使用子图分析识别并解决FEP中预测精度的变化

Read in English

自由能微扰（FEP）计算使我们能够对通过简单结构修饰获得的彼此不同的分子的结合自由能变化进行预测。这种预测在药物发现中非常宝贵的，因为它们用于指导实验工作，所以预测的准确性非常关键。然而，FEP的一个挑战是处理不同分子转化中不同水平的精度。在本文中，我们将探讨Flare™ FEP子图分析的特性，这是一种复杂的后处理工具，旨在通过聚焦特定配体子集来提高FEP预测的准确性。

FEP计算中面临的一个常见问题是预测精度的异质性。Cresset的误差分析工作流将所有多个误差源（来自MBAR的统计误差、来自双向链路的滞后估计和来自图网络分析的循环闭合误差）合并为每个ΔG值的单个误差估计。然而，在某些情况下，这可能会产生误导。特别是，如果一个微扰图包含两个分子类别（子图），其中各个类别内的相似性很高，但类之间的链路很嘈杂或质量很差，那么我们最终可能会出现这样的情况：每个类内的相对活性可以有信心地预测，但类间的活性差异具有很大的相关误差。这很难在各个分子的单个误差估计中传达出来。子图分析是一种用于识别和解决Flare FEP项目中预测精度变化的技术。它包括将FEP网络分解为更小的类或子图。其思想是重新计算每个子图的ΔG和ΔG误差，以便在子图中隔离有问题的预测，并且不会影响其他子图中分子的结果。

在基准FEP计算结束时，自动运行子图分析。其结果可视为新的活性图，包含了每个类别分子的数据点，并显示每个分子类别重新计算的统计数据。借助Flare FEP项目活性图窗口的下拉菜单可以找到子图分析，您可以选择各个子类进行检查。

以PTP1B靶标和一系列同系物配体的FEP基准测试为例来说明子图分析的概念，这个系列分子的公共子结构如图1所示。PTP1B是一种研究充分的酶，在细胞信号转导中起着至关重要的作用。它主要参与蛋白质上酪氨酸残基的去磷酸化。PTP1B因其在各种疾病，特别是糖尿病和肥胖症中的作用而受到广泛研究，使其成为药物开发和治疗干预的一个有前景的靶点。¹

图1. 本次FEP实验所用同系物的子结构。R-基团结构修饰的位置要用于FEP实验。

在PTP1B基准实验结束时，子图分析确定了三个不同的配体类别，如图2中的FEP图所示。

类别3包含了结合自由能预测值接近实验值的分子（R²=0.82，MUE=0.70kcal/mol）。类别1和2特别令人感兴趣，因为它们是通过两个质量差的链路连接起来，这两个链路的特征是高滞后和重叠差。

图2：基准计算后的FEP图表明通过子图分析算法识到三个类别。类别1和2由两个质量较差的链路连接（红色高亮显示）。

如果从整体上考虑该图，并且所有预测都保留在结合自由能（ΔG）和相应误差的计算中，则连接链路的不准确性（受高滞后影响）会将误差传播到所有分子：这通常会导致所有预测的人为高误差条（图3-左）。

通过将整个分子图分割成不同的类别，子图分析反而防止两个次优链路（其特征是高滞后性和相应的低预测质量）对那些更准确的结果产生影响。这种分割有助于更好的总体统计结果，并强调了子图分析在优化FEP预测中的重要性。

单独分析时，类别1和2都表现出显著较低的误差，如相应的活性图所示（图3-右）。

图3. 在子类别分析之前所有分子的活性图（实验ΔGvs预测ΔG）（左）以及聚类后类别1和2的活性图（右）。

同时，在各个子图中重新计算结合自由能（ΔG）可改进R²和平均无符号误差（MUE）值。更具体地说，类别1的相关系数R2从0.07增加到0.48，类别2的相关系数为0.25，而类别1和类别2的MUE分别从1.16 kcal/mol降低到0.58和0.72 kcal/mol。

结论

子图分析是一种有价值的方法，可以深入了解FEP计算的结果。通过将复杂的分子图分解成不同的类别，该方法有效地分离出有问题的连接，并识别出内部误差统计较低的化合物组别。这种剥离减少了通过图传播的误差影响，并且通常导致对预测误差更现实的评估，以及改进的个别子图的R2和MUE。这一功能增强了同一类别内FEP计算的精度和可靠性，有助于Flare FEP在计算药物发现和分子设计中的更广泛应用。

做出正确的配体设计选择，并满怀信心地实现潜在先导化合物优化——立即申请试用版软件并在您的项目中尝试Flare FEP。在评估过程中，您将有机会对子图分析和Flare FEP的全方位独特功能进行测试，同时可以自由发布产生的任何结果，并将其用于进一步研究。

参考文献

1.       Tonks, N. K. PTP1B: From the Sidelines to the Front Lines! FEBS Letters 2003, 546 (1), 140–148. https://doi.org/10.1016/s0014-5793(03)00603-3.