文章

MCE六大药物发现技术方向与产品线全景解析

2026-11-19     来源:本站     点击次数:27

创新药研发是一项涉及多学科、多技术和多阶段协同的系统工程。从最初的化学空间探索、候选分子发现,到分子结构优化及生物活性验证,每一个环节都需要不同类型的化合物资源、计算工具和技术支持。随着人工智能、计算化学和组合化学技术的发展,药物发现逐渐从传统的经验驱动模式,向数据驱动、计算辅助和实验验证相结合的模式转变。

围绕这一研发趋势,MCE布局了类药多样性化合物库、AI/按需定制化合物库、先导化合物优化、AI多肽设计、MedChemAI平台及DNA编码化合物库(DEL)筛选六大产品与技术方向。这些技术分别面向化学空间探索、定制化分子设计、先导结构优化、多肽开发、智能化药物化学分析及大规模苗头化合物发现,共同构成覆盖药物早期发现多个阶段的技术体系。

一、类药多样性化合物库 :拓展化学空间,探索更多潜在活性分子

在早期药物发现中,化合物库的结构多样性直接影响潜在活性分子的发现范围。如果化合物库中的分子结构过于相似,即使筛选数量很大,也可能难以充分覆盖不同的化学空间。因此,构建具有结构多样性、类药性和合理化学性质的化合物库,是高通量筛选和先导化合物发现的重要基础。

产品线介绍

MCE类药多样性化合物库涵盖特色多样性化合物库、按潜在通路及靶点分类的化合物库,以及AI生成化合物库等类型。库中化合物在分子骨架、取代基、官能团和立体化学等方面具有不同特征,能够覆盖更加丰富的化学结构空间。同时,相关化合物经过类药性及结构过滤,例如MedChem Filter等筛选流程,以减少不适宜结构对后续实验的干扰。

核心特点

1. 结构多样性: 通过不同分子骨架和取代基组合,扩大化学空间覆盖范围。

2. 类药性评价: 综合考虑分子量、脂溶性、氢键性质及其他成药相关指标。

3. 结构过滤: 通过化学结构规则及相关过滤方法,减少明显不适合筛选的分子。

4. 多场景适用: 可用于HTS、HCS、虚拟筛选及早期先导化合物发现。

5. 主要应用:靶点筛选、表型筛选、虚拟筛选、先导化合物发现及药物化学研究。

二、AI/按需定制化合物库:从海量分子空间到目标导向设计

传统化合物库主要从已有分子资源中进行选择,而AI辅助化合物设计进一步拓展了候选分子的来源。通过人工智能、计算化学和分子生成算法,研究人员可以根据目标靶点及预设性质,探索传统实体化合物库中尚未充分覆盖的化学结构。

产品线介绍

MCE AI生成化合物库以高质量分子砌块为基础,结合相应化学反应规则及分子生成策略,构建具有新颖性、多样性、类药性和可合成性特征的虚拟化合物集合。在生成过程中,可结合以下条件进行筛选:分子结构新颖性;分子骨架多样性;类药性及理化性质;PAINS等干扰性结构过滤;合成可行性及后续结构优化空间。根据项目资料,该类技术可探索数以亿计的候选分子,并可结合定制合成需求开展后续分子制备。

核心特点

1. 虚拟化合物空间

通过分子生成技术拓展传统实体化合物库之外的候选结构范围。

2. 模块化设计

以分子砌块和反应规则为基础,便于后续进行结构替换及衍生物设计。

3. 兼顾新颖性与可合成性

在分子生成阶段引入结构过滤和合成可行性评价,减少难以实际制备的候选结构。

4. 按需定制

根据目标靶点、已知配体及研发需求,制定相应的分子设计和筛选策略。根据提供的服务资料,定制项目的参考合成周期为2–3周,按时交付比例超过80%。具体周期和交付情况需结合分子结构、合成路线及项目要求确认。

5. 主要应用

靶点筛选、机制研究、专属化合物库开发、虚拟筛选及早期药物发现合作。

三、先导化合物优化:从初步活性到综合成药性评价

在药物发现过程中,筛选获得具有初步生物活性的化合物,只是研发的开始。初始先导化合物可能存在活性不足、选择性不理想、溶解度较低、代谢稳定性差或潜在毒性等问题。因此,需要通过药物化学和计算辅助设计,对其分子结构进行持续优化。

产品线介绍

MCE先导化合物优化服务围绕构效关系(SAR)和构性关系分析,结合传统药物化学方法与现代计算技术,对先导分子进行结构改造和性质优化。主要技术包括:基于三维定量构效关系(3D-QSAR)的分子设计;基于计算辅助药物设计(CADD)的合理药物设计;生物电子等排体替换;分子骨架跃迁(Scaffold Hopping);基于共晶结构的局部结构修饰;构象限制及分子杂交;AI辅助分子生成和结构优化;ADMET性质预测。

核心特点

1. 多维度结构优化

不仅关注活性提升,还综合考虑选择性、稳定性、溶解度及药代动力学性质。

2. 计算与药物化学结合

利用分子模拟、AI结合模式预测和构效关系分析,为结构改造提供依据。

3. 多参数优化

综合评价活性、理化性质、ADMET及其他成药相关指标,减少单一指标优化带来的局限。

4. 主要应用

Hit-to-Lead、Lead Optimization及候选药物结构优化等研发阶段。

四、AI多肽设计:探索蛋白-多肽相互作用与新型功能肽

多肽具有氨基酸序列可设计、结构可修饰及生物学功能丰富等特点,在蛋白互作调控和新型药物研发中具有重要研究价值。但多肽设计也面临序列空间巨大、构象柔性高、稳定性不足及体内递送困难等问题。人工智能与结构生物学技术的结合,为多肽设计提供了新的计算方法。

产品线介绍

MCE AI多肽设计服务面向蛋白-多肽相互作用调控、多肽药物先导发现及功能肽优化等研究方向。主要结合:AI生成模型;蛋白质结构预测;多肽构象预测;分子对接;分子动力学模拟;多维性质评价。通过靶点分析、候选序列生成、结合模式预测及结构筛选,探索具有潜在功能的多肽分子。

核心特点

1. 大规模序列空间探索:利用AI模型生成和筛选不同多肽序列

2. 结构约束设计:根据靶点结合位点及蛋白相互作用特征,优化多肽序列和结构

3. 多维性质评价:综合考虑结合能力、结构稳定性及其他成药相关性质

4. 面向不同多肽类型:支持功能肽、阻断肽及环肽等方向的设计研究

5. 主要应用:蛋白互作调控肽、靶向阻断肽、环肽设计、功能肽优化及多肽药物早期研发

五、MedChemAI平台:让药物化学研究更加智能化

随着药物研发数据规模不断扩大,如何快速检索、分析和利用分子信息,成为药物化学研究的重要问题。AI平台通过整合化合物数据库、人工智能模型及药物化学知识,为研究人员提供计算辅助工具。

产品线介绍

MedChemAI平台融合人工智能模型、化学数据库和药物化学知识,围绕药物发现中的分子搜索、结构分析、性质预测及分子设计等需求,提供智能化计算支持。

核心功能方向

1. 化合物搜索: 根据分子结构及相关特征检索化合物

2. 结构分析: 辅助分析分子骨架、官能团及结构特征

3. 性质预测: 对分子理化性质及相关成药指标进行预测

4. 虚拟筛选: 辅助识别具有潜在研究价值的候选分子

5. 分子设计: 为分子结构生成和优化提供计算支持

6. 主要应用:药物早期发现、结构优化、化合物评价及药物研发决策支持

需要注意,AI模型的预测结果受训练数据、模型适用范围及输入质量影响,仍需要结合专业药物化学知识和实验数据进行判断。

六、DEL筛选:利用DNA编码技术探索超大规模化学空间

DNA编码化合物库(DNA-Encoded Chemical Library,DEL)是一种将小分子化合物与DNA标签相结合的组合化学筛选技术。它能够在一个混合体系中对大量化合物进行亲和筛选,并通过DNA测序识别富集的候选分子。

产品线介绍

DEL技术以DNA序列作为化合物的身份标签。在库构建过程中,每个化合物通过DNA兼容化学反应与对应DNA标签关联。通过多个循环的分子砌块组合,可以构建包含数千万至数十亿种分子的编码化合物库。筛选时,将DEL与目标蛋白等生物靶标进行孵育,通过洗涤去除未结合或弱结合的分子,再利用PCR扩增和高通量测序读取富集分子的DNA标签,从而追溯对应化合物结构。

核心特点

1. 超大规模化合物筛选

可以将大量DNA编码化合物混合在一起进行亲和筛选,显著拓展筛选规模。

2. 化学结构多样性

通过组合化学方式构建不同骨架、取代基及官能团的分子。

3. DNA标签追踪

利用DNA序列记录分子合成历史,为筛选结果解码提供依据。

4. 专业化合物库体系

MCE提供多种DEL相关资源,包括常规DEL库及其他特色DEL库,具体库规模和类型以产品目录为准。

5. 数据分析与质量控制

通过测序数据分析、富集程度评估及必要的实验验证,提高筛选结果的可解释性。

主要应用

1. 早期苗头化合物发现

2. 新靶点及难成药靶点研究

3. 分子胶相关研究

4. 靶向蛋白降解(TPD)相关配体发现

5. 大规模亲和筛选

需要注意,DEL筛选获得的富集信号代表化合物在特定筛选体系中的富集情况,并不直接等同于真实结合亲和力或细胞活性,后续仍需开展复筛和生物学验证。

七、六大产品线如何衔接?构建药物发现的完整技术链条

六大产品线分别覆盖药物发现中的不同任务,其技术价值不仅在于单项功能,更在于不同阶段之间的协同。

研发阶段 对应产品线 主要研究任务
化学空间探索 类药多样性化合物库 提供多样化筛选分子
定向分子设计 AI/按需定制化合物库 生成并定制候选结构
苗头发现 DEL筛选 大规模亲和筛选
智能化分析 MedChemAI平台 分子搜索、预测及设计
新型分子设计 AI多肽设计 多肽序列与结构探索
先导优化 先导化合物优化 改善活性及成药相关性质

在实际研发项目中,不同技术路线并不一定按照固定顺序使用。例如:一个新靶点研究项目,可以先利用类药多样性化合物库进行表型筛选,也可以采用虚拟筛选或DEL技术寻找苗头分子;获得初步活性分子后,再通过AI辅助设计及先导化合物优化开展结构改造。如果研究目标涉及蛋白-蛋白相互作用,也可以根据靶点特征考虑AI多肽设计等不同技术路线。从化学空间探索到候选分子发现,再到结构优化与实验验证,不同技术共同构成了现代药物发现的多维工具体系。

结语

现代药物发现正在经历从传统化合物筛选向计算辅助、AI驱动及多技术协同的转变。类药多样性化合物库拓展了化学空间,AI定制化合物库丰富了分子设计方式,DEL技术提供了大规模亲和筛选手段,AI多肽设计拓展了新型分子探索方向,而MedChemAI平台和先导化合物优化则为分子分析及结构改造提供了计算支持。MCE围绕这六大方向构建了覆盖化合物资源、智能分子设计、苗头发现和先导优化的药物发现产品与技术体系。

相关文章 更多 >