基于FP-GNN深度学习的CDKs抑制剂的活性预测及CDK9抑制剂的发现研究.pdf

摘要

细胞周期蛋白依赖性激酶家族（Cyclin-dependentKinases，CDKs）与细胞周期、细

胞转录、细胞分化等过程密切相关。CDKs异常表达会引发多种癌症，其中包括肝癌、

乳腺癌、肺癌、结肠癌、急性髓系白血病（AcuteMyeloidLeukemia，AML）及慢性淋巴

细胞白血病（ChronicLymphocyticLeukemia，CLL）。因此，CDKs是治疗癌症的潜在靶

标，引发广泛关注。

近年来，许多靶向CDKs的pan-抑制剂和选择性抑制剂正处于临床研究中。夫拉平

度（Flavopiridol）是第一个进入临床试验的代表性pan-CDKs抑制剂，用于急性髓系白

血病、慢性淋巴细胞白血病、乳腺癌和肺癌的潜在治疗。然而，pan-CDKs抑制剂缺乏选

择性，在临床试验过程中常出现严重不良反应，被限制进入临床研究或临床应用。因此，

开发靶向CDK4/6、CDK7和CDK9等亚型的选择性抑制剂成为热点，其可以克服pan-

CDKs抑制剂因缺乏选择性和具有潜在毒性造成的临床限制。Palbociclib、Ribociclib、

Abemaciclib和Trilaciclib是目前仅有的被美国FDA批准上市的四个CDK4/6选择性抑

制剂。因此，开发新型骨架结构且靶向不同CDK亚型的药物是抗癌药物研发领域的热

点之一。

为了加快新型CDKs抑制剂的设计与发现，我们收集了11个人源CDK亚型抑制剂

的结构和活性数据，基于三种分子特征表达（如分子描述符、分子指纹和分子图），采用

四种传统机器学习方法（随机森林、支持向量机、k-最近邻和朴素贝叶斯）以及五种深

度学习方法（消息传递神经网络、图卷积神经网络、图注意力网络、AttentiveFP和FP-

GNN），我们构建了275个CDKs抑制剂预测模型。模型评估表明，基于FP-GNN方法

构建的模型取得最佳的预测性能，其测试集的平均AUC值为0.897。基于最优模型，我

们开发了基于web的CDKs抑制剂预测平台（DEEPCDKPred：https：

///）以及本地软件（/idrugLab/DEEPCDKPred），

可用于设计与发现新型CDKs抑制剂。为了验证基于FP-GNN的模型可用于发现新型

ATP竞争性CDKs抑制剂，以CDK9激酶为例，我们构建了基于模型预测和分子对接方

法的组合虚拟筛选（VirtualScreening，VS）策略以用于发现新型ATP竞争性CDK9抑

制剂，并在生物活性水平上进行了抗癌活性的筛选和机制探索。

生物活性测试结果显示化合物C2、C3、C6、C9和C13可直接靶向抑制CDK9活

性并对八种肿瘤细胞显示出抗癌活性。其中，化合物C9显示出良好的CDK9激酶抑制

I

活性（IC50=295nM）和抗白血病细胞活性（MOLM-13细胞，IC503.92μM）。进一步的

抗癌机制研究结果表明，化合物C9可抑制MOLM-13细胞内的CDK9活性，诱导了细

胞凋亡的产生，蛋白免疫印实验结果证实了化合物C9诱导细胞凋亡是通过抑制Mcl-1

蛋白和增加CleavedPARP蛋白的表达来实现。此外，体外稳定性测试结果表明化合物

C6、C9、C13在肝微粒体、人工胃肠液以及血浆中具有较好的稳定性。最后，本文的研

究结果表明FP-GNN深度学习算法可以实现对CDKs抑制剂的精准预测且能够发现新

型CDK9抑制剂，这些抑制剂作为活性化合物可做进一步的结构修饰。

关键词：CDKs；机器学习；深度学习；虚拟筛选；抗癌机制

II

Abstract

Cyclin-dependentkinases(CDKs)involveincontrollingincellcycle,celltranscription,cell

differentiation,theabnormalexpressionof