Schrödinger 小分子质子化状态枚举及pKa 预测的解决方案

执行摘要

药物的电解质常数（pKa ）是药物发现过程中需重点考虑的一项关键理化性质，因为它在决定分子在生理pH值下的电离状态方面具有重要作用。Schrödinger 提供了多种解决方案，用于预测电解质常数（pKa ）值、质子化状态分布及相关衍生性质，这些解决方案可应用于从化合物筛选（筛选 ）到药物开发（先导化合物 ）的各个药物发现阶段优化 。本文将概述每项技术解决方案，并通过应用案例说明它们在药物发现中的具体应用。

背景

小分子在溶液中会发生电离，在此过程中，它们会在不同的电离位点失去或获得质子（^H+）。某个位点或分子通过一个或多个质子的结合/解离而发生电离的倾向性，可通过_pKa值来量化。_如果pKa值指代特定的可电离位点，则该值称为微观_pKa（_micro-pKa）；如果该值指代整个分子，则称为宏观_pKa（_macro-pKa）。电离位点周围质子的具体排列构成了质子化状态，同一电荷水平的不同质子化状态被称为互变异构体。 每种质子化状态都与其他状态处于热力学平衡中，因此与其在该质子化状态集合中的分布相关联的自由能，既可通过热力学方程从_微pKa值推导得出，也可通过直接比较各状态的自由能获得。在药物设计中，理解分子的不同质子化状态至关重要，因为它们将决定包括溶解度、膜通透性和活性在内的各种性质。

_pKa预测面临的挑战

确定在给定pH值下哪些状态占主导地位以及其优势程度有多大，无论从实验还是计算角度来看都是一项艰巨的任务，因为处于热力学平衡状态的分子状态数量会随着可单质子化位点的数量n的增加而呈~^2n的趋势增长。因此，具有众多可滴定位点的分子可能具有大量不同的质子化状态，所有这些状态都需要逐一列举并进行能量评估。

从计算角度来看，Schrödinger 采用两种主要方法对状态进行评分：1）通过使用_微pKa值求解热力学平衡方程；2）直接预测状态的相对自由能。预测_pKa值是计算状态分布的重要一步，而状态分布的计算又使得能够预测一些重要的相关量，否则这些量将无法获得。

Schrödinger 解决方案概述

Epik Classic

Epik Classic（此前仅称为^Epik1）是一款专家系统，用于快速、准确地预测配体在给定 pH 值下的_{微 pKa}值及其最常见的质子化状态。 其底层的_pKa预测技术是经验性的哈梅特-塔夫特线性自由能关系（LFER），该方法首先识别一个电离基团，取其根_pKa值，再根据键合的化学片段对其进行扰动，并应用电荷扩散来得出其有效_{微 pKa}值。 随后，Epik Classic利用预测_的pKa值枚举配体的质子化状态，按能量进行排序，并返回最富集的状态。由于Epik Classic采用基于SMARTS 模式的规则，其运行速度足以满足高通量需求，但代价是无法考虑构象 和立体化学效应。
 

Epik 7

Epik 7 是 Epik 的全面重新设计版本，它利用了Schrödinger强大的机器学习（机器学习（ML） , ML）技术，可在更广泛的化学空间 范围内提供更准确的结果。 首先通过SMARTS 模式识别电离基团，然后利用这些基团对一系列电离状态进行枚举。²通过3层原子图卷积神经网络（GCNNs）预测每个状态下各位点的_微pKa值，该网络从电离原子向外径向延伸六个化学键。 随后，利用各状态的预测_pKa值来预测状态的相对能量，从而既能确定特定pH值下最富集的状态，又能计算_宏观pKa值。这种机器学习方法的拓扑特性意味着，Epik 7与之前的版本一样，不仅运行迅速，而且对三维几何结构和立体化学不作假设。
 

Jaguar pKa

Jaguar _pKa采用第三种、更基于物理理论 的方法来预测配体的_微pKa值。该工作流程通过以下步骤计算查询配体中用户定义的电离位点的_pKa值：首先生成共轭对，随后在该共轭对上执行构象 搜索以定位能量最低的结构，^³接着进行基于密度泛函理论（DFT ）的几何优化和单点能量评估。 随后，将这些经构象平均后的“原始_”微pKa值，通过经验参数化关系进行校正，从而获得准确的预测结果。Jaguar _pKa在非互变异构结构上表现最佳。由于采用基于物理理论 ，该方法确实考虑了几何和立体化学效应，但会牺牲计算速度。
 

宏观-pKa

_Macro-pKa遵循与Jaguar _pKa相同的原理，即结合基于物理理论 DFT 的计算结果与经验修正，但将其适用范围扩展至可发生互变异构的配体。_Macro-pKa会自动识别电离位点、枚举质子化状态，并按照与Jaguar _pKa 类似的工作流程计算_{微 pKa}值，但采用了更完善的经验修正生成方案。 最后，系统利用计算出的_微pKa值按能量对质子化状态进行排序，根据用户指定的pH值返回最富集的状态，并确定配体的_宏观pKa值。与Jaguar _pKa相比，这种方法虽然更全面，但所需的时间和资源成本也更高。

用例

本文概述了_pKa预测在药物发现工作流程中的几个用例。
注：下文列出的每个用例示例均可采用该部分所列的任何一种解决方案来处理。所呈现的数据集仅突显了其中一种可能解决方案的适用性。

一、查询微观_pKa值

适用解决方案

• Epik Classic
• Epik 7
• Jaguar _pKa

在研究配体的结合模式时，电离位点的_微pKa值可作为其在给定pH值下发生电离倾向性的指标。配体的电离状态直接影响其与另一分子（如蛋白质）的相互作用方式，例如，它能否参与盐桥的形成。

二、查询表观或宏观_pKa值

适用解决方案

• Epik 7
• _宏观pKa

对于在每个电荷状态下仅存在一种主要互变异构体的单质子或多质子化合物，_其微pKa值可能与通常通过滴定实验获得的表观_pKa值（即_宏观pKa值）非常接近。然而，对于存在多种竞争性互变异构体的化合物或电离态，单个互变异构体的_微pKa值可能无法完全再现实验观测到的宏观pKa值。 要获得这一表观值，必须首先对所有状态进行枚举和评估，以便在_宏观pKa的计算中将所有状态的_微观pKa值都纳入考虑。

三、配体结构准备 与高通量筛选

适用解决方案

• Epik Classic
• Epik 7

基于物理理论 模拟通常需要指定模拟 系统中的所有原子，包括所有氢原子。因此，基于结构的模拟（包括Glide 、分子对接 、分子动力学 (MD) 以及自由能微扰 ，其中FEP+ ）应使用配体的高占据率质子化态集合来执行。因此，对小分子配体库进行任何基于结构的筛选时，至关重要的第一步是通过获取占据率最高的质子化态来准备配体。 Epik Classic和Epik 7是集成式 ，配合我们的自动化配体结构准备 工作流（LigPrep ），可用于构建大型配体库以进行高通量筛选（筛选 ）。此外，Epik Classic和Epik 7及其LigPrep 实现版本均支持生成并评估其他可能与口袋内金属离子结合的配体状态。

IV.苗头化合物-to-先导化合物 优化

适用解决方案

• Epik Classic
• Epik 7

Once hits are identified, a series of analogs are synthesized to explore the relevant chemical space in greater detail to arrive at improved behavior. It is important to be able to screen potential candidates rapidly and accurately to assess which to optimize further. The < 0.5 log unit accuracy and sub-second calculation speed of Epik Classic and Epik 7 make them excellent tools for rapid idea generation and testing. In addition to pK_a value and protonation state distribution prediction, they have been implemented in other ADMET or property predictors, such as for membrane permeability and solvation energy.

五、早期阶段先导化合物 优化

适用解决方案

• Epik 7
• Jaguar _pKa
• _宏观pKa

优化所需的众多物理性质可能是一项费时费力的工作，且成本高昂，从构思、合成到检测均是如此。在这种需要高质量性质预测且时间充裕的情况下，Schrödinger的基于物理理论 预测模型——Jaguar _{pKa和Macro-pKa——}会综合考虑更多分子特性，包括构象 和立体化学效应，从而提高_pKa预测的准确性。 此外_{，Macro-pKa和Epik}7均能针对查询的配体提供详细的状态分布报告。这些报告对于理解各pH值范围内互变异构态的分布尤为有用。

功能对比表