据库准备，(C) 虚拟筛选工作流程，以及 (D) 评估和增强虚拟筛选性能。

图 3. (A) 基于生物活性信息的所有激酶选择性化合物的统计热图。(B) 组合配体数据库，由选择性配体（绿色）和相应的诱饵（红色）组成。

通过系统地评估各种过滤器和筛选方案在不同激酶组中的性能，本研究希望阐明影响选择性的关键因素，并为合理设计激酶靶向疗法提供见解。最终，本研究致力于促进开发更安全、更有效的激酶抑制剂，从而改善各种疾病的治疗方法。

激酶虚拟筛选方法优化

研究者首先从 ChEMBL 数据库中检索了具有活性生物活性和结构信息的激酶抑制剂，并根据选择性定义了 150 个受体对和 75 个靶点。利用 DUD-E 在线工具生成了对应的 422,799 个诱饵分子。将选择性配体数据集和诱饵分子合并后，使用 RDKit 将其转换为三维 SDF 数据库，并计算了 Tanimoto 相似性、拓扑极性表面积 (TPSA)、氢键供体和氢键受体等分子理化性质。

图 4. (A, B) 基于 RDKit 生成的 Morgan 指纹，八个激酶家族活性配体数据库的 Tanimoto 相似性、拓扑极性表面积 (TPSA) (A)、氢键供体和氢键受体 (B) 的散点图和密度曲线。(C) 代表性已上市药物（例如，Itacitinib (JAK1)、Quizartinib (FLT3) 等）和其他最相似 ChEMBL 分子的基于结构的相似性图，通过 Morgan 指纹计算。

随后，研究者使用 LigPrep 模块对配体数据库进行处理，并使用 OPLS3 力场在 pH 7.4 ± 2 条件下进行离子化。从 PDB 数据库中获取了激酶晶体结构，并使用 Maestro 中的 Protein Preparation Wizard 模块进行预处理，包括添加氢原子和优化蛋白质能量状态。利用 Prime 程序填充缺失的环和侧链，并根据共晶配体在 ATP 结合口袋中手动设置一个 10Å的盒子作为结合位点。

虚拟筛选模拟使用 Glide HTVS 进行，并使用对接分数、Glide Gscore 和 Glide Emodel 三种评分函数评估性能。此外，研究者基于 KLIFS 数据库和 PLIP 工具定义了定制的蛋白 - 配体相互作用过滤器。该过滤器考虑了七种不同类型的相互作用，并根据 150 个激酶的相互作用指纹 (IFP) 确定了 10 个关键的 KLIFS 残基位置。通过该过滤器，筛选出与这 10 个残基位置形成氢键或芳香相互作用的对接构象，并重新排序和计算富集因子。最后，通过激酶抑制实验和细胞生长抑制实验验证了筛选结果。

研究者还进行了激酶抑制实验和细胞生长抑制实验，以验证虚拟筛选方法的有效性。实验结果表明，定制的蛋白 - 配体相互作用过滤器可以有效提高筛选的命中率和富集因子。

图 5 展示了 150 个激酶及其共晶配体的相互作用指纹。

图 5. 150 个激酶及其共晶配体的相互作用指纹 (IFPs)。残基根据其 85 个 KLIFS 编号进行着色。结构受体 - 配体相互作用模式由 KLIFS 中的 IFP 位串描述，编码七种不同的相互作用类型：疏水相互作用、芳香面面相互作用、芳香面边相互作用、氢键供体（受体）、氢键受体（受体）、离子正电（受体）和离子负电（受体）。配体与不同激酶氨基酸残基之间发生的这些相互作用主要以蓝色着色。根据 IFPs 下方的密度曲线，相互作用发生在>80% IFPs 的残基点以绿色着色（KLIFS Nr. 3、11、15、17、45-48、77 和 80)，并设置为我们的自定义过滤规则。

激酶虚拟筛选性能评估与增强

研究构建了一个开源激酶基准集，用于评估和改进激酶靶向选择性计算模型。研究者从 PDB 数据库中检索激酶靶标，并从 ChEMBL 数据库中获取配体及其生物活性信息（Ki, IC50, Kb, Kd 或 EC50）。使用 DUD-E 工具生成约 60 个计算诱饵，并采用 Glide HTVS 和 SP 对接协议及三种评分函数进行回顾性虚拟筛选。表 1 总结了基于三种评分函数的虚拟筛选结果（EF1%）。

表 1. 回顾性虚拟筛选结果（EF1%）。

结果显示，大多数选择性配体集在不同激酶家族中表现良好（EF1% > 20%），例如 ROCK1-GSK3B (50.0%) 和 ROCK2-AKT1 (51.9%)。然而，近一半的选择性配体集未产生理想的 Glide 对接构象和评分（EF1% < 20%）。尤其在 TK 家族中，三种评分函数和 Glide HTVS 对接程序中的结合构象均差于其他激酶家族（大多 EF1% < 20%）。

图 6. (A) 基于 Docking Score, Glide Gscore 和 Glide Emodel 三个变量的主成分分析 (PCA) 得分图。(B) 基于三种能量评分函数的虚拟筛选性能总体 EF1%。

主成分分析（PCA）表明，Docking Score 和 Glide Gscore 对 PC1 贡献最大，且性能相似，而 Glide Emodel 与 PC1 和 PC2 均相关，但不如前两者强。此外，Docking Score (中位数 EF1%: 16.52) 和 Glide Gscore (中位数 EF1%: 14.42) 的性能优于 Glide Emodel (中位数 EF1%: 6.34)。

图 7. (A-C) 基于 Docking Score (A), Glide Gscore (B) 和 Glide Emodel (C) 的九个主要家族的 EF1% 雨云图。(D-G) 代表性配体和诱饵的对接构象及 2D 化学结构。

通过对不同激酶家族的雨云图分析，研究者发现 Docking Score 的 EF1% 分布更广，表明预测结合亲和力的差异更大。然而，Docking Score 和 Glide Gscore 结果中的异常值表明，这些评分函数无法完全捕捉激酶 - 配体相互作用的每个独特方面。

为了提高虚拟筛选的性能，特别是选择性，研究者开发了一个基于 KLIFS 残基相互作用的定制过滤器。结果表明，该过滤器显著提高了三种 Glide 评分函数的虚拟筛选性能（图 9）。

图 9. (A) 基于三种 Glide 评分函数的定制蛋白 - 配体相互作用过滤器增强虚拟筛选的 3D 散点图。(B) 基于三种 Glide 评分函数的虚拟筛选总体命中率性能，有无定制的蛋白 - 配体相互作用过滤器。(C-E) 代表性配体和诱饵的对接构象及 2D 化学结构。

进一步的分析表明，Nr. 17, Nr. 45, Nr. 46 和 Nr. 47 等位置的残基相互作用对提高选择性至关重要。此外，将对接协议从 HTVS 升级到 SP 也提高了虚拟筛选的性能，尤其是在选择性方面。体外药物验证实验表明，所选化合物对 JAK1 的抑制活性高于 TYK2，证实了该方法的有效性。最后，研究者还探讨了共价设计、别构抑制剂、伪激酶等策略在选择性虚拟筛选中的应用潜力，为未来的研究提供了方向。

总结

Kinase-Bench 基准测试套件通过定制的虚拟筛选流程有效提升了激酶抑制剂的选择性和效力。

由于腺苷三磷酸 (ATP) 结合位点在激酶家族中的高度保守性，开发选择性激酶抑制剂仍然是药物发现中的一项巨大挑战。作者构建了名为”Kinase-Bench”的基准测试套件，旨在改进虚拟筛选流程，从而提高激酶抑制剂的选择性和效力。该套件包含针对 75 种激酶的 6875 个选择性配体和 422,799 个诱饵化合物，数据来源于 ChEMBL 数据库的广泛生物活性数据和 DUD-E（Directory of Useful Decoys-Enhanced）生成的诱饵化合物。研究者采用 Glide 高通量虚拟筛选和标准精度筛选，并结合三个评分函数和定制的蛋白 - 配体相互作用过滤器，以靶向特定的激酶残基相互作用。

在针对 JAK1 抑制剂并使其对家族成员 TYK2 具有选择性的虚拟筛选工作中，这些创新得到了成功的应用。结果发现了新的潜在苗头化合物：化合物 2（JAK1 IC₅₀：980.5 nM，TYK2 IC₅₀：4.5 μM）和已获批的泛 AKT 抑制剂 Capivasertib（JAK1 IC₅₀：275.9 nM，TYK2 IC₅₀：10.9 μM）。使用 Kinase-Bench 协议，两种化合物均表现出显著的 JAK1 选择性，使其成为进一步研究的强有力候选物。这些结果强调了定制虚拟筛选协议在识别选择性激酶抑制剂方面的实用性，对合理药物设计具有重要意义。Kinase-Bench 为选择性激酶药物发现提供了一个强大的工具集，有潜力有效地指导未来的治疗策略。

参考资料：

Corrections

If you see mistakes or want to suggest changes, please create an issue on the source repository.

Reuse

Text and figures are licensed under Creative Commons Attribution CC BY 4.0. Source code is available at https://github.com/jixing475/jixing.github.io, unless otherwise noted. The figures that have been reused from other sources don't fall under this license and can be recognized by a note in their caption: "Figure from ...".

Citation

For attribution, please cite this work as

Liu (2025, Feb. 5). Jixing Liu: JCIM | Kinase-Bench：提高激酶抑制剂选择性的综合基准测试工具. Retrieved from https://jixing.org/posts/2025-02-05-kinase-bench-comprehensive-benchmarking-tool-for-improving-kinase-inhibitor-selectivity/

BibTeX citation

@misc{liu2025jcim,
  author = {Liu, Jixing},
  title = {Jixing Liu: JCIM | Kinase-Bench：提高激酶抑制剂选择性的综合基准测试工具},
  url = {https://jixing.org/posts/2025-02-05-kinase-bench-comprehensive-benchmarking-tool-for-improving-kinase-inhibitor-selectivity/},
  year = {2025}
}

© Copyright 2021 Jixing Liu

The site made with the Hugo