Nature | 通过构建随机背景理解配体优化

配体优化是药物发现中的核心环节。从一个初始活性分子到具有成药潜力的候选物，通常需要设计和合成数百甚至数千个类似物。然而，一个长期被忽视的问题是：药物化学中观察到的“优化成功”究竟有多少来自真正有效的设计，又有多少只是来自对分子进行小幅修改后自然出现的随机改善。由于缺乏一个可作为参照的随机背景，目前很难客观衡量各种优化策略的效率。研究人员为此构建了一个系统性的随机背景：选择覆盖六类靶点的18个起始配体，在不依据结构设计或活性预测的情况下，对每个配体进行单原子或甲基水平的小幅改造，共合成并测试257个类似物。令人意外的是，其中11.3%的类似物在亲和力或效力上提高了至少10倍，说明仅靠系统性的微小结构扰动，就有相当概率获得显著活性跃升。

但这种提升通常伴随着药代动力学性质恶化。多数高活性类似物在微粒体稳定性、游离分数或膜通透性等方面没有同步改善，部分性质甚至与活性提升呈负相关。因此，配体优化呈现出一种“受挫景观”：在一个性质上取得进步，往往需要付出其他性质恶化的代价。研究人员进一步评估了自由能微扰和多种ADMET预测模型，发现这些计算工具可以捕捉部分趋势，但还不足以取代实验筛选。最后，一个α2A肾上腺素能受体激动剂通过单个甲基取代获得52倍效力提升，尽管药代性质下降，其体内镇痛活性仍显著增强，说明这一复杂多参数空间虽然困难，但仍可以被有效导航。

先导化合物优化的目标并不只是获得更高的结合亲和力或药理效力，还需要同时改善溶解度、稳定性、通透性、血浆蛋白结合以及安全性等多种性质。几十年来，药物化学已经形成了多种优化策略，从经验性的取代规则和构效关系分析，到现代的结构导向设计、自由能计算和人工智能ADMET预测。然而，这些策略究竟比“随机尝试”好多少，并没有得到严格量化。

已有公共数据库显示，大约10%的小分子类似物在改造后能够获得10倍以上的效力提升。但这类统计存在明显偏倚：研究人员通常只发表成功结果，类似物本身往往是经过设计筛选后合成的，不同实验室和不同检测条件也会引入较大变异。因此，公开数据无法回答一个更基础的问题——如果完全不根据预期效果，只对一个配体进行系统性、保守的小幅结构修改，那么出现显著活性改善的概率究竟是多少。研究人员借鉴生物学中的随机背景思想，希望建立一个药物化学中的“零假设”：先量化未经设计的小幅化学扰动能够带来的自然改善率，再以此评估真正的设计策略是否超出了随机背景。

研究人员选择了18个起始配体，覆盖α2A肾上腺素能受体、μ阿片受体、CB2大麻素受体、血清素转运体SERT、AmpC β-内酰胺酶和SARS-CoV-2 Mac1六种靶点。18个配体覆盖11种不同骨架，起始活性从纳摩尔到数十微摩尔不等。对于每个配体，系统枚举所有合成上可行且不改变生理pH下净电荷的微小修改，包括将C–H位置替换为甲基、羟基、氟、氯或少量溴，以及将芳香碳替换为氮。研究人员不依据结构、预测活性或药代性质进行挑选，仅受合成可及性和成本限制，最终获得257个类似物。所有类似物均在与其母体一致的实验体系中测定活性，同时测量微粒体稳定性、血浆稳定性、血浆蛋白结合、溶解度、膜通透性和hERG抑制等体外药代与安全性质。部分体系进一步进行高分辨率结构测定，并使用自由能微扰方法预测相对结合变化，同时利用多种公开ADMET模型预测药代性质。研究人员还从ChEMBL中提取符合相同单原子变化定义的匹配分子对，用于与实验随机背景进行比较。

图1｜单原子类似物的系统构建、活性与药代性质测试以及计算分析总体流程。

257个类似物覆盖了多种靶点、骨架和起始活性范围。研究人员发现，23%的类似物与母体活性差异不超过2倍，而约30%的类似物活性下降10倍以上。更令人意外的是，29个类似物的活性提高达到约10倍或以上，占全部类似物的11.3%。这类明显改善出现在六个靶点中的五个，也出现在18个母体中的10个，说明这种现象并不局限于特定蛋白或化学骨架。

不同取代方式的成功率并不相同。甲基化最容易产生10倍以上的改善，氯取代次之；氟取代和芳香碳到氮的替换较少带来大幅活性提升。值得注意的是，这些提升并不能简单归因于分子疏水性增加。高效类似物的配体效率和脂溶性效率通常也同步提高，而且活性变化与疏水性变化之间相关性很弱，说明许多单原子修改真正改善了蛋白—配体相互作用，而不仅仅是通过增加非极性表面积获得表观增益。

研究人员还考察了起始配体分子量、起始活性、结合口袋体积和可成药性评分是否能够预测获得“大幅改善”的概率，但这些性质均没有显示出强相关性。整体趋势上，较弱的起始配体和较大的结合位点略容易获得改善，但效应有限。因此，这项实验给出的重要基准是：对于系统性的微小化学扰动，获得约10倍活性提升的随机背景概率可能已经接近11%。

图2｜不同单原子修饰获得活性提升的概率，以及起始配体和结合口袋性质与优化成功率之间的关系。

为了理解这些活性跃升的结构来源，研究人员解析了多个Mac1配体及其类似物的超高分辨率晶体结构，并获得了一个α2A受体复合物的冷冻电镜结构。结果显示，一些效应可以在实验结构获得之后得到合理解释。例如，同一个氯原子位于芳环不同位置时，可能暴露于溶剂，也可能恰好填充由多个残基构成的小口袋，从而带来数量级差异的活性变化。

但这些结构解释往往是事后才显得“显而易见”。蛋白侧链能够为了容纳新增原子发生旋转，配体也可能整体重新定位，甚至同时采用多个结合构象。一个看似微不足道的甲基或氯原子因此可能触发局部构象重排，使实际效应远超简单的几何直觉。这些结果说明，单原子改造虽然化学上极小，但其能量学后果并不一定线性或容易预测，也为计算方法提供了具有挑战性的测试集合。

如果只看亲和力或效力，11.3%的高改善率似乎意味着配体优化并不困难。但当研究人员同时检查药代性质时，情况发生了明显变化。单个化学修改确实可能改善某项性质，例如约12.4%的类似物微粒体稳定性提高3倍以上，20.8%的类似物血浆稳定性提高3倍以上，13.8%的类似物溶解度提高3倍以上。然而，性质恶化同样普遍。

在微粒体稳定性、血浆游离分数和通透性这三个关键指标中，41.4%的类似物至少有一项下降超过3倍；几乎所有类似物都出现了某种程度的恶化，34.5%甚至在三项指标上全部变差。更重要的是，那些活性提升约10倍或以上的类似物，没有一个能够同时改善这三个核心性质。活性提升与多项药代指标呈弱负相关或基本独立。最容易改善活性的甲基和氯取代，反而较少改善药代性质；而较少带来显著活性提升的芳香碳到氮替换，却更容易改善某些药代指标。

因此，真正的药物优化不是沿着单一方向爬升，而是在多个彼此部分冲突的目标之间寻找平衡。研究人员将其描述为一种“受挫景观”：局部上看似正确的化学修改，可能同时将分子推向另一个性质的不利区域。

图3｜活性提升与多种体外药代性质之间的权衡及“受挫优化景观”。

研究人员进一步测试现代计算方法是否可以提前识别这些微小修改的结果。自由能微扰对219个类似物进行了盲预测，其中188个预测的结合自由能与实验值误差在2 kcal mol⁻¹以内，平均无符号误差约为1.06 kcal mol⁻¹，说明总体预测能力较好。然而，当任务转变为判断某个单原子修改究竟会显著提高还是降低活性时，错误仍然明显。一些预测为有利的修改在实验中没有变化甚至降低活性，异常值往往与初始结合构象不准确有关。

在药代性质预测方面，多种AI模型对血浆游离分数和通透性的预测表现相对较好，但对微粒体稳定性、血浆稳定性和溶解度的相关性较弱。即使表现最好的性质，也存在大量方向判断错误。总体而言，现有计算方法已经能够为化合物选择提供帮助，但还不能可靠地取代真实实验，更无法单独扩展这一随机背景数据集。

图4｜自由能微扰与AI模型对类似物活性及体外药代性质变化的预测性能。

尽管整体景观充满权衡，研究人员仍发现了能够跨越这些限制的实例。α2A受体激动剂‘3629的一个甲基类似物‘4905，仅增加一个甲基就使效力提高52倍。冷冻电镜结构显示，这个甲基填充了受体中原本存在的疏水小口袋，而没有显著改变整体结合姿势，从结构上为效力提升提供了解释。

这一活性增益同时伴随着药代性质下降，包括血浆游离分数减少和代谢半衰期缩短。但效力增加的幅度足以抵消暴露下降带来的损失。在小鼠尾甩、神经病理性疼痛和热板实验中，‘4905均比母体‘3629表现出更强的镇痛作用，并达到已知高效同系列化合物的水平。这个例子说明，“受挫景观”并非不可突破：关键并不是要求所有性质同时改善，而是找到总体效益足以抵消局部损失的化学修改。

图5｜单个甲基取代提高α2A受体激动剂效力并增强小鼠体内镇痛活性。

这项研究的核心贡献并不是提出一种新的药物优化算法，而是首次尝试为“优化”建立一个可量化的随机参照。18个起始分子、257个系统性小幅修改中，约11.3%能够获得约10倍或更高的活性提升，这一比例高于直觉预期，也意味着评估新型设计方法时，仅报告“发现了若干10倍提升的类似物”可能并不足以证明方法真正优于随机背景。未来的计算设计、生成模型或药物化学策略需要回答一个更严格的问题：其成功率是否显著超过这种无偏小扰动所能自然达到的水平。

与此同时，研究结果也强调，只优化亲和力或效力会严重低估药物发现的真正难度。活性、代谢稳定性、游离分数、通透性和其他性质之间缺乏一致改善方向，使药物优化本质上成为多目标决策问题。自由能计算和AI预测已经能够缩小搜索空间，但现阶段仍不足以替代系统实验。

研究本身仍有明显局限。257个类似物和6个靶点不足以代表整个药物化学空间，不同靶点和化学骨架可能具有不同的随机改善率；部分活性采用EC50而非直接结合亲和力，体外药代指标也不能完全代表体内行为。因此，这里的约11%更适合作为一个初步背景，而不是普适常数。尽管如此，该工作提供了一个简单而重要的框架：通过系统、无偏的小幅化学扰动建立随机背景，再据此衡量药物设计方法的真实增益。最终，配体优化的关键并非单纯追求更高效力，而是在多参数、相互制约的化学空间中找到整体最有利的平衡。

Xu, X., Mailhot, O., Correy, G.J. et al. Development of a random background to understand ligand optimization. Nature (2026). 

https://doi.org/10.1038/s41586-026-11013-5