通过计算指导的高精度筛选，发现用于治疗实体瘤的高选择性Wee1抑制剂
该设计方法利用严格的基于物理理论 建模，以克服在开发候选药物SGR-3515过程中出现的off-靶点 问题。
利用协作平台和大规模的从头设计 工作流，完成了快速的计算机辅助设计循环
优化了活性，并选择性 ，其中相对结合FEP+ 和蛋白质FEP+
由此产生了一个目前处于临床前开发阶段的候选药物
Wee1，丝氨酸/苏氨酸激酶
Schrödinger 专有程序，小分子
实体瘤
Phase 1项临床试验
“该计划展示了蛋白质FEP+ 在构建广泛激酶组模型选择性 方面的首次前瞻性应用，这不仅使Wee1研究团队能够迅速识别出几种高度选择性的化学类型，并挽救了一个曾苗头化合物 遭遇重大阻碍的项目，同时也为更广泛的药物发现界提供了一种强有力的工具，以更高效地应对选择性 的挑战。”
王佳石
药物化学高级总监
Schrödinger 治疗学组
设计挑战
Wee1是一种丝氨酸/苏氨酸蛋白激酶，作为G2-M期细胞周期检查点的“守门人”，其抑制会迫使细胞进入非计划性有丝分裂，最终导致细胞死亡。鉴于Wee1在DNA修复中的关键作用，它已成为肿瘤药物研发中极具吸引力的靶点 。 Wee1抑制剂阿达沃塞替布（adavosertib，AZD-1775）的临床试验数据证实了靶向Wee1的潜力，显示其在实体瘤中具有强烈的抗癌活性。1-11然而，有理由怀疑AZD-1775可能存在潜在缺陷，因为它会抑制包括PLK家族在内的其他几种激酶，并会随时间推移而抑制CYP3A4。
该项目由Schrödinger Therapeutics Group主导，旨在通过运用严谨的基于物理理论 建模方法，以高精度解决靶点 的副作用问题，从而开发出同类最佳、高度选择性的Wee1抑制剂。
基于严格的FEP工作流程，高效构建具有选择性和高活性的先导化合物 系列
在项目启动之初，团队的目标是筛选出一个或多个新型的先导化合物 系列，使其对Wee1的选择性 优于polo样激酶1（PLK1）。 该团队列举了超过六百万个创意和手绘设计，随后利用基于化学的自动化筛选工作流、基于结构的筛选 （分子对接 ）对它们进行分拣，并最终通过自由能扰动（FEP+ 、从头设计 Workflow）对相对结合自由能进行了严格计算（图1）。FEP+ 作为计算结合亲和力 测定法的准确性和实用性已得到广泛验证，其预测值与实验值的平均偏差在1.0 kcal/mol以内。12通过将FEP+ 与高性能云计算及机器学习（ML） （主动学习FEP+ ）相结合，共进行了超过9,000次FEP+ 计算，以评估最具前景的Wee1抑制设计方案的亲和力 ，并确保其对PLK1的选择性 。
随后，项目团队在 LiveDesignSchrödinger的云端企业信息学平台中进行评估。基于这些工作流程，最终筛选出不足100种化合物进行合成与测试，从而在项目启动后的七个月内，成功鉴定出多种新型化学类型，这些化合物对Wee1具有纳摩尔级亲和力 ，且相较于PLK1，其选择性 （选择性）最高可提升1000倍。13
利用蛋白质解决靶点 以外的其他负债问题FEP+
尽管该团队在项目的第一阶段phase 中成功提升了选择性 对PLK1的活性，但随后的激酶筛选筛选 揭示了大量未预料到的靶点 激酶相关缺陷。 与其从头开始或彻底放弃该项目，研究团队探索了一种互补策略，旨在优化第一阶段phase 中识别出的化学类型对选择性 的活性。选择性 的主要驱动因素似乎是结合位点 中的一个特定残基。研究团队利用蛋白质FEP+ 计算（FEP+ 中的一个协议），评估了该位置单点突变对配体亲和力 的影响，并推断出选择性 在多种激酶中的活性，而无需对每种激酶分别进行分析。 在此新工作流程中，针对6,700个新设计分子进行了分析：利用配体FEP+ 预测其对Wee1的活性，并利用蛋白质FEP+ 预测其对广泛激酶组选择性 的活性。在这为期三个月的建模工作中，基于配体FEP+ 和蛋白质FEP+ 的策略共筛选出42个有前景的分子供合成，其中22个分子对Wee1展现出低纳摩尔至皮摩尔级别的测定活性，且选择性 风险显著降低（图2）。14
一种选择性极高的分子STC-8123被用作概念验证化合物，以证明高度选择性的Wee1抑制剂在体内仍具有显著的疗效。事实上，在采用间歇给药的A427小鼠模型中，与AZD-1775相比，STC-8123对肿瘤生长的抑制作用更为迅速且更持久（图3）。14
利用机器学习（ML） 和量子力学(QM) 策略优化DMPK和ADME特性
在获得了一组前景良好的化合物系列后，研究团队开始优化DMPK和ADME特性。随着先导化合物 系列实验数据的积累，研究团队训练了针对该项目的机器学习（机器学习（ML） , ML）模型，以预测CYP3A4抑制曲线随时间的变化趋势以及多种ADME特性（DeepAutoQSAR）。 此外，还开发了量子力学（QM）计算方法，用于建模化合物与CYP3A4血红素的反应性——血红素是药物-药物相互作用风险的潜在靶点 （Jaguar）。在后期先导化合物 优化 阶段，这一系列机器学习模型和量子力学基于物理理论 计算，使得前瞻性多参数优化 能够轻松筛选出化学空间 ，并将其送交合成和测试。
该团队从该系列合成的约300种化合物中筛选出若干个有前景的先导化合物。在对这些有前景的先导化合物进行深入表征，并仔细考量新一代最佳Wee1抑制剂应具备的特性后，SGR-3515被确定为研发候选化合物。 SGR-3515 是一种选择性极高、效力强劲的分子，其结构与竞争对手的分子存在差异，具有独特的 ADME 特性，并在体内展现出卓越的疗效（图 4）。
参考文献
-
《临床癌症研究》2021年第27卷第4期。
-
《临床肿瘤学杂志》2021年：39(14)：1531-1539。
-
《临床肿瘤学杂志》第40卷，第16期·增刊（2022年6月1日）第5515页。
Yin等人，2021年美国血液学会（ASH）会议报告。
-
《柳叶刀》2021年第398卷：281-92页。
-
《临床肿瘤学杂志》2016年第34卷：4354-4361页。
-
《临床癌症研究》2018年：24(120)：2740-8。
-
《临床癌症研究》2018年第15卷第24期第12期：2740-2748页。
-
Zentalis 投资者推介资料。
-
《肿瘤学年鉴》2020：31（增刊4）。
-
《临床肿瘤学杂志》2019年10月10日；37(29)。
-
《癌症研究》（2019）79 (13_增刊)：CT02。12.《临床肿瘤学杂志》2021年11月20日；39(33)。
-
通过改进自由能计算推动药物发现。Abel等人。
《应用化学研究》2017年，第50卷，第7期，第1625–1632页。
-
利用蛋白质自由能方法降低靶点 相关负债的风险。
Knight 等，《ACS》2022年。
-
发现了一类高效、选择性强且可口服的WEE1抑制剂，该类抑制剂可增加肿瘤细胞中的DNA损伤和有丝分裂，从而在体内诱导肿瘤消退。
Sun等人，AACR 2022。
-
走进诊所：借助数字化学革新药物研发流程。
戴维斯等人，《2023年未来实验室》。