Laviana Pharma Co. Ltd.

政策 发布 POLICY RELEASE 乐威医药：坚持用化学改变世界 国家药监局关于发布仿制药参比制剂目录（第八十四批）及调出参比制剂目录品种清单（第一批）的通告（2024年第46号） 经国家药品监督管理局仿制药质量和疗效一致性评价专家委员会审核确定，现发布仿制药参比制剂目录（第八十四批）及调出参比制剂目录品种清单（第一批）。 特此通告。 国家药监局 2024年10月29日 附件： 版权声明：本文内容及图片，如有侵权请联系删除。 免责声明：本文内容仅作信息交流学习，并不反映任何意见及观点。 往期推荐 乐威医药（欧洲）分公司正式成立 乐威医药沧州GMP生产基地高活生产线启用 乐威医药亮相意大利CPHI Milan 2024

在药物研发的领域中，科学家们一直在探索新的分子结构和化学合成方法，以寻找更有效、更安全的药物。今天要给大家介绍的是一项来自伦敦帝国理工学院和辉瑞研发中心的研究，他们发现的「氧杂环丁烷和氮杂环丁烷磺酰氟」在药物发现中的巨大潜力。有感兴趣的朋友，点击“在看”与“转发”后，联系公众号助理索取原文！ 小分子杂环：药物设计的新宠 1.小分子杂环：药物设计的新宠 在药物化学中，精确控制分子的性质和构象是至关重要的。小分子极性基团，如氧杂环丁烷和氮杂环丁烷，因其独特的空间电子性质，成为了备受瞩目的生物电子等排体。它们可以模拟更常见官能团的性质，通过调整极性和氢键特性来增强药物与靶点的结合能力，同时还能影响药物的代谢稳定性、溶解度、吸收、分布和 pKa 值。 目前，已经有一些含有氧杂环丁烷的化合物进入了临床试验阶段，氮杂环丁烷在已批准的药物中也逐渐崭露头角。 多样的反应路径，丰富的化学结构 Defluorosulfonylative（deFS）耦合反应 OSF 和 ASF 试剂通过 deFS 反应途径，生成的碳正离子中间体可与多种亲核试剂耦合，从而合成了一系列新颖的化学结构。研究人员利用这一反应，合成了 11 种药物类似物，包括一些具有重要生物活性的分子，如治疗糖尿病诱导的免疫功能障碍的 SERCA 激活剂类似物，以及 MAPK14 抑制剂类似物等。 Sulfur–Fluoride Exchange（SuFEx）反应 在阴离子条件下，OSF 试剂还能通过 SuFEx 途径生成氧杂环丁烷 - 硫（VI）衍生物。通过调整溶剂和亲核试剂的强度，研究人员成功解锁了这一反应路径，为药物分子的设计提供了更多的选择。 合并药效团，创造新的药物设计元素 研究人员还探索了将氧杂环丁烷与其他极性官能团合并的可能性。例如，通过 deFS 反应将氧杂环丁烷与 NH - 唑、亚砜亚胺和含磷官能团等结合，形成了多种新颖的化学结构，这些结构可能作为有价值的新型生物电子等排体或替代基团，为药物化学家提供了新的设计思路。 含磷官能团作为药物化学结构单元尚未得到充分研究。膦酸酯和磷酸酯基团已被用于前药中以促进细胞膜通透性，而氧化膦在布加替尼获批后才开始受到更广泛的研究。人们越来越关注将这些结构单元引入类药分子中以调节 LogD 和溶解度。我们假设可以利用亚磷酸烷基酯试剂来捕获氧杂环丁烷碳正离子并提供相应的磷酸化氧杂环丁烷产物。 含有氧杂环丁烷的新型结构基元可进行进一步衍生化（方案 2d）。氧杂环丁烷叠氮化物59经铜催化的叠氮-炔烃环加成反应（CuAAC）生成三唑88，拓展了氧杂环丁烷 1,2,3 - 三唑的潜在应用范围。 氮杂环丁烷磺酰氟的独特魅力 首次报道的 ASF 试剂与 OSF 试剂具有相似的反应性。它可以通过 deFS 反应合成3-芳基-3-取代的氮杂环丁烷衍生物，并且与多种亲核试剂具有良好的兼容性，包括一些复杂的晚期示例，如氟西汀和氨氯地平的氮杂环丁烷功能化衍生物。此外，ASF 试剂还能通过 SuFEx 反应与醇盐反应，展示了其与复杂分子共轭的潜力。 在药物发现中的实际应用 PROTAC 连接子和分子胶设计在靶向蛋白质降解这一新兴领域中，OSF 和 ASF试剂展现出了独特的应用价值。研究人员利用这些试剂引入了cereblon-结合基序，为PROTAC连接子和分子胶提供了新的设计思路。这些新的设计可能改善其物理化学性质或溶解度特性，从而提高药物的疗效。 靶蛋白的降解 通过与 pomalidomide等E3连接酶配体的耦合反应，OSF和ASF试剂生成了新的降解剂基序，展示了它们在靶向蛋白质降解领域的应用潜力。这为开发新的药物治疗方法提供了新的途径。 结论与展望 这项研究展示了OSF和ASF 试剂在药物发现中的强大潜力。它们不仅可以通过多种反应路径合成具有新颖结构的化合物，还能为药物分子的设计提供新的思路和方法。未来，我们期待这些试剂能够在药物研发中得到更广泛的应用，为人类健康带来更多的福祉。 版权声明：本文内容及图片，如有侵权请联系删除。 免责声明：本文内容仅作信息交流学习，并不反映任何意见及观点。 往期推荐 乐威医药（欧洲）分公司正式成立 乐威医药沧州GMP生产基地高活生产线启用 乐威医药亮相意大利CPHI Milan 2024

——简介—— 如何高效采样蛋白质的多种结构一直是计算结构生物学领域的一大难点。通常此类问题通过分子模拟（包括MC采样和MD采样）来解决，同时配合各种增强采样算法提高效率。近年来，得益于GPU算力的进步，各种基于深度学习的构象生成算法被提出，但大都直接生成离散的构象系综，无法生成具有时间顺序的构象变化轨迹。2024年9月，MIT CSAIL研究所Tommi Jaakkola课题组的Bowen Jing等人开发了基于流匹配（flow matching）的基于关键帧的分子动力学模拟轨迹生成模型MDGen [1]。该模型可以基于给定的单一构象生成类似于分子动力学模拟轨迹的具有时间信息的连续变化构象系综，同时也能对于动态轨迹进行结构补全（即inpainting）。 ——方法—— MDGen利用3000条三肽和1900多条单链蛋白的分子动力学模拟轨迹（各100 ns）进行训练，其关键在于对分子动力学模拟轨迹的特征工程，以便利用神经网络模型进行建模，基本逻辑如下图1所示。类似于已有的大量蛋白质结构深度学习模型，MDGen将单个残基作为token，但在sequence维度之外增加一个时间维度。作者并没有直接使用蛋白质SE(3)模型常用的residue frame进行残基建模，而是使用残基相对于关键帧的位移和旋转信息进行建模，具体的tokenize方法如下所示： 在给定K个关键帧的情况下，每个残基使用7K+14维的特征向量表示。同时，作者使用了目前生成模型领域较为常用的流匹配模型，具体的网络架构使用了在时序深度学习领域表现较好的Scalable Interpolant Transformer（SiT）网络架构。考虑到MD轨迹中的帧数可能很大（如100 ns的轨迹按10 ps一帧进行保存，则会产生10,000帧），作者将SiT架构中的时序attention部分更换为Hyena架构，用于以更低计算复杂度代替传统的Transformer。 作者将训练好的模型应用在了4个下游任务上：前向模拟（Forward Simulation）、路径预测（Interpolation）、轨迹插帧（Upsampling）、动态修补（Inpainting）。其具体原理如图1所示： 图1. MDGen的应用场景（左）和实现方法（右） ——结果—— 作者随后对MDGen的四种下游任务进行了测试。对于Forward Simulation任务，作者使用第一帧作为参考，训练模型向后生成10 ns的轨迹。在生成时，模型对每个肽段迭代生成100 ns的轨迹，并和真实轨迹进行比较。作者比较的标准主要有：（1）生成轨迹与MD轨迹的结构分布是否匹配，（2）是否能捕捉动态内容，（3）是否能在更短的时间内遍历采样空间。作者采用对扭转角和TICA的降维分量计算Jensen-Shannon散度（JSD）的方法来衡量结构分布的匹配程度，结果如图2所示： 图 2. Forward Simulation的采样结果。（A）MD（橙）与模型生成（蓝）的6种扭转角的分布。（B、C）TICA降维得到的自由能景观分布。（D）通过MSM构建的亚稳态相关性。（E）沿TICA的最慢独立分量的实际去相关时间。（F）扭转角的去相关时间相关性（蓝），不同亚稳态对之间的通量矩阵相关性（橙）。（G）MD和模型生成的丙氨酸四肽构象对比。 作者通过马尔可夫状态模型（MSM）分别得到了真实轨迹和生成轨迹的亚稳态分布，并发现模型很好地捕捉到了状态的相对排序，且很少遗漏重要状态或对稀有状态赋予较高的权重。此外，通过比较轨迹中每个扭转角的去相关时间，可以发现生成轨迹和MD轨迹具有较高的一致性（图2F）。作者认为这一结果说明了模型能够区分缓慢和快速弛豫的扭转势垒。最后，作者表明模型能够在约60秒的GPU时间内生成等效于100 ns的轨迹，而MD模拟则需要约3小时的GPU时间，强调了模型生成相比于MD模拟的速度优势。 对于给定前后构象的变构过程采样任务（interpolation / transition path sampling），作者在训练时给定前后构象为关键帧，并使模型产生中间的1 ns构象。在测试时，作者挑选轨迹中两个肽段分离最远的状态，并产生1000个中间构象。最终的评估结果如图3所示： 图 3. interpolation的测试结果 作者对生成的轨迹和MD轨迹分别构建MSM亚稳态，并将100 ns的轨迹MSM亚稳态结果作为参考标准。如图3所示，生成的路径比从任何少于100 ns的重复MD MSM中采样的路径具有更高的可能性，而100 ns正是参考MD模拟的长度。此外，MDGen的路径集合在访问状态的分布上与参考MD MSM的JSD表现最佳，并且具有最高比例的有效非零概率路径。 对于轨迹插帧（upsampling）任务，作者将10 ps间隔的轨迹插帧至100 fs。通过比较扭转角的自相关函数： 的分布（该函数自变量为间隔时间Δt），可以评估的模型性能，具体如图4所示： 图 4. 左图：扭转角的自相关函数（直线代表100 fs-timestep MD，小点代表100 fs-timestep生成结果，大点代表下采样的10 ps-timestep结果）。右图：自相关函数对对数时间尺度的负导数。 作者随后探讨了基于动力学轨迹的补全任务，即在轨迹中遮去一部分结构，让模型进行修补（inpainting）。不同于常规的蛋白设计，作者评估了针对四肽（遮去中间两个残基，保留末端残基）的toy model，在给定观测到的残基构象转变的情况下，设计在相应马尔可夫状态的肽段残基类型，结果如表1所示： 表 1. MDGen和baseline模型在序列恢复率上的比较 此外，作者展示了MDGen在较大蛋白的系综生成任务上的效果，并和已有的系综生成模型AlphaFlow进行比较。在此任务中，作者使用ATLAS数据集的轨迹进行针对单链蛋白的训练。此时由于残基数目大大增加，作者生成250帧、时间步为400 ps的样本，使单个样本能够模拟100 ns的ATLAS参考轨迹，具体生成性能如表2： 表 2. MDGen在单链蛋白上的结构系综生成性能 可见，MDGen精确度介于AlphaFlow和MSA下采样（MSA subsampling）之间，但每生成一个结构的速度比二者快几个数量级。图5是一个案例蛋白的MD轨迹系综与MDGen生成系综的可视化结果，其中，相似的RMSF图像也说明MDGen除了能较好的复现结构，也能较好的复现结构的某些动力学性质。 图 5. （上）MDGen生成的6UOF_A蛋白和MD模拟的系综（下）RMSF数据 ——小结—— 相比已有的蛋白构象系综生成模型，MDGen能够直接生成MD轨迹。但就目前而言，MDGen只能对短轨迹的小肽进行生成，同时仅对扭转角、降维数据等评价指标进行了分析，尚未提到生成的构象在能量上是否合理，是否存在一些原子碰撞等。同时，作者在文中提到，MDGen受限于关键帧，无法直接从序列开始采样，且依赖关键帧的准确度。 笔者认为MDGen的主要贡献如下：1. 将类似于视频生成的训练流程和网络架构思路引入到MD轨迹中，并很好的和结构深度学习结合起来。2. 提出了4种下游任务，启发了这类模型的应用前景。3. 此类任务此前缺乏很好的评测流程，作者提出的很多评测项目都具有相当程度的创新性与合理性。 参考文献： [1] Jing B, Stärk H, Jaakkola T, et al. Generative Modeling of Molecular Dynamics Trajectories[J]. arXiv preprint arXiv:2409.17808, 2024. 作者：穆俊羲 审稿：王宇哲 编辑：王宇哲 版权声明：本文内容及图片，如有侵权请联系删除。 免责声明：本文内容仅作信息交流学习，并不反映任何意见及观点。 往期推荐 乐威医药顺利通过CNAS复评审及扩项评审 中国矿业大学（北京）师生走进乐威医药 乐威医药成功开展“安全生产月”活动