DOI: https://doi.org/10.1021/acs.jcim.5c02441
PMID: https://pubmed.ncbi.nlm.nih.gov/41565251
تاريخ النشر: 2026-01-21
المؤلف: Oleksandra Herasymenko وآخرون
الموضوع الرئيسي: طرق اكتشاف الأدوية الحاسوبية
نظرة عامة
ركز التقييم النقدي الثالث لتجارب اكتشاف الأدوية الحاسوبية (CACHE) على تحديد جزيئات جديدة تستهدف الماكرودومين 1 من SARS-CoV-2 Nsp3، وهو هدف مهم لعلاج الفيروسات التاجية. ساهم ما مجموعه ثلاثة وعشرون مجموعة بحثية في التحدي، مما أسفر عن 1,739 مرشحًا لجزيئات، مع كون أكثر من 85% منها جديدة كيميائيًا. ومع ذلك، كانت أكثر النتائج الواعدة التي تم التحقق منها تجريبيًا مشابهة هيكليًا لمركبات معروفة سابقًا. ومن الجدير بالذكر أن اثنين من أفضل سير العمل أداءً استخدموا الفحص الحاسوبي القائم على الفيزياء لإبلاغ نماذج التعلم الآلي من أجل الفحص السريع لمكتبات كيميائية واسعة، بينما اعتمدت أربعة سير عمل فقط على الأساليب القائمة على الفيزياء. كما أشارت النتائج إلى أن الجزيئات النشطة احتفظت بشكل أساسي بهيكل حلقة الأدينين من الركيزة الذاتية ADP-ribose، مما يشير إلى استمرار الأنماط الكيميائية المعروفة في جزيئات Nsp3-Mac1، ومع ذلك تقدم رؤى جديدة حول علاقات الهيكل-النشاط لتطوير مضادات الفيروسات في المستقبل.
في الختام، يبرز CACHE #3 الطبيعة الديناميكية والمبتكرة لمجتمع تصميم الأدوية الحاسوبية، مع التركيز بشكل خاص على التقدم السريع في التعلم الآلي الذي يعزز استكشاف المساحات الكيميائية. أظهر التحدي التطبيق الناجح لتدريب الشبكات العصبية الاصطناعية باستخدام بيانات صناعية مستمدة من الفحوصات الافتراضية القائمة على الفيزياء، على الرغم من أنه سلط الضوء أيضًا على الفخاخ المحتملة مثل مجموعات بيانات التدريب المزعجة بسبب أوضاع الربط التقريبية. بينما أظهر التعلم الآلي وعدًا في تعزيز الأساليب التقليدية، إلا أنه لم يتجاوز بعد الأساليب القائمة على الفيزياء بشكل متسق. قد تمهد التطورات المستقبلية، خاصة مع ظهور وحدات معالجة الرسوميات الأسرع، الطريق لأساليب قائمة على الفيزياء أكثر قوة يمكن أن تنتج مجموعات بيانات أنظف وتحسن أداء نماذج التعلم الآلي، مما يشير إلى أن اختراقًا كبيرًا في تصميم الأدوية المدفوع بالذكاء الاصطناعي لا يزال متوقعًا.
مقدمة
ت outlines مقدمة ورقة البحث مبادرة CACHE (التقييم النقدي لتجارب اكتشاف الأدوية الحاسوبية)، والتي تعمل كمنصة مرجعية لتقييم وتعزيز أحدث ما توصلت إليه الأبحاث في اكتشاف الأدوية الحاسوبية، خاصة في سياق التعلم الآلي (ML). تتضمن العملية ترشيح هدف بروتين جديد كل بضعة أشهر، تليها تقييم مراجعة مزدوجة غير متحيزة للتقديمات من الكيميائيين الحاسوبيين وخبراء التعلم الآلي. يتم تكليف أفضل المتقدمين بتحديد مرشحات جزيئات تشبه الأدوية، والتي يتم اختبارها تجريبيًا لاحقًا لتأكيد فعالية الربط، مما يساهم في إنشاء سلاسل كيميائية ذات ثقة عالية ضد بروتين الهدف.
ركز التحدي الثالث لـ CACHE على الماكرودومين 1 من SARS-CoV-2 Nsp3 (Mac1)، وهو هدف واعد لمضادات الفيروسات بسبب دوره في استجابة الفيروس للإنترفيرون. وقد أكدت الدراسات السابقة أن Mac1 هو هدف دوائي، وقد حددت جهود الفحص الأولية أكثر من 200 رابط. تم تحدي المشاركين في CACHE #3 لاكتشاف مركبات ذات هياكل كيميائية جديدة لا تحتوي على الأحماض الكربوكسيلية، والتي تم تحديدها سابقًا كعيوب. على الرغم من أن غالبية التقديمات كانت جديدة كيميائيًا، إلا أن المركبات التي تم تأكيدها تجريبيًا غالبًا ما تشبه المثبطات الموجودة أو تحتوي على مجموعات كربوكسيلية غير مرغوب فيها. تشير هذه النتيجة إلى قيود محتملة في قاعدة بيانات Enamine REAL أو الأساليب الحاسوبية المستخدمة. أبرز التحدي أنه لم يظهر أي أسلوب حاسوبي واحد كأفضل طريقة لاكتشاف الأدوية بسرعة، حيث تم استخدام مزيج من التعلم العميق، ومصنفات الغابات العشوائية، والأساليب القائمة على الفيزياء بين الاستراتيجيات ذات الأداء العالي.
الطرق
في تحديات CACHE الجولة 2، اختارت الفرق الحاسوبية ما يصل إلى 50 نظيرًا تجاريًا من المركبات التي تم تأكيدها سابقًا للتحقق من إشارات الربط. تم تصنيع واختبار ما مجموعه 296 نظيرًا من 28 مركبًا باستخدام اختبار الفحص عالي الإنتاجية (HTRF) تلاه قياس الرنين السطحي (SPR). من بين هذه، أظهرت 114 مركبًا تثبيطًا واضحًا يعتمد على الجرعة في HTRF، بينما تم تقديم 44 مركبًا إضافيًا بناءً على معايير تثبيط محددة. في النهاية، خضعت 158 مركبًا، بما في ذلك 16 من الجولة 1، لاختبار استجابة الجرعة SPR، مما أسفر عن 84 نتيجة مؤكدة. تم تقييم هذه النتائج بشكل إضافي من حيث الخصوصية ضد Nsp3 وPARP14، مما يضمن أن الربط لم يكن عشوائيًا.
تضمنت تقييم البيانات التجريبية لجنة مستقلة تقيم جدّة المركبات، مع درجات تتراوح من 0 إلى 3. ومن الجدير بالذكر أن ثمانية من أعلى عشرة سلاسل كيميائية سجلت قيم K_D تتراوح بين 3 و28 ميكرومول، مما يشير إلى تحديد نتائج قوية خالية من الكربوكسيلي. ومع ذلك، تم اعتبار أربعة مركبات فقط جديدة كيميائيًا، مع فشل مركب واحد جديد بشكل كبير في إنتاج نظائر نشطة في الجولة 2. تشير النتائج إلى أن اكتشاف هياكل كيميائية جديدة لجيب ربط ADPr من Nsp3-Mac1 لا يزال يمثل تحديًا، حيث أن معظم الروابط المؤكدة تستند إلى قوالب منشورة سابقًا. بالإضافة إلى ذلك، أنتج تسعة من 23 سير عمل حاسوبية مركبات ذات درجات عالية، حيث حقق سير العمل WF1715 أكبر عدد من النتائج، على الرغم من أنه لم يتم اعتبار أي منها جديدة. تفوق سير العمل القائم على الفيزياء (WF1696) على الآخرين في استرجاع النتائج، مما يبرز الإمكانية لمزيد من استكشاف المكتبات الكيميائية المتنوعة.
النتائج
يقدم قسم “النتائج” من ورقة البحث النتائج الرئيسية المستمدة من التجارب أو التحليلات التي تم إجراؤها. يتضمن عادةً بيانات كمية، وتحليلات إحصائية، وتمثيلات بصرية مثل الرسوم البيانية أو الجداول التي توضح نتائج الدراسة. غالبًا ما تتم مقارنة النتائج مع الفرضيات أو الدراسات السابقة لتسليط الضوء على الاتجاهات أو الشذوذات المهمة.
في هذا القسم، قد يقوم المؤلفون بالإبلاغ عن مقاييس محددة، مثل المتوسطات، والانحرافات المعيارية، أو قيم p، لدعم ادعاءاتهم. بالإضافة إلى ذلك، يتم مناقشة أي علاقات ملحوظة أو علاقات سببية بين المتغيرات، مما يوفر رؤى حول تداعيات النتائج. بشكل عام، تعتبر النتائج أساسًا للنقاشات اللاحقة والاستنتاجات المستخلصة في الورقة.
المناقشة
عرض تحدي CACHE #3 سير العمل الحاسوبية المتنوعة التي استخدمها المشاركون في سعيهم لتحديد جزيئات جديدة تشبه الأدوية لهدف Nsp3-Mac1. من بين 25 مشاركًا، قدم 23 توقعاتهم، مستخدمين مجموعة متنوعة من الاستراتيجيات التي شملت التعلم الآلي (ML)، والديناميات الجزيئية، وتوقعات الطاقة الحرة للربط. ومن الجدير بالذكر أن 85% من المركبات المختارة كانت جديدة كيميائيًا، ومع ذلك، احتوت غالبية تلك التي تقدمت للاختبار الإضافي على التقليد الكانوني للأدينين، مما يشير إلى تحدٍ في اكتشاف أنماط كيميائية بديلة لهذا الهدف. غالبًا ما اعتمدت سير العمل التي أسفرت عن أقوى المركبات على هياكل كيميائية معروفة، مما يشير إلى أنه على الرغم من تطبيق أساليب مبتكرة، إلا أنها لم تنحرف بشكل كبير عن الهياكل المعروفة.
على الرغم من التحدي المتمثل في العثور على جزيئات جديدة كيميائيًا، نجح المشاركون في تصنيع واختبار 1,739 مركبًا، مع تقدم 28 إلى مرحلة توسيع النتائج. تؤكد النتائج على إمكانيات الأساليب الحاسوبية، خاصة تلك التي تستفيد من التعلم العميق والأساليب القائمة على الشظايا، لتعزيز اكتشاف الأدوية. ومع ذلك، تبرز النتائج أيضًا القيود في تحديد هياكل كيميائية جديدة، حيث تم بناء العديد من الاستراتيجيات الناجحة على المعرفة الموجودة من الدراسات السابقة. في النهاية، يبرز التحدي الحاجة إلى مواصلة استكشاف أنماط كيميائية جديدة ودمج تقنيات حاسوبية متقدمة لتحسين كفاءة وفعالية جهود تصميم الأدوية.
DOI: https://doi.org/10.1021/acs.jcim.5c02441
PMID: https://pubmed.ncbi.nlm.nih.gov/41565251
Publication Date: 2026-01-21
Author(s): Oleksandra Herasymenko et al.
Primary Topic: Computational Drug Discovery Methods
Overview
The third Critical Assessment of Computational Hitfinding Experiments (CACHE) focused on the identification of novel ligands targeting the macrodomain 1 of SARS-CoV-2 Nsp3, a significant target for coronavirus therapeutics. A total of twenty-three research groups contributed to the challenge, yielding 1,739 ligand candidates, with over 85% being chemically novel. However, the most promising experimentally validated hits were structurally akin to previously known compounds. Notably, two of the top-performing workflows utilized physics-based computational screening to inform machine learning models for rapid screening of extensive chemical libraries, while four workflows relied solely on physics-based methods. The findings also indicated that the active molecules predominantly retained the adenine ring structure of the endogenous substrate ADP-ribose, suggesting a continuation of established chemotypes in Nsp3-Mac1 ligands, yet offering new insights into structure-activity relationships for future antiviral development.
In conclusion, CACHE #3 underscores the dynamic and innovative nature of the computational drug design community, particularly emphasizing the rapid advancements in machine learning that enhance the exploration of chemical spaces. The challenge demonstrated the successful application of training artificial neural networks with synthetic data derived from physics-based virtual screens, although it also highlighted potential pitfalls such as noisy training datasets due to approximate docking poses. While machine learning has shown promise in augmenting traditional methods, it has not yet consistently surpassed physics-based approaches. Future developments, particularly with the advent of faster GPUs, may pave the way for more robust physics-based methodologies that could yield cleaner datasets and improve machine learning model performance, indicating that a significant breakthrough in AI-driven drug design is still anticipated.
Introduction
The introduction of the research paper outlines the CACHE (Critical Assessment of Computational Hit-finding Experiments) initiative, which serves as a benchmarking platform to evaluate and enhance the state-of-the-art in computational hit-finding, particularly in the context of machine learning (ML). The process involves nominating a novel protein target every few months, followed by a double-blinded peer-review evaluation of submissions from computational chemists and ML experts. The top applicants are tasked with identifying drug-like ligand candidates, which are subsequently tested experimentally to confirm binding efficacy, thereby establishing high-confidence chemical series against the target protein.
The third CACHE challenge focused on macrodomain 1 of SARS-CoV-2 Nsp3 (Mac1), a promising antiviral target due to its role in the viral response to interferon. Previous studies have validated Mac1 as a drug target, and initial fragment screening efforts identified over 200 binders. Participants in CACHE #3 were challenged to discover compounds with novel chemical scaffolds that did not contain carboxylic acids, which were previously identified as liabilities. Despite a majority of submissions being chemically novel, the experimentally confirmed compounds often resembled existing inhibitors or contained undesirable carboxylic groups. This outcome indicates potential limitations in the Enamine REAL database or the in silico methodologies employed. The challenge highlighted that no single computational method emerged as superior for rapid hit-finding, with a mix of deep learning, random forest classifiers, and physics-based approaches being utilized among the top-performing strategies.
Methods
In the CACHE challenges Round 2, computational teams selected up to 50 commercial analogs of previously confirmed compounds to validate binding signals. A total of 296 analogs from 28 compounds were synthesized and tested using a high-throughput screening (HTRF) assay followed by surface plasmon resonance (SPR). Out of these, 114 compounds exhibited clear dose-dependent inhibition in HTRF, while an additional 44 compounds were advanced based on specific inhibition criteria. Ultimately, 158 compounds, including 16 from Round 1, underwent SPR dose-response testing, resulting in 84 confirmed hits. These hits were further evaluated for specificity against Nsp3 and PARP14, ensuring the binding was not spurious.
The evaluation of the experimental data involved an independent committee assessing the novelty of the compounds, with scores ranging from 0 to 3. Notably, eight of the top ten scoring chemical series had K_D values between 3 and 28 μM, indicating the identification of potent hits devoid of carboxylates. However, only four compounds were deemed chemically novel, with one significantly novel compound failing to yield active analogs in Round 2. The findings suggest that discovering novel chemical scaffolds for the ADPr binding pocket of Nsp3-Mac1 remains challenging, as most confirmed ligands are based on previously published templates. Additionally, nine out of 23 computational workflows produced high-scoring compounds, with workflow WF1715 yielding the most hits, although none were considered novel. A physics-based workflow (WF1696) outperformed others in retrieving hits, highlighting the potential for further exploration of diverse chemical libraries.
Results
The “Results” section of the research paper presents key findings derived from the conducted experiments or analyses. It typically includes quantitative data, statistical analyses, and visual representations such as graphs or tables that illustrate the outcomes of the study. The results are often compared against hypotheses or previous studies to highlight significant trends or anomalies.
In this section, the authors may report specific metrics, such as means, standard deviations, or p-values, to substantiate their claims. Additionally, any observed correlations or causal relationships between variables are discussed, providing insights into the implications of the findings. Overall, the results serve as a foundation for the subsequent discussion and conclusions drawn in the paper.
Discussion
The CACHE #3 challenge showcased the diverse computational workflows employed by participants in their quest to identify novel drug-like ligands for the Nsp3-Mac1 target. Out of 25 participants, 23 submitted their predictions, utilizing a variety of strategies that included machine learning (ML), molecular dynamics, and binding free energy predictions. Notably, 85% of the compounds selected were chemically novel, yet the majority of those advancing to further testing still contained the canonical adenine mimic, indicating a challenge in discovering alternative chemotypes for this target. The workflows that yielded the most potent compounds often relied on established chemical scaffolds, suggesting that while innovative methods were applied, they did not significantly deviate from known structures.
Despite the challenge of finding chemically novel ligands, the participants successfully synthesized and tested 1,739 compounds, with 28 advancing to the hit expansion phase. The findings emphasize the potential of computational methods, particularly those leveraging deep learning and fragment-based approaches, to enhance drug discovery. However, the results also highlight the limitations in identifying new chemical scaffolds, as many successful strategies were built upon existing knowledge from previous studies. The challenge ultimately underscores the need for continued exploration of novel chemotypes and the integration of advanced computational techniques to improve the efficiency and efficacy of drug design efforts.