基于配体方法的 PPI 靶向化合物库

基于机器学习决策树方法的PPI靶向化合物库
采用机器学习方法（决策树算法）对内部数据库中可靶向PPI的小分子化合物进行预测。该算法被公认为识别PPI活性分子的有效工具，其通过交叉验证方案平衡训练数据集的富集度、灵敏度与特异性，最终筛选出6,500余个结构多样性的PPI靶向化合物。
通过对比非PPI抑制剂与PPI抑制剂的独特物理化学特征，研究发现以下描述符在特定数值范围内与PPI结合剂存在相关性（图1）：
• RDF 070m（≤ 3.31）——基于形状的描述符，定义半径为7Å球形空间内原子集合的径向分布函数
• UI（＞ 4.13）——不饱和指数，与双键、三键及芳香键等多重键数量直接相关
• SHP2（≤ 0.30）——根据几何矩阵距离分布推导的二级平均形状轮廓指数
• Mor11m（＞ -0.1）——通过不同角度散射函数（信号11/按原子质量加权）计算原子权重总和所得的描述符

应用于整个高通量筛选化合物库的其他筛选标准包括： • 脂水分配系数ClogP = 1.5 – 4.5 • 分子量MW ≤ 475 • 氢键供体数HBD = 0 – 4 • 拓扑极性表面积TPSA = 75 – 120 • 氢键受体数HBA = 4 – 9 • 潘宁过滤器（PAINS filters） 最终筛选出的6,500个类药性化合物被纳入蛋白质相互作用机器学习方法库（图2），其中已排除潘宁结构化合物、毒性物质及活性反应物。

基于Timbal、2P2I和iPPIDB数据集进行二维相似性搜索构建的PPI靶向库
通过二维指纹相似性搜索，从内部数据库中提取了超过2,500个类药筛选化合物。该搜索以来自TimbalDB（链接3）、2P2IDB（链接1）和iPPIDB（链接2）的参考化合物集（共18,936个化合物）为目标，相似度阈值为Tanimoto系数85%。所有具有反应性或非活性的化合物均已被排除在此筛选集之外。
该PPI筛选库包含针对以下来自TimbalDB的蛋白质-蛋白质复合物的潜在抑制剂（图3）：

基于"四规则"的PPI聚焦库
这套包含3000多种潜在PPPI调节剂的筛选库，是基于X. Morelli等人的研究成果构建。研究者通过分析已知PPI抑制剂的分子描述符，提出"四规则"(Ro4)来界定该类化合物的化学空间。根据其定义，符合以下特征的分子属于该空间：分子量≥400道尔顿、计算脂水分配系数≥4、氢键受体≥4、环系数量≥4。该PPI库还特别选用了sp3杂化碳富集的化合物，以确保分子复杂性和三维多样性。

MW	clogP	HBA	Rings	RotBonds	Fsp3
≥400	≥4	≥4	≥4	≥4	≥0.4

该规则作为筛选工具，用于加速潜在PPI抑制剂的识别。通过应用该规则，建立了包含3000多种潜在PPI结合化合物的化合物库。所有化合物均通过了MedChem过滤器筛选。

基于二维相似性搜索的PPI靶向库
该筛选库包含超过13,500种能够抑制蛋白质-蛋白质相互作用（PPI）的化合物。
通过整合Binding DB、Pubmed DB和ChEMBL DB数据库，我们收集了一个参考库（≥4万种），其中包含对以下蛋白质复合物在PPI相关实验中具有活性的有机小分子：

经过对活性数据（Activity < 10 μM）进行筛选与合并后，获得20,000个独特化合物，并以此作为化合物库设计的基础。通过应用MDL分子指纹和塔尼莫托相似性80%的阈值对内部数据库进行筛选，最终为该筛选库选取近13,500个化合物。同时采用PAINS规则、活性基团过滤及内部开发的药物化学过滤器，最终形成该化合物集合。

面向蛋白质相互作用且性质优化的化合物库
针对该筛选库，我们基于Bosc等人2020年发表的研究成果，根据蛋白质相互作用化合物的关键推荐性质，对专有的高通量筛选化合物集合进行了过滤筛选。筛选标准包括：

aromatic rings	≤ 6
fused aromatic rings	≤ 3
rotatable bonds	≤ 20
heteroatoms	≤ 12
logP	-7 - 8
logD	-7 - 8
molecular weight	≥ 300
number of halogens (Br, I, Cl)	≤ 5
consecutive CH2 units	< 5

随后，应用内部药物化学过滤器去除不良结构（PAINS、毒性化合物等）并改善类药性。最终通过结构多样性筛选将化合物集缩至9000个聚焦PPI的类药筛选化合物，确保获得结构优化、高质量化合物库。

• 可选用DMSO耐受的96/384孔板或2D 条形码编码管；
• 干粉蓝冰运输，DMSO溶液干冰运输；
• 排布：96孔板：1st & 12th 空白对照，384孔板：1st & 2nd & 23th & 24th空白对照。