基于人工智能模型筛选与生成先导化合物的研究进展
Research progress of the screening and generation of lead compounds based on artificial intelligence model
-
摘要: 良好的先导化合物对于药物研发具有深远影响,可以提高药物上市的成功率。利用传统方法发现先导化合物存在成本高且耗时的问题,而人工智能(artificial intelligence,AI)可以高效发现良好的先导化合物。本文系统地总结了通过人工智能的筛选模型与生成模型获得先导化合物的研究进展,按照输入信息的类型归纳整理不同的模型,重点介绍了利用筛选模型实现药物重定位和利用生成模型实现多目标药物设计,探讨了人工智能在先导化合物研究领域的发展前景,为人工智能在先导化合物方面的应用提供新的研究思路。Abstract: Excellent lead compounds have a profound influence on drug development and can improve the success rate of product launch. It is expensive and time-consuming to discover lead compounds by traditional methods, yet artificial intelligence (AI) can discover good lead compounds efficiently.This article systematically summarizes the research progress of obtaining lead compounds through the screening and generation models of AI, classifies different models according to the type of information input, focuses on drug repurposing by screening model and multi-objective drug design by generation model, and discusses the development prospect of AI in the research field of lead compounds, aiming to provide new research ideas for the application of AI in lead compounds.
-
Keywords:
- artificial intelligence /
- lead compound /
- screening /
- generation
-
与手术切除、化疗、放疗等直接杀伤肿瘤细胞的传统治疗策略相比,免疫治疗通过激活宿主自身的免疫系统对抗肿瘤,逐渐成为临床治疗中最有前景的方式之一[1]。免疫治疗可针对“肿瘤-免疫”循环的不同阶段发挥抗肿瘤作用,例如使用肿瘤疫苗、免疫佐剂、免疫检查点抑制剂等,以增强抗原递呈、细胞毒性T细胞(cytotoxic T cell,CTL)激活以及恢复和维持CTL的杀伤性能[2]。然而部分免疫治疗药物在临床前和临床试验中仍然表现出一些瓶颈问题,例如半衰期短、酶降解、免疫检查点阻断(immune checkpoint blockade,ICB)衍生的免疫相关不良事件(immune-related adverse events,irAEs)等[3]。因此,迫切需要一种精准递送策略以增强免疫药物在靶标部位的积累与释放,在诱导特异性抗肿瘤免疫反应的同时,减小对正常组织的损伤,并且能有效抑制肿瘤的复发和转移[4−6]。
环境响应型纳米递送系统可以针对肿瘤微环境的病理特点实现药物在肿瘤组织、特定细胞类型、或二级细胞器中的靶向释放,最大限度地减少对健康组织和正常免疫细胞的损伤,避免严重的毒副作用[5]。肿瘤细胞由于代谢旺盛,即使在有氧环境中也更倾向于通过糖酵解的方式供能(即Warburg效应),生成大量代谢产物乳酸[7],因此与正常组织间液pH 7.4相比,实体瘤中细胞外液环境的pH更低,为pH 5.7~6.8。细胞内含体/溶酶体也在进展过程中酸度不断增加,在晚期溶酶体中pH低至pH 4.5~5.5[8]。上述pH差异是触发环境响应型载体释药的理想条件。目前,pH响应型药物递送系统已经被广泛研究,如高分子聚合物、生物大分子、脂质体/脂质纳米粒、金属有机框架、无机材料以及无载体递送系统等。本文根据不同载体材料类型,总结了pH响应型肿瘤靶向递送系统的设计策略,对其在肿瘤免疫治疗方面的应用进行了综述,并探讨了不同递送材料的优势和应用(表1),为精准靶向抗肿瘤递送系统的研发提供参考。
表 1 pH响应型药物递送系统的类型及其优缺点载体类型 优势 缺点 代表性设计 响应原理 高分子聚合物 易于合成、改性灵活 降解困难、免疫原性 PAMAM[9]、PDPA[10] 叔胺质子化 生物大分子 生物相容性高 稳定性低、成本高 壳聚糖外壳[11]
牛血清白蛋白外壳[12]
DNA四面体[13]羟基/氨基质子化
溶酶体降解
酰胺键断裂脂质体/脂质纳米粒 生物相容性高 载药量低 DOPE脂质体[14]
β葡聚糖脂质体[15]
PEI脂质纳米粒[16]磷酸乙醇胺质子化
羟基质子化
叔胺质子化生物膜 同源靶向性、可逃避免疫
系统的清除生物安全性尚不明确、
异质性细胞膜[17]
外泌体[18]酸响应涨破
苯甲酸亚胺键断裂无机材料 高稳定性、载药量高 不易代谢与清除 MSN包裹聚合物外壳[19] MnO2[20]、CaCO3[21] 叔胺质子化
酸响应化学分解金属-有机框架 结构灵活可调、具有免疫活性 生物安全性尚不明确 ZIF-8[22]、MOF-5[23]、铁基MOF[24]、
锰基MOF[25]有机配体质子化 无载体递送系统 载药量高 药物易泄漏和降解 多肽/抗体-药物偶联物[26]
光敏剂-药物偶联物[27]
佐剂-抗原自组装[28]腙键断裂
腙键断裂
非共价结合减弱1. 高分子聚合物
高分子聚合物易于合成、改性灵活,被广泛应用于药物递送中。其中叔胺官能团在酸性pH中发生可逆质子化并带正电,因此含有叔胺结构的聚合物是pH响应型、电荷可转换的理想药物递送材料;席夫碱可以在较低pH下发生不可逆水解产生胺进而被质子化,因此也可用于合成pH响应型聚合物的前体材料[29]。除了聚合物胺基的质子化外,酸度的增加还可能导致酯、缩酮、缩醛和酰胺键等共价键的断裂从而引起载药纳米载体的理化性质发生改变[30]。
一些化疗药物除了依靠细胞毒性作用杀伤肿瘤细胞外,还可通过诱导细胞发生免疫原性细胞死亡(immunogenic cell death,ICD)而引起机体抗肿瘤免疫反应。ICD以钙网蛋白(calreticulin,CRT)暴露、高迁移率族蛋白B1(high mobility group box 1 protein,HMGB1)释放和三磷酸腺苷(adenosine triphosphate,ATP)分泌为主要特征,是增加免疫细胞在肿瘤部位浸润的重要方法。Xia等[9]通过pH敏感腙键将阿霉素(doxorubicin,Dox)缀合在氨基封端的聚酰胺树枝状聚合物PAMAM,通过静电吸附将免疫佐剂(CpG ODN)负载到纳米制剂上,纳米制剂进一步用低分子量肝素(low molecular weight heparin,LMWH)进行修饰,以防止被网状内皮系统吸收。在肿瘤微环境中,纳米颗粒(LMWH/PPD/CpG)腙键断裂,释放CpG ODN和Dox。LMWH/PPD/CpG治疗的小鼠肿瘤切片的免疫组织化学染色显示CRT的暴露和HMGB1的释放,表明pH响应型纳米颗粒与化疗药物和免疫佐剂共同诱导ICD,并成功地诱导树突状细胞(dendritic cell,DC)成熟以及激活针对肿瘤的特异性CTL反应。
肿瘤相关巨噬细胞(tumor-associated macrophage,TAM)在肿瘤抗原清除和塑造免疫微环境中发挥着关键作用,相较于抗肿瘤的M1型TAM,M2型TAM的溶酶体酸度更强、蛋白酶活性更高,限制了有效的抗原交叉提呈。为了选择性抑制M2型TAM的促肿瘤活性,Tang等[31]利用pH超敏聚合物胶束负载咪唑喹啉(imidazoquinolinone,IMDQ)设计了一种pH门控纳米佐剂,选择性地在肿瘤M2-TAMs的溶酶体中响应低至pH 4.4,聚合物疏水端的叔胺吸收质子而使胶束解散,释放IMDQ同时碱化溶酶体酸度,使M2-TAM转化为M1-TAM,促进抗原交叉呈递并激发适应性肿瘤免疫。
利用聚合物制备纳米制剂共同递送抗原和佐剂的策略具有多种优势:(1)将抗原和佐剂负载在纳米颗粒中可以避免在被抗原呈递细胞(antigen-presenting cells,APCs)摄取之前降解;(2)抗原和佐剂共刺激可以引起更有效的免疫反应;(3)一定尺寸范围的纳米制剂具有淋巴结引流的内在特征,并可通过适当的修饰来增强APC摄取。当具有pH响应键或基团的聚合物被APC摄取并对溶酶体的低pH响应时,可帮助所载抗原和佐剂实现溶酶体逃逸,从而进入细胞质中与靶标作用[32]。在Su等[10]的研究中,pH响应型聚[2-(二异丙氨基)乙基甲基丙烯酸酯](PDPA)被设计为纳米颗粒的疏水核心,通过疏水-疏水相互作用封装新抗原。当被抗原呈递细胞摄取时,pH敏感的PDPA在溶酶体酸性环境中质子化,导致纳米粒解散和溶酶体破裂,新抗原从其内部释放。同时,共同递送的cGAMP通过激活干扰素基因刺激因子(stimulator of interferon genes,STING)信号通路刺激IFN-I炎症反应,并促进新抗原的交叉呈递,引起有效且持久的新抗原特异性T细胞免疫反应。
2. 生物大分子
生物大分子如蛋白、核酸、多糖等不仅可以作为纳米药物递送系统(drug delivery system,DDS)的功能部分,还可以作为载体进行药物递送。其中,壳聚糖包被的DDS在弱酸性(pH<6.5)条件下表现出加速药物释放的性质,是靶向酸性TME的优良材料。Guo等[11]通过双乳液溶剂蒸发法合成了包裹IFN-γ、Gox、siPD-L1的PLGA纳米颗粒,然后在表面涂覆壳聚糖(IFN-G-siRNA-PCS NPs),3种治疗剂在pH 6.5时快速释放。在MC38结肠癌荷瘤小鼠模型中,IFN-G-siRNA-PCS NPs相较于其他对照组最大程度地抑制了肿瘤生长,且肿瘤浸润CD8+ T细胞比例从34.5%显著增加至58.1%,制剂明显改善了肿瘤免疫抑制性TME。
牛血清白蛋白(bovine serum albumin,BSA)具有提高载体稳定性、延长药物半衰期、降低药物毒性、提高疗效、克服血脑屏障等多种重要作用,同时白蛋白具有丰富的功能基团和许多疏水结合位点,是功能化修饰的理想材料[12]。Cen等[33]通过自组装方法制备了ZnS@BSA纳米簇,BSA在酸性溶酶体中部分降解暴露ZnS,ZnS进一步响应低pH而释放锌离子,通过破坏线粒体并释放线粒体DNA而激活cGAS/STING信号通路,ZnS@BSA产生的硫化氢气体通过抑制肝癌细胞中的过氧化氢酶促进活性氧的产生。纳米团簇在Hepa1-6肝癌小鼠模型中显著抑制肿瘤生长,肿瘤中浸润的CD8+ T细胞和淋巴结中的DC分别增加了25%和10%,在小鼠原位肿瘤的对侧再次接种Hepa1-6后,肿瘤依然受到最大程度抑制,表明ZnS@BSA在接受治疗的小鼠体内引起了有效的免疫记忆效应。
Fan等[13]开发了一种pH响应型四面体DNA纳米递送系统,可同时递送免疫调节剂CpG ODN和PD-L1拮抗性DNA适体(CP@TDN),核酸基序结构对酸性具有超敏感特性,可以实现可逆的pH响应,吸入递送方式显示出高效的肺部肿瘤内的积累。通过精确控制CpG和PD-L1适体的比例,获得的CP@TDN可以在酸性肿瘤微环境中特异性释放PD-L1适体来阻断PD-1/PD-L1,然后被APC胞吞,APC被CpG ODN激活并分泌白介素(interleukin,IL)-6、肿瘤坏死因子(tumor necrosis factor,TNF)-α、IL-12和IFN-γ等促炎细胞因子,引发强大的抗肿瘤免疫并抑制转移性肺肿瘤的生长。
3. 脂质体/脂质纳米粒
一些小分子药物的低水溶性阻碍了其在临床癌症治疗中的应用,而脂质体能够通过将难溶性药物封装在其疏水层中提高药物水溶性。含有抗原蛋白或肽的pH响应型脂质体可以实现抗原向APC的选择性递送和胞内释放,从而促进抗原特异性细胞免疫。Yuba等[15]制备了一种pH响应型脂质体OVA疫苗,通过掺入阳离子脂质增加了pH响应型羧化β-葡聚糖和Toll样受体9(toll-like receptor 9,TLR9)激动剂(CpG-ODN)的负载。脂质体在E.G7-OVA荷瘤小鼠体内表现出显著肿瘤生长抑制,且在两次注射后肿瘤组织中IL-6、IL-12含量明显增加,M1-TAM与M2-TAM比例增加约30%,改善了免疫抑制型肿瘤微环境。
Li等[14]构建了一种pH响应型纳米脂质体(DP/R/L@Lip),在亲水层负载免疫佐剂R848和血管紧张素Ⅱ受体拮抗剂氯沙坦(losartan,LOS),同时在疏水核心包载ICD诱导剂Dox。在pH 5.0和GSH存在的条件下,含有DOPE的脂质膜破裂,3种药物12 h释放量超过60%。在4T1乳腺癌小鼠模型上,DP/R/L@Lip的肿瘤抑制率达到90.44%,由于Dox的ICD诱导作用和R848的TLR激动性,淋巴结中成熟DC比例比对照组高约3.5倍,CD8+ T细胞比例从8.9%增加至31%。
脂质纳米粒(lipid nanoparticle,LNP)是脂质载体给药系统中的另一种重要的制剂形式,封装在LNP中的核酸在传递过程中受到保护,不受酶降解,并被有效地传递到细胞质中。Yang等[16]制备了负载PD-L1-siRNA和表皮生长因子(epidermal growth factor receptor,EGFR)短肽抗原的LNP(EPV-PEI-LP-siRNA),在酸性条件下聚乙烯亚胺(polyethyleneimine,PEI)中的叔胺基团发生质子化,脂质纳米粒的正电性降低,PEI-LNP纳米载体与siRNA之间的静电相互作用减弱,导致药物释放,在pH 5的酸性条件下,siRNA的20 h释放率达90%。EPV-PEI-LP-siRNA处理的A549细胞中PD-L1蛋白量降低约80%,并在A549/ T细胞共培养体系中检测到IFN-γ和TNF-α水平显著升高,而免疫抑制性细胞因子IL-10水平显著降低。
4. 生物膜
通过对纳米药物递送系统(nano-drug delivery system,NDDS)表面进行适当的修饰,可以延长药物的体内循环时间,增强肿瘤靶向性、肿瘤微环境响应性,生物膜伪装技术使其纳米制剂具有免疫逃逸作用,能够减少血液清除而被广泛应用。Gong等[17]使用混合仿生膜(来自巨噬细胞和癌细胞)开发了一种pH响应型共递送平台,用于共递送免疫代谢调节剂二甲双胍(metformin,Met)和纤维蛋白原样蛋白1的小干扰RNA(siFGL1)。为了帮助siRNA的溶酶体逃逸以实现有效的胞质siRNA递送,使用Met的胍基与CO2通过pH触发的可逆反应生成Met-CO2,当纳米制剂进入溶酶体时响应低pH释放CO2以帮助siFGL1溶酶体逃逸,对4T1荷瘤小鼠给药后,肿瘤抑制率达到97.3%,并延长小鼠的生存期近40 d,肿瘤中CD8+ T细胞比例从10.8%增加至25.4%,肿瘤内IFN-γ和IL-2含量增加了3倍以上。
外泌体是细胞分泌的一种胞外囊泡,直径30~100 nm,具有磷脂双分子层结构,可携带蛋白质和核酸在细胞间发挥物质传递、信息沟通的作用。Zhang等[18]开发了来源于甲胎蛋白(alpha fetoprotein,AFP)过表达巨噬细胞的工程微粒(microparticles,MP),以负载雷西莫德(R848@M2pep-MPsAFP),增强HCC肝癌的抗PD-1治疗,表面修饰的M2pep肽增强了制剂对M2型TAM的靶向作用。R848@M2pep-MPsAFP在中性磷酸盐缓冲液中保持稳定,在pH 4.5时表现出药物持续释放,制剂在Hepa1-6荷瘤小鼠体内靶向M2型TAM并将其重编程为M1表型,同时呈递AFP抗原以激活抗原特异性CD8+ T细胞的抗肿瘤免疫,GZMB+和IFN-γ+ CD8+ T数量增加10倍以上,75%的小鼠在接受R848@M2pep-MPsAFP治疗后肿瘤完全消退。
5. 无机纳米粒
无机载体凭借稳定性高的优点被广泛关注,如金纳米粒[34]、介孔二氧化硅纳米粒[35]和其他无机载体[36]。纳米结构的MnO2可通过与TME内存在的H+反应而分解,产生无害的水溶性Mn2+,随后迅速通过肾脏排出体外,因此与其他不可生物降解的无机纳米材料相比,MnO2不存在长期毒性问题。Yang等[20]设计了一种基于中空介孔MnO2(H-MnO2)药物递送平台,中空结构H-MnO2通过PEG功能化得到H-MnO2-PEG纳米粒子,具有良好的生理稳定性。光敏剂氯e6(Ce6)和抗癌药物Dox被共同负载到这种具有高载药能力的HMnO2-PEG纳米平台中(H-MnO2-PEG/C&D)。在酸性pH下,MnO2快速分解释放所负载药物,其分解产生的Mn2+触发肿瘤内源性H2O2原位产生氧气,抑制缺氧造成的Treg浸润和巨噬细胞的M2型极化,增加肿瘤部位CTLs浸润和IFN-γ的分泌。
Li等[21]基于Ca2+设计了一种酸可激活的免疫纳米制剂,用于激活T细胞以增强免疫治疗。在该系统(CaIPC)中,纳米制剂由CaCO3作为基质,负载IDO小分子抑制剂(IDOi)并用CpG ODN进行功能化。CaIPC纳米粒子在pH 6.5条件下2 h后逐渐解体,CaCO3分解释放出CpG ODN、IDOi和Ca2+,CpG ODNs作为免疫刺激佐剂促进树突状细胞成熟,进而将抗原呈递给T细胞;IDOi抑制Trp氧化分解为Kyn,防止T细胞无反应和凋亡。与单体药物相比,多组分协同免疫纳米药物的肿瘤抑制率超过90%,并且表现出良好的长期免疫记忆效应,可以防止肿瘤复发。
介孔二氧化硅纳米颗粒(mesoporous silicon nanocarrier,MSNs)是新一代无机DDS,具有高物理化学稳定性,较大的孔体积和比表面积使其具有高载药量,改善了药物溶解度和生物利用度,因此,将药物封装在MSN中可改善药物的理化性质并增强其治疗效果,MSNs的表面改性使其可对不同刺激做出响应,从而实现药物的可控释放[37]。Zheng等[19]开发了一种多功能纳米制剂(MFNM),内部核心是负载小分子药物的MSN,外壳由一层pH响应型聚合物PC7A网络组成,控制MSN携带的小分子药物的响应释放,并提供易于抗体修饰的活性位点。在这项研究中,利用核心负载环磷酰胺(cyclophosphamide,CTX),在表面缀合αPD-L1和α4-1BB(CD137L)的单克隆抗体来激活TME中的CTLs。制剂到达肿瘤酸性TME后,PC7A壳的质子化导致CTX的释放,表面的αPD-L1 mAbs阻断了PD-1/PD-L1相互作用,防止T细胞耗竭,而α4-1BB mAbs可以激活T细胞的信号级联反应,从而增强T细胞的活化。考虑到肿瘤类型的多样性,可以通过改变抗体和小分子药物来针对不同肿瘤进行制剂改进,因此,MFNM为开发需要同时调节多个生物过程的免疫疗法提供了一个可行的平台。
6. 金属-有机框架
虽然无机DDS已被证明具有很强的稳定性、可控的药物释放和高载药量,但其在体内存在不易代谢与清除的隐患[38]。金属有机配位材料是有机-无机杂化材料中的一类重要材料,其结合了金属粒子的免疫活性和有机材料的可修饰性,并可以通过调节超分子结构以响应环境刺激来实现多种功能,如金属有机框架(metal organic frameworks,MOF)是由金属离子和有机配体通过配位键桥接成多孔二维或三维结构,多孔结构与高比表面积使其成为药物递送的优良候选材料[39, 40]。
Zhang等[22]通过将CpG ODN封装到沸石咪唑骨架-8(zeolitic imidazolate framework-8,ZIF-8)纳米颗粒中构建了新型CpG ODN递送系统。ZIF-8由于多孔结构而具有高CpG ODN负载能力。ZIF-8/CpG ODN复合物在生理环境中表现出良好的稳定性,但在溶酶体的酸性条件下,锌离子和咪唑基团之间的配位键断裂,有效释放CpG ODN以刺激溶酶体内的TLR-9。体外和体内细胞因子测定表明,ZIF-8/CpG ODN复合物诱导更多的细胞因子分泌,并表现出有效的免疫刺激活性。
MOF-5以Zn2+为金属离子、1,4-苯二甲酸(BDC)为配体,由于其酸响应降解性质而被应用于抗肿瘤药物输送。MOF-5内的Zn2+可诱导线粒体功能障碍并激活内质网应激,具有诱导ICD的功能。Dai等[23]设计了一种含有Gd3+和Zn2+的双金属MOF纳米颗粒(Gd-MOF-5),具有酸响应降解性的Gd-MOF-5纳米粒子成功地将Gd3+和Zn2+传递到癌细胞细胞质中,Gd3+与Ca2+竞争结合跨膜蛋白16F,从而抑制磷脂酰丝氨酸外翻;大量Zn2+导致线粒体功能障碍,激活内质网应激并破坏细胞钙稳态,引起肿瘤细胞ICD,显著改善癌症免疫治疗的效果。在4T1荷瘤小鼠模型中,Gd-MOF-5治疗增加了肿瘤中DC的成熟,进而引起T细胞浸润增加,CD4+ T和CD8+ T细胞的比例相对于未给药组均增加了3倍左右。
铁死亡是一种铁依赖性的细胞程序性死亡方式,较凋亡、坏死、自噬等死亡方式具有更强的ICD效应[41-42]。诱导有效的铁死亡关键在于提高细胞内铁水平,这需要高效的铁元素供应,铁基MOF因含铁量高和多孔结构而成为理想的铁供体和药物递送系统。转铁蛋白是一种在肿瘤细胞表面高表达的铁转运糖蛋白,可通过转铁蛋白受体(transferrin receptor,TfR)介导的内吞作用将铁整合到细胞中,含铁MOF和转铁蛋白的组合可增强铁的内吞作用。Xu等[24]提出了一种pH响应型纳米系统来实现铁死亡/焦亡介导的抗癌作用,纳米药物(Tf-LipoMof@PL)由负载胡椒碱(Piper nigrum L,PL)的铁基MOF构建,并涂有转铁蛋白修饰的pH敏感脂质层。含铁MOF为诱导铁死亡提供丰富的铁,转铁蛋白修饰的脂质层可进一步促进其内吞作用,为铁死亡和细胞焦亡的发生提供了先决条件,PL可诱导肿瘤细胞铁死亡,并产生H2O2用于通过芬顿反应增加胞内ROS。纳米药物在异种移植小鼠模型中表现出理想的抗癌效果,证明铁死亡/焦亡双诱导纳米平台是一种有效的抗癌方式。
Xu等[25]通过简单的一步程序整合氯化锰四水合物(MnCl2 • 4H2O)、2-甲基咪唑和重楼皂苷Ⅰ(polyphyllin I,PPI),然后用红细胞(red blood cell,RBC)膜包被,制备了有良好生物相容性的锰基MOF(RBC@Mn-MOF/PPI),最大限度地提高STING激动剂(PPI和Mn2+)的治疗效果并降低全身毒性。仿生RBC@Mn-MOF/PPI伪装成内源性物质以避免免疫系统的识别和清除,当到达酸性肿瘤微环境时Mn-MOF/PPI的解体加速,PPI和Mn2+通过cGAS/STING途径促进DC成熟、CTL浸润和自然杀伤细胞(natural killer cell,NK)招募,帮助将冷肿瘤转化为热肿瘤,从而减少原发性和远端肿瘤生长并抑制了约50%的肿瘤肺转移。
7. 无载体递送系统
无载体纳米前药可经实体瘤的高通透性和滞留效应(enhanced permeability and retention effect,EPR)蓄积于肿瘤部位,同时兼具超高载药量和药物控释等优点,作为新兴的药物递送系统受到广泛关注。
单克隆抗体可精确靶向肿瘤表面抗原而抑制或激活相应靶点,然而,由于对癌细胞的直接杀伤力较弱,单独使用单克隆抗体的治疗往往效果不佳;化疗药物具有强细胞毒性,但全身分布往往造成严重的系统毒性,因此将抗体与化疗药物结合是理想的癌症治疗策略。抗体-药物偶联物(antibody-drug conjugate,ADC)由单克隆抗体(monoclonal antibody,mAb)、化疗药物以及二者的连接体组成,结合了mAb高度特异性靶向能力和化药的强效杀伤优点,实现精准高效消灭癌细胞,已成为抗癌药物研发的热点之一。ADC中的连接体与ADC的稳定性和适时释放密切相关,对于ADC的最终疗效至关重要。腙是典型的酸敏感连接体,其连接的ADC通常在血液循环中保持稳定,但在内化到目标癌细胞后会响应溶酶体低pH较快水解,释放化疗药物[43]。Lin等[26]合成了含有反式环辛烯TCO基团的前药TCO-Dox以暂时屏蔽Dox的毒性,屏蔽作用可通过3,6-二甲基-1,2,4,5-四嗪(Me2Tz)释放Dox的游离胺而解除,通过含腙键接头将TCO-Dox与Her2的人源化单克隆抗体曲妥珠单抗连接,形成pH敏感型ADC(TCO-Dox-Ab),在Her2+ MDA-MB-231肿瘤异种移植小鼠上验证其药效,TCO-Dox-Ab和Me2 Tz联合使用时表现出最明显的肿瘤抑制效果,并且明显降低了Dox对正常组织的毒性。
尽管纳米疫苗有一定治疗效果,但仍存在一些局限性:如载体材料毒性、载体免疫原性、抗原负载不足、抗原暴露受阻等。Zeng等[28]提出了一种2’氟化CpG(2’F-CpG)与黑色素瘤新抗原肽(Obsl1)直接自组装的无载体纳米疫苗创新策略。该纳米疫苗仅由免疫佐剂和新抗原组成,具有高度生物相容性和抗原含量,有助于提高APC的摄取并增强有效的抗原交叉呈递。纳米疫苗在体外可刺激CD80+ CD86+ 骨髓来源树突状细胞(bone marrow-derived dendritic cells,BMDCs)成熟比例增加约40%,其培养液上清中TNF-α、IL-6、IL-12含量显著增加,B16F10黑色素瘤荷瘤小鼠在纳米疫苗治疗后生存期明显延长。
Dox与ICG联合应用可实现化疗与光动力治疗的双重作用。Jin等[27]将Dox与ICG通过pH敏感腙键连接后形成Dox-ICG,缀合物在pH 7.4下相对稳定,36 h内释放的Dox小于10%,而在pH 5.0和pH 6.5时,Dox-ICG缀合物释放的Dox明显增加,在4T1荷瘤小鼠体内显示出强烈的抗肿瘤作用,肿瘤ICD显著增强。将PD-L1小分子抑制剂BMS 202负载到Dox-ICG上后,对小鼠主要脏器无毒性作用,与使用单一药物相比,用Dox-ICG-BMS 202治疗显著抑制了原发性肿瘤的生长并减少了肺转移,CD8+ T和CD4+ T的比例比未治疗组分别高3.7倍和6.9倍,免疫刺激细胞因子(IFN-γ、TNF-α和IL-12)的浓度均增加5倍以上。
8. 结语与展望
肿瘤免疫疗法通过调动患者自身免疫系统功能清除癌细胞,具有广阔的应用前景,但受到患者响应率有限、特异性低、免疫相关不良事件等限制。pH响应型纳米递药系统可以有效减少药物在循环中的泄漏以及在正常组织中的分布,使药物选择性地作用于肿瘤微环境中的靶细胞表面受体或细胞内部级联信号通路,从而改善肿瘤免疫治疗效果并降低毒副作用。不同的pH敏感型递送载体具有各自独特的优势,如有机聚合物的易于修饰、无机材料的高稳定性、生物大分子的生物相容性、脂质体/脂质纳米粒对难溶药物溶解度的提升、生物膜载体的靶向性和逃避免疫系统清除的性质、MOF材料的结构灵活可调、无载体系统的高载药量等。然而,响应型纳米制剂的制备过程相对烦琐、成本较高,因此在临床转化中仍存在一定的挑战,急需开发可用于快速制备和表征的现代化仪器与符合GMP生产条件的可放大生产体系。此外,不同患者或不同肿瘤类型的pH异质性可能会限制pH响应型制剂的广泛应用,针对此可以开发诊疗一体化制剂体系以实现个性化肿瘤免疫治疗,或在pH基础上结合肿瘤微环境的其他特点(如氧化还原水平、酶等),开发 “与”“或”“非”等释药更加精准的“门控式”递释系统。
-
[1] Smietana K, Siatkowski M, M?ller M. Trends in clinical success rates[J]. Nat Rev Drug Discov, 2016, 15(6): 379-380. [2] DiMasi JA, Grabowski HG, Hansen RW. The cost of drug development[J]. N Engl J Med, 2015, 372(20): 1972. [3] Schirle M, Jenkins JL. Identifying compound efficacy targets in phenotypic drug discovery[J]. Drug Discov Today, 2016, 21(1): 82-89. [4] Mak KK, Pichika MR. Artificial intelligence in drug development: present status and future prospects[J]. Drug Discov Today, 2019, 24(3): 773-780. [5] Chen HM, Engkvist O, Wang YH, et al. The rise of deep learning in drug discovery[J]. Drug Discov Today, 2018, 23(6): 1241-1250. [6] Rifaioglu AS, Atas H, Martin MJ, et al. Recent applications of deep learning and machine intelligence on in silico drug discovery: methods, tools and databases[J]. Brief Bioinform, 2019, 20(5): 1878-1912. [7] Jumper J, Evans R, Pritzel A, et al. Highly accurate protein structure prediction with AlphaFold[J]. Nature, 2021, 596(7873): 583-589. [8] Baek M, DiMaio F, Anishchenko I, et al. Accurate prediction of protein structures and interactions using a three-track neural network[J]. Science, 2021, 373(6557): 871-876. [9] Raies A, Tulodziecka E, Stainer J, et al. DrugnomeAI is an ensemble machine-learning framework for predicting druggability of candidate drug targets[J]. Commun Biol, 2022, 5(1): 1291. [10] Luo FL, Wang MH, Liu Y, et al. DeepPhos: prediction of protein phosphorylation sites with deep learning[J]. Bioinformatics, 2019, 35(16): 2766-2773. [11] Du HY, Jiang DJ, Gao JB, et al. Proteome-wide profiling of the covalent-druggable cysteines with a structure-based deep graph learning network[J]. Research, 2022, 2022: 9873564. [12] Patel L, Shukla T, Huang XZ, et al. Machine learning methods in drug discovery[J]. Molecules, 2020, 25(22): 5277. [13] Xie QQ, Zhong L, Pan YL, et al. Combined SVM-based and docking-based virtual screening for retrieving novel inhibitors of c-Met[J]. Eur J Med Chem, 2011, 46(9): 3675-3680. [14] Chen JJF, Visco DP Jr . Developing an in silico pipeline for faster drug candidate discovery: virtual high throughput screening with the Signature molecular descriptor using support vector machine models[J]. Chem Eng Sci, 2017, 159: 31-42.[15] Chen JJF, Visco DP Jr . Identifying novel factor XIIa inhibitors with PCA-GA-SVM developed vHTS models[J]. Eur J Med Chem, 2017, 140: 31-41.[16] Singh H, Singh S, Singla D, et al. QSAR based model for discriminating EGFR inhibitors and non-inhibitors using Random forest[J]. Biol Direct, 2015, 10: 10. [17] Prathipati P, Ma NL, Keller TH. Global Bayesian models for the prioritization of antitubercular agents[J]. J Chem Inf Model, 2008, 48(12): 2362-2370. [18] Tuerkova A, Bongers BJ, Norinder U, et al. Identifying novel inhibitors for hepatic organic anion transporting polypeptides by machine learning-based virtual screening[J]. J Chem Inf Model, 2022, 62(24): 6323-6335. [19] Xu YQ, Chen PP, Lin XH, et al. Discovery of CDK4 inhibitors by convolutional neural networks[J]. Future Med Chem, 2019, 11(3): 165-177. [20] Duvenaud D, Maclaurin D, Aguilera-Iparraguirre J, et al. Convolutional networks on graphs for learning molecular fingerprints[C]// Proceedings of the 28th International Conference on Neural Information Processing Systems - Volume 2 . New York: ACM, 2015: 2224-2232.[21] Peng JJ, Wang YX, Guan JJ, et al. An end-to-end heterogeneous graph representation learning-based framework for drug-target interaction prediction[J]. Brief Bioinform, 2021, 22(5): bbaa430 .[22] Shao KH, Zhang YH, Wen YQ, et al. DTI-HETA: prediction of drug-target interactions based on GCN and GAT on heterogeneous graph[J]. Brief Bioinform, 2022, 23(3): bbac109 .[23] Wu YF, Gao M, Zeng M, et al. BridgeDPI: a novel Graph Neural Network for predicting drug-protein interactions[J]. Bioinformatics, 2022, 38(9): 2571-2578. [24] Tsubaki M, Tomii K, Jun SS. Compound-protein interaction prediction with end-to-end learning of neural networks for graphs and sequences[J]. Bioinformatics, 2019, 35(2): 309-318. [25] SMILES Weininger D., a chemical language and information system. 1. Introduction to methodology and encoding rules[J]. J Chem Inf Comput Sci, 1988, 28(1): 31-36. [26] Zhang YF, Wang XG, Kaushik AC, et al. SPVec: a Word2Vec-inspired feature representation method for drug-target interaction prediction[J]. Front Chem, 2019, 7: 895. [27] Xu YQ, Yao HQ, Lin KJ. An overview of neural networks for drug discovery and the inputs used[J]. Expert Opin Drug Discov, 2018, 13(12): 1091-1102. [28] Li FL, Hu QY, Zhang XL, et al. DeepPROTACs is a deep learning-based targeted degradation predictor for PROTACs[J]. Nat Commun, 2022, 13(1): 7133. [29] Ballester PJ, Mitchell JB. A machine learning approach to predicting protein-ligand binding affinity with applications to molecular docking[J]. Bioinformatics, 2010, 26(9): 1169-1175. [30] Sánchez-Cruz N, Medina-Franco JL, Mestres J, et al. Extended connectivity interaction features: improving binding affinity prediction through chemical description[J]. Bioinformatics, 2021, 37(10): 1376-1382. [31] ?ztürk H, ?zgür A, Ozkirimli E. DeepDTA: deep drug-target binding affinity prediction[J]. Bioinformatics, 2018, 34(17): i821-i829. [32] Hua Y, Song XN, Feng ZH, et al. MFR-DTA: a multi-functional and robust model for predicting drug-target binding affinity and region[J]. Bioinformatics, 2023, 39(2): btad056 .[33] Nguyen T, Le H, Quinn TP, et al. GraphDTA: predicting drug-target binding affinity with graph neural networks[J]. Bioinformatics, 2021, 37(8): 1140-1147. [34] Yang ZD, Zhong WH, Zhao L, et al. MGraphDTA: deep multiscale graph neural network for explainable drug-target binding affinity prediction[J]. Chem Sci, 2022, 13(3): 816-833. [35] Krasoulis A, Antonopoulos N, Pitsikalis V, et al. DENVIS: scalable and high-throughput virtual screening using graph neural networks with atomic and surface protein pocket features[J]. J Chem Inf Model, 2022, 62(19): 4642-4659. [36] Ragoza M, Hochuli J, Idrobo E, et al. Protein-ligand scoring with convolutional neural networks[J]. J Chem Inf Model, 2017, 57(4): 942-957. [37] Hochuli J, Helbling A, Skaist T, et al. Visualizing convolutional neural network protein-ligand scoring[J]. J Mol Graph Model, 2018, 84: 96-108. [38] Jiménez J, ?kali? M, Martínez-Rosell G, et al. KDEEP: protein-ligand absolute binding affinity prediction via 3D-convolutional neural networks[J]. J Chem Inf Model, 2018, 58(2): 287-296. [39] G?ller AH, Kuhnke L, Montanari F, et al. Bayer''s in silico ADMET platform: a journey of machine learning over the past two decades[J]. Drug Discov Today, 2020, 25(9): 1702-1709. [40] Mayr A, Klambauer G, Unterthiner T, et al. DeepTox: toxicity prediction using deep learning[J]. Front Environ Sci, 2016, 3: 80. [41] Xiong GL, Wu ZX, Yi JC, et al. ADMETlab 2.0: an integrated online platform for accurate and comprehensive predictions of ADMET properties[J]. Nucleic Acids Res, 2021, 49(W1): W5-W14. [42] Lu L, Qin JL, Chen JD, et al. Recent computational drug repositioning strategies against SARS-CoV-2[J]. Comput Struct Biotechnol J, 2022, 20: 5713-5728. [43] Su XR, Hu L, You ZH, et al. A deep learning method for repurposing antiviral drugs against new viruses via multi-view nonnegative matrix factorization and its application to SARS-CoV-2[J]. Brief Bioinform, 2022, 23(1): bbab526 .[44] Zeng XX, Song X, Ma TF, et al. Repurpose open data to discover therapeutics for COVID-19 using deep learning[J]. J Proteome Res, 2020, 19(11): 4624-4636. [45] Zeng XX, Wang F, Luo Y, et al. Deep generative molecular design reshapes drug discovery[J]. Cell Rep Med, 2022, 3(12): 100794. [46] Xu YJ, Lin KJ, Wang SW, et al. Deep learning for molecular generation[J]. Future Med Chem, 2019, 11(6): 567-597. [47] Tong XC, Liu XH, Tan XQ, et al. Generative models for de novo drug design[J]. J Med Chem, 2021, 64(19): 14011-14027. [48] Li XY, Xu YQ, Yao HQ, et al. Chemical space exploration based on recurrent neural networks: applications in discovering kinase inhibitors[J]. J Cheminform, 2020, 12(1): 42. [49] Segler MHS, Kogej T, Tyrchan C, et al. Generating focused molecule libraries for drug discovery with recurrent neural networks[J]. ACS Cent Sci, 2018, 4(1): 120-131. [50] Olivecrona M, Blaschke T, Engkvist O, et al. Molecular de-novo design through deep reinforcement learning[J]. J Cheminform, 2017, 9(1): 48. [51] Popova M, Isayev O, Tropsha A. Deep reinforcement learning for de novo drug design[J]. Sci Adv, 2018, 4(7): eaap7885 .[52] Zhavoronkov A, Ivanenkov YA, Aliper A, et al. Deep learning enables rapid identification of potent DDR1 kinase inhibitors[J]. Nat Biotechnol, 2019, 37(9): 1038-1040. [53] Zheng SJ, Tan YH, Wang ZY, et al. Accelerated rational PROTAC design via deep learning and molecular simulations[J]. Nat Mach Intell, 2022, 4(9): 739-748. [54] Gómez-Bombarelli R, Wei JN, Duvenaud D, et al. Automatic chemical design using a data-driven continuous representation of molecules[J]. ACS Cent Sci, 2018, 4(2): 268-276. [55] Polykovskiy D, Zhebrak A, Vetrov D, et al. Entangled conditional adversarial autoencoder for de novo drug discovery[J]. Mol Pharm, 2018, 15(10): 4398-4405. [56] Wang JK, Wang XR, Sun HY, et al. ChemistGA: a chemical synthesizable accessible molecular generation algorithm for real-world drug discovery[J]. J Med Chem, 2022, 65(18): 12482-12496. [57] Khemchandani Y, O''Hagan S, Samanta S, et al. DeepGraphMolGen, a multi-objective, computational strategy for generating molecules with desirable properties: a graph convolution and reinforcement learning approach[J]. J Cheminform, 2020, 12(1): 53. [58] Maziarka ?, Pocha A, Kaczmarczyk J, et al. Mol-CycleGAN: a generative model for molecular optimization[J]. J Cheminform, 2020, 12(1): 2. [59] Wang MY, Hsieh CY, Wang JK, et al. RELATION: a deep generative model for structure-based de novo drug design[J]. J Med Chem, 2022, 65(13): 9478-9492. [60] Ragoza M, Masuda T, Koes DR. Generating 3D molecules conditional on receptor binding sites with deep generative models[J]. Chem Sci, 2022, 13(9): 2701-2713. [61] Wang JK, Hsieh CY, Wang MY, et al. Multi-constraint molecular generation based on conditional transformer, knowledge distillation and reinforcement learning[J]. Nat Mach Intell, 2021, 3(10): 914-922. [62] Li YB, Zhang LR, Liu ZM. Multi-objective de novo drug design with conditional graph generative model[J]. J Cheminform, 2018, 10(1): 33. [63] Segler MHS, Preuss M, Waller MP. Planning chemical syntheses with deep neural networks and symbolic AI[J]. Nature, 2018, 555(7698): 604-610. [64] Ishida S, Terayama K, Kojima R, et al. Prediction and interpretable visualization of retrosynthetic reactions using graph convolutional networks[J]. J Chem Inf Model, 2019, 59(12): 5026-5033. [65] Schwaller P, Petraglia R, Zullo V, et al. Predicting retrosynthetic pathways using transformer-based models and a hyper-graph exploration strategy[J]. Chem Sci, 2020, 11(12): 3316-3325. [66] Yuan WN, Chen GX, Chen CYC. FusionDTA: attention-based feature polymerizer and knowledge distillation for drug-target binding affinity prediction[J]. Brief Bioinform, 2022, 23(1): bbab506 .[67] Goebel L, Müller MP, Goody RS, et al. KRasG12C inhibitors in clinical trials: a short historical perspective[J]. RSC Med Chem, 2020, 11(7): 760-770.
计量
- 文章访问数: 502
- HTML全文浏览量: 70
- PDF下载量: 394