基于结构的模拟的前瞻性评估显示其预测激酶突变对抑制剂结合影响的能力。

这篇论文探讨了小分子激酶抑制剂在癌症治疗中的重要性，尤其是在面对由激酶靶点突变引起的耐药性时的挑战。论文的核心是通过结构基础方法预测激酶突变对抑制剂结合的影响，并提供了一个前瞻性基准，用于评估这些方法在预测突变对抑制剂结合亲和力影响方面的能力。

引言

论文首先介绍了小分子激酶抑制剂在现代癌症治疗中的关键作用，指出超过80种此类抑制剂已获得FDA批准。然而，内在或获得性耐药性常常导致治疗中断，这通常是由激酶靶点的突变引起的。随着临床肿瘤测序的出现，精准肿瘤学有了新的机会，通过将最佳疗法与肿瘤突变谱配对来改善患者的治疗效果。然而，当前的精准肿瘤学努力受到缺乏足够的生化或临床证据的阻碍，无法将每个突变分类为对现有抑制剂的耐药或敏感。

方法

论文采用了结构基础方法，包括物理模拟、Rosetta和机器学习模型，来估计突变对抑制剂结合的影响（以ΔΔG衡量）。这些方法在一个盲测数据集上进行了测试，该数据集使用NanoBRET报告基因测定法测量了Abl激酶突变体的细胞内激酶抑制剂亲和力。

1. 物理模拟：使用Gromacs进行分子动力学模拟，结合非平衡协议（NEQ）和PMX工具进行ΔΔG估计。模拟包括能量最小化、等温等压系综（NPT）下的平衡模拟，以及生产模拟。

2. Rosetta预测：使用flex_ddg协议计算结合自由能变化，采用REF2015和βNOV16评分函数。

3. 机器学习模型：基于Python的ExtraTreesRegressor类构建，使用Hauser等人的数据集进行训练，数据集按突变进行分割以提高对新突变的外推性能。

实验

论文使用NanoBRET亲和力测定法，这是一种基于**生物发光共振能量转移（BRET）**的技术，用于在活体HEK293T细胞中测量药物与激酶靶点的结合。通过测量不同浓度的抑制剂（如伊马替尼和达沙替尼）对BRET比率的影响，计算出每种化合物/突变体对的表观亲和力。

结果与讨论

论文比较了NanoBRET结果与结构基础方法的预测能力，发现这些方法能够准确分类激酶突变为抑制剂耐药或敏感。物理模拟在估计远离激酶活性位点的突变的ΔΔG方面表现最佳。对于预测不佳的突变（如T315A和L298F），研究发现起始构象和质子化状态显著影响预测准确性。

结论

论文提供了一个用于估计突变对抑制剂结合亲和力影响的基准，强调了结构基础方法在识别肿瘤特异性突变的最佳疗法、预测临床数据缺乏情况下的耐药突变以及识别对已建立抑制剂的潜在敏化突变方面的潜在应用。

术语解释

• ΔΔG：结合自由能变化，衡量突变对抑制剂结合的影响。
• NanoBRET：一种用于测量分子间相互作用的技术，通过生物发光共振能量转移实现。
• PMX：用于分子动力学模拟中的自由能计算工具。
• flex_ddg：Rosetta中的一个协议，用于预测突变对蛋白质稳定性或结合亲和力的影响。

这篇论文通过结合实验和计算方法，为未来的研究提供了一个坚实的基础，帮助更好地理解和预测激酶突变对抑制剂结合的影响。