拨慢人体衰老时钟，MIT 利用 Chemprop 模型发现兼具药效与安全性的细胞抗衰化合物
内容一览：从光鲜亮丽的明星，到素装淡裹的普通人，大家都会无可避免地老去，经历形容的变化与身体机能的退化。正因为此，人们也在努力寻找延缓衰老的秘方。然而，现有的抗衰老药物总伴有一些副作用。近期，在深度学习的帮助下，《Nature
Aging》上发表的一篇研究成果筛选出了高效安全的抗衰老药物，或许能让我们距离「长生不老」更进一步。关键词：计算模型 机器学习 衰老
作者｜雪菜
编辑｜三羊
本文首发于 HyperAI 超神经微信公众平台~
乔纳森·斯威夫特曾说「每个人都希望能够长寿，但没有人喜欢自己变老」。然而，《Nature Medicine》上的一项研究显示，在 34 岁、60 岁和 78 岁 3 个时间节点，人体内衰老相关疾病的基因表达会上调，导致人体「断崖式衰老」。这也就意味着，人体的衰老也许比我们认为的来得更早更快。 如何永葆青春，又一次成为了焦点话题。
近年来，有实验表明，通过抗衰老药物清除生物体内的衰老细胞 (Snc)，可以改善由细胞衰老导致的病理生理性结果， 甚至延长小鼠的寿命。然而，这些药物又存在一系列副作用， 包括减缓伤口愈合，导致肺部和血管周围细胞纤维化等，其功效与安全性难以两全。
为此，来自麻省理工学院 (MIT) 的 Felix Wong 等人，通过深度学习的方式，利用图神经网络，从数十万种化合物中筛选出了安全高效的抗衰老成分， 并在小鼠身上验证了其药效与安全性。其研究成果于 2023 年 5 月发表在《Nature Aging》上，标题为「Discovering small-molecule senolytics with deep neural networks」。
论文地址：
https://www.nature.com/articles/s43587-023-00415-z
实验概述
研究者们首先从现有的部分药物中筛选出了具有抗衰老功效的药物，作为深度学习的训练数据，并提出了衡量其药效和安全性的指标。随后，基于 Chemprop 模型（一种消息传播图神经网络模型），他们筛选出了高效安全的抗衰老药物。 进一步筛选后，得到 3 种化合物，并围绕抗衰老特性和生物安全性，与传统的抗衰老药物进行了对比验证。
数据集
本研究数据集包括两部分：Broad 研究所药物再利用中心收录的 5,819 种药物，及 Broad 研究所收录的 799,140 种化合物。
实验过程
本实验主要包括 3 个步骤：
1、从美国 FDA 审批通过及正在进行临床试验的 2,352 种药物中，筛选出有抗衰老功效的药物，作为模型的训练集；
2、通过 Chemprop 模型，筛选抗衰老药物；
3、将筛选出的 3 种代表化合物，与传统的抗衰老药物 ABT-737 进行对比，验证其抗衰老特性及生物安全性。
筛选过程
抗衰老药物需要满足以下 3 个指标：
1、药物处理后正常细胞的相对活性＞0.7
2、衰老细胞的相对活性＜0.5
3、衰老细胞与正常细胞的活性之比＜0.7
基于这 3 个标准，研究者首先从 FDA 审批通过及正在进行临床试验的药物中，筛选出了 45 种具有抗衰老特性的药物，作为 Chemprop 模型训练集。
Chemprop 模型展现出了极高的药物选择性，其精确率-召回率曲线 (PR 曲线) 下的面积 (AUC) 为 0.24，较随机模型 (0.019) 有了显著提高，较随机森林模型 (0.15) 也有提高。
鉴于 Chemprop 模型出色的表现，科研人员利用 Chemprop 对数据集中的化合物进行了筛选。其中，Broad 研究所的药物再利用中心收录的药物中，有 284 种预测值高于 0.1。Broad 研究所收录的化合物中，有 2,537 种化合物预测值 (PS) 高于 0.4，还有 3,838 种药物预测值极低， 为无抗衰老特性的药物。
绿色：Broad 药物再利用中心中，可能具有抗衰老特性的药物 (PS>0.1)；
黑色：Broad 研究所收录的，可能具有抗衰老特性的化合物 (PS>0.4)；
黄色：后期验证确有抗衰老特性的化合物；
紫色：预测没有抗衰老特性的化合物；
红色：训练数据中有抗衰老特性的化合物；
蓝色：训练数据中没有抗衰老特性的化合物。
基于化学结构和药代动力学特性，研究团队对这些化合物进行进一步的筛选。首先，泛筛选干扰化合物 (PAINS) 和不利于药代动力的化学物被去除。 随后，他们挑选了 216 种谷本系数 (Tanimoto similarity) 小于 0.5 的化合物，与已知的抗衰老药物进行结构上的区分。同时，他们还选出了 50 种没有抗衰老特性的药物，作为负对照。最后，研究者通过化学手段，验证了这 266 种化合物的抗衰老特性。
216 种得分较高的化合物中，有 25 种在实验中展现出了抗衰老特性。Chemprop 模型的正预测率为 11.6%，高于人工筛选的 1.9%。 而 50 个负对照化合物均没有抗衰老特性，说明 Chemprop 模型在负预测中表现优异。
对比验证
在得到目标化合物后，研究者们将其与现有的抗衰老药物进行了对比。首先用依托泊苷 (Etoposide) 处理过的人肺成纤维细胞 (IMR-90) 构建了衰老细胞模型，随后用筛选出的 BRD-K20733377、BRD-K56819078 及 BRD-K44839765 分别对细胞进行处理，并与传统的 ABT-737 药物进行对比。
结果中我们可以看到，图神经网络筛选出的化合物对衰老细胞有着良好的清除效果，同时没有影响到正常细胞的生长，有着较强的选择性。 相反，ABT-737 在清除衰老细胞的同时，也杀死了一部分正常细胞，副作用较强。
灰色：对照组的正常细胞；
蓝色：依托泊苷处理后得到的衰老细胞。
随后，研究者用传代初期和传代晚期的 IMR-90 细胞进行了复制性衰老实验，得到了相似的结果。进一步的，他们进行了溶血实验，以测试这些药物的生物毒性。结果显示，即使药物剂量达到正常用量的 10 倍 (100 μM)，血液中也几乎没有检测出因红细胞死亡释放出的血红蛋白，证明了其生物安全性。
基于上述结果，研究者用细胞选择性最强的 BRD-K56819078 在 C57BL/6J 小鼠身上进行了活体实验。药物注射 14 天后，取小鼠的肾脏细胞，观察其衰老相关的 β-半乳糖苷酶 (SA-β-gal) 的含量及相关 mRNA 的表达。
a：SA-β-gal 含量；
b：衰老相关 mRNA 的表达量
结果显示，SA-β-gal 的含量和 mRNA 的表达量都有下调，说明 BRD-K56819078 有效地清除了小鼠体内的衰老细胞。在经历层层筛选后，Chemprop 模型最终得到了高效安全的抗衰老药物。
Chemprop 模型：药物开发好帮手
Chemprop 模型是一种基于图神经网络 (GNN) 的深度学习模型。它具有 5 层、1,600 个隐藏维度，较普通 GNN 模型更为复杂。
基于下列特征，每个原子和化学键在 Chemprop 中生成了特征向量：
1、原子数、每个原子的键合数、形式电荷、手性、与氢原子键合数、杂化、芳香性及原子质量等原子特征；
2、键型（单键、双键、三键或是芳香环等）、共轭性、是否成环及三维特性等化学键特征。
Chemprop 模型利用消息传播卷积神经网络对化合物的特征进行分析。 通过将相邻键的消息进行累加，随后将其与总键和进行对比，最后利用具有非线性激活函数的单个神经网络层对其进行处理，我们就可以得到一个化学键的消息。在进行固定数量的消息传递后，整个分子的消息被累加，得到代表这个分子的消息值。将这一值输入到前馈神经网络后，Chemprop 模型将输出一个与化合物活性相关的预测值。
目前，Chemprop 模型已被广泛运用于预测化合物的药物活性及筛选和开发新药。
2020 年，MIT 通过 Chemprop 从超过 1.07 亿个分子中筛选出了 8 种与现有抗生素结构不同的抗菌药物，并找到了在小鼠体内展现出广谱抗菌活性的药物分子 Halicin。2022 年，首都医科大学的研究团队利用 Chemprop 筛选出了一种可能的组织蛋白酶 L 抑制剂，为杀死新冠病毒提供了新靶点。
参考链接：
[1] https://doi.org/10.26434/chemrxiv-2023-3zcfl
[2] https://www.cell.com/cell/fulltext/S0092-8674(20)30102-1
[3] https://www.ncbi.nlm.nih.gov/pmc/articles/PMC9110316/