【医药】JMC：拜耳化合物数据集的分子特性、生物利用度和渗透性分析

2023年2月8日，JMC杂志报道了世界医药巨头德国拜耳（Bayer）医药研发人员发布的拜耳化合物系列的分子特性、生物利用度和渗透性数据分析，这些数据和关联性分析对于药物分子设计具有较强的现实指导意义，正如文中所讲的那样“These property−structure relationships are combined to provide design guidelines for bioavailable drugs in both traditional and “beyond rule of 5” (bRo5) chemical space.”，笔者结合详实而又具体的原文内容，跟大家进行分享。

原文通讯作者为Daniel H. O’ Donovan，其他三名作者包括Claudia De Fusco、Lara Kuhnke和Lara Kuhnke，他们均来自德国拜耳股份公司。

原文正文部分十分冗长，好在作者在最后总结了优化（口服生物利用度） F% 和渗透率的结论性要点，该推文最后也会向大家一并呈现。

口服小分子药物相比其他种类或者给药途径的药物，优势非常之多，在此不做赘述。对于口服小分子药物，药物化学家的目标是设计具有高口服生物利用度(F%)的化合物，以实现在临床上可预测的、可观的暴露剂量（robust exposure）。

从固相到液相的溶解(溶解度)、肝脏中的首过代谢(肝脏代谢)、肠道代谢和化学不稳定性等许多因素会导致不完全的生物利用度，不过，通过肠壁(渗透性permeability)是F%的关键决定因素。这些过程可以使用体外和体内测试来模拟，使药物设计人员能够高效应对低F% 问题。在药物化学相关研究中，与药物代谢和药代动力学 (DMPK) 相关的问题可以通过基于属性的设计（property-based design）来解决。例如，分子设计团队设计出新的化学结构来调节 logD、分子量等分子特性，利用这些特性与 DMPK 特性之间已建立的关系来指导口服生物利用度、渗透性和相关参数的优化。

Lipinski’s rule of 5(来源：文献6)

几篇关键论文已经阐述了分子特性与 F% 之间的关系，首先是 Lipinski 及其同事提出并由 Veber 等人扩展的开创性“rule-of-five”(Ro5)，辉瑞公司资深药物化学家Lipinski在2001年提出的筛选类药分子的五条基本法则，简称，Rule of 5(Ro5), 简称五规则，因为都和数字5有关。两位作者都建议，分子特性应该限制在给定的范围内，或者进行调整，以最大化实现高口服生物利用度的可能性。同样，辉瑞公司的作者又提出了“Golden Triangle”，概述了logD和分子量范围，以最大限度地提高低清除率和高口服吸收的可能性。其他作者已经提出了根据化学结构、分子性质或体外分析数据对DMPK行为进行计算机预测的有效解决方案。几个基于分子特性的复合参数来最大化“类药性”，其中配体亲脂效率 (LLE) 可能是使用最广泛的。LLE 将效力和亲脂性结合在一个参数中，而辉瑞的研究人员提出亲脂代谢效率 (LipMetE) 作为结合肝脏代谢和亲脂性的corollary。罗氏的一个团队最近证明，LipMetE 与体内半衰期 (t1/2) 的对数成正比。

图1.来源：文献3

复合参数也已应用于“超越五规则”(bRo5) 化合物的药物设计，通过使用简单的多参数评分函数，艾伯维的 DeGoey 及其同事证明了设计口服生物可利用的 bRo5 化合物是可能的。阿斯利康 (AstraZeneca) 同事的另一篇论文试图确定与蛋白水解靶向嵌合体 (PROTAC) 的生物利用度相关的化学特性，这是一种新兴的药物形态，其分子量和特性远远超出 Ro5 空间的边界。诺华（Novartis） 的作者也重新评估了 Ro5 概念，指出随着药物性质的变化，规定的限制变得不那么重要了。同样，GSK的Tinworth和Young提出，Ro5限值(如分子量)在预测类药化合物的渗透性和溶解性方面可能不如logD和芳环数重要。综上所述，这些研究表明，虽然 structure−property 相关性和约束可能在分子设计中有用，但很难将基于 Ro5 的设计规则与最近在 bRo5 中的药物发现转变相结合。

为了确定可用于指导口服生物利用度和渗透性优化的分子特性的趋势，拜耳研究人员检查了拜耳制药化合物集合（collection）中约 2000 种化合物的数据，这些化合物的老鼠 (rat) 生物利用度数据已被测量。利用大量可用的 Caco2 渗透性测定数据（超过 20,000 种化合物），分析了拜耳化合物集的渗透性数据，将这些数据与计算的分子特性（例如 cLogD7.5、分子量和计算的 pKa）进行比较。除非另有说明，在整个研究中使用计算的 logD 值来最大化可用于分析的数据集。在比较测量和预测的 logD 值时，Bayer cLogD7.5 模型提供了皮尔逊相关Pearson correlation R2 = 0.90 的出色预测。

图2.实验与预测的logD7.5（参考4）

同样，对于在生理 pH 值（约 7.5）下部分或完全电离的碱性和酸性化合物，可靠的 pKa 计算的出现已被证明特别有用。拜耳研究人员确定了 pKa 和渗透性之间的趋势，这可能对药物化学界进行 DMPK 特性的优化有所帮助。研究人员的分析中囊括 Ro5和 bRo5 化合物，以得出不受化学空间子集限制的总体趋势。总的来说，这项研究概括了药物相似性的既定参数，同时还阐明了新的和有用的基于药物分子属性的设计指南，以促进 F% 和渗透性的优化。

在讲解本文之前，有几个基本概念需要再次温习一下：

✔亲脂性是化合物优先在非极性脂介质中分配，而不在水相中分配的一种趋势。它对药物的其他属性具有重要的决定作用。

亲脂性评估的一个传统方法，是看化合物在互不混溶的非极性和极性液体中的两相分配情况。一般情况下，用辛醇作为非极性相，而用缓冲水溶液作为极性相。测得的分配值用Log P和Log D来表示。

Log P： 在化合物的所有分子均以中性形式存在的 pH条件下，其在一种有机相（例如辛醇）和一种水相（例如缓冲液）中分配系数的对数即为 Log P。 Log P=Log（[化合物有机相]/[化合物水相]）Log D：某一特定的pH（x）下，化合物部分以离子形式存在，部分以中性分子形式存在;此pH下的化合物在一种有机相（例如辛醇）和一种水相（例如缓冲液）中分配系数的对数即为 Log D。Log DpHx=Log（[化合物有机相]/[化合物水相]）。

Log P值取决于中性分子在两相中的分配情况，而Log D值取决于以中性形式存在的分子分配情况，加上以离子形式存在的分子分配情况。离子与极性水相的亲合力比与非极性有机相的亲合力更大。离子化的分子比例取决于水溶液的pH、化合物的 pKa，以及化合物是酸还是碱。对于酸性化合物，其在溶液中的中性分子和阴离子的比值随着 pH的增加而减小，因此，Log D也随着 pH的增加而减小。相反，对于碱性化合物，其在溶液中的中性分子和阳离子的比值随着 pH的增加而增加。因此，Log D也随着 pH的增加而增加。

✔药物分子在生命系统中会遇到多种不同的膜屏障，包括胃肠道(GI)上皮细胞、毛细血管壁、肝细胞膜、肾小球、限制性器官屏障[如血脑屏障（BBB）]和靶标细胞膜。

一个化合物的渗透性因膜而异，该差异来源于细胞膜脂质体系（被动扩散）、膜转运蛋白表达（主动转运）或细胞连接紧密度（细胞旁路）的差异。

化合物的膜通透包含不同机制，包括被动扩散、主动转运、胞吞、外排和细胞旁路。

主要的膜通透机制（来源：参考6）

一个化合物的渗透性是上述所有对其可行的渗透机制的综合。人们常使用"吸收转运"（absorptive transport）一词来表示化合物从胃肠道到血流的通透。如图2所示，吸收转运是被动扩散（浓度梯度和pH效应驱动）、主动转运（转运体亲和力驱动）和细胞旁路渗透（分子大小、极性和浓度梯度驱动）共同作用的结果。相对地，"分泌转运"（secretory transport）一词常用来表示化合物向胃肠道方向的通透，它是被动扩散和外排共同作用的结果。

✔常用 Caco-2 细胞（人结肠癌细胞上皮细胞）来测定药物的渗透性，进行药物通透性实验研究，用于研究药物双向转运情况，通过考察时间、药物浓度等因素，计算药物的表观渗透系数Caco-2 细胞与小肠上皮细胞在形态上十分相似，具有相同的细胞极性且紧密连接，在小肠上皮细胞中的各种转运系统、代谢酶等在 Caco-2 细胞中都有相同的存在。

共有 2237 种化合物的大鼠口服生物利用度数据可用，这些化合物代表了拜耳医药在药物研发活动中获得或合成的各种化学结构。尽管药物化学家倾向于将更优的“类药物”和体外优化的化合物用于体内药代动力学（pharmacokinetic）研究，从而导致结构和性质的多样性有所偏差，但拜耳医药的数据集仍然包含了来自不同项目的各种结构类别。

研究集中在三个关键参数(溶解度、肝代谢和渗透性)上，以确定它们对口服生物利用度的影响和相关性，拜耳医药研究人员首先从溶解度着手研究，因为溶解度在生物利用度中起着至关重要的作用，化合物必须溶解才能被吸收。然而，使用动力学溶解度数据（PBS 或柠檬酸盐缓冲介质，pH 6.5），观察到与大鼠（rat）生物利用度的零相关性（R2 < 0.01, n= 2018 compounds）。不过研究人员对这一结果并不感到惊讶，毕竟动力学溶解度只是更相关的热力学溶解度参数的近似值。尽管动力学溶解度可用于排除可能受化合物沉淀影响的体外测定，但该数据与口服生物利用度的相关性可能较低。此外，体内药物代谢动力学研究通常使用预溶解的无定形物质在低剂量下进行，这减轻了溶解速率和溶解度对测量的 F% 影响。在通过肠道的过程中，pH值的快速变化也有助于化合物的溶解，特别是对于在较低 pH 值下可能被电离的化合物。基于上述考量，药物发现团队经常测量模拟胃液和肠液或不同 pH 值下的溶解度，以更好地评估溶解度在生物学相关条件下的影响。

Caco2 细胞渗透性（pparent permeability表观渗透系数,apical to basolateral, i.e., Papp A-B)和大鼠肝细胞（rat Heps）的代谢稳定性与 F% 的相关性研究更有价值，F% 与 Papp A-B 和大鼠 Heps 在对数标度上的线性回归显示出适度的相关性（R2 = 0.26），这三个参数的 heatmap plot 显示了清晰的趋势，与渗透性和肝脏代谢对 F% 的预期影响一致。根据经验，肠渗透性和药物外排（efflux）是临床前候选药物确定中最成功的 DMPK 优化参数，在拜耳用于口服给药的所有临床前候选化合物中，没有发现在 Caco2 A-B Papp 测定中渗透性差的单个示例。

图3.八个常用分子特性描述符号作为变量在线性回归模型中相对于大鼠肝细胞代谢稳定性对数的相对重要性(L/h/kg)。（文献1）

尽管肝脏代谢是生物利用度的一个关键决定因素，但代谢背后的结构-性质关系(structure−property)在以前的报道中已经广泛涉及，即在常用的分子特性中，亲脂性可能是肝脏代谢的最强预测因子，这被认为是由于亲脂性化合物通过疏水相互作用更强烈地与代谢酶结合。与这种效应一致，一项检验八种常用分子特性的回归分析将 cLogD7.5 确定为决定大鼠肝细胞稳定性的最重要的单一变量。与口服生物利用度数据相比，该分析可使用更大的数据集（n = 21,163 种化合物）。可旋转键数 (rotBonds)、fraction sp3 (F(sp3))和拓扑极性表面积 (TPSA) 是研究人员分析中的下一个最重要变量。这一结果与之前的作者描述了这些特性在确定肝脏清除率方面重要性的情况是一致的。

应该注意的是，这种回归分析的预测能力有限，而且这些属性中的几个也可能相互关联；例如，具有较高分子量的化合物倾向于具有较高的亲脂性。这些特性与肝脏代谢的关系也不是严格线性的。尽管如此，这个简单的模型强调了亲脂性在确定肝清除率方面的重要性，而其他分子特性的贡献较小。

接下来，研究人员试图分析 calculated propertie 和 Caco2 细胞分析中测量的渗透性之间的关系。在整个研究中，省略了 Caco2 分析中回收率低于 65% 的化合物，以确保只包含有意义的数据。低溶解度可能是导致回收率低的一个因素，因为 49% 的被排除化合物显示溶解度≤1 mg/L。相比之下，只有 23% 的纳入化合物(Caco2 回收率高于65%)显示相同水平的低溶解度。

回归分析审查 Caco2 Papp A-B 与上述图 3 中的八个属性描述参数，再次强调亲脂性是渗透性最重要的决定因素，紧随其后的是分子量，然后是氢键供体 (HBD) 计数。鉴于亲脂性对渗透性的重要性，下图探讨了 cLogD7.5 和 Papp A-B 之间的关系。为了检查与分子量的相互作用，研究人员将化合物分为低 (≤400)、中等 (400＜ x ≤ 600) 和高 (x ＞600) 分子量范围。结果图突出了较小分子受益于较高平均渗透率的预期趋势。在低 (cLogD7.5 ＜ 0.5) 和高亲脂性 (cLogD7.5＞5) 的极端情况下，平均渗透率接近于零。然而，异常值确实存在，特别是在高 logD 化合物 (cLogD7.5 ＞5.5) 中，可以找到几个可渗透的例子。

图4.(左)cLogD7.5和Caco2 Papp A-B的几何平均值(nm/s)之间的关系（文献1）

值得注意的是，研究人员观察到 cLogD7.5 为 3.25 的化合物的“最佳点”，显示出最高的平均渗透率。该值保持恒定，与所考虑的分子量范围无关。该结果与 DeGoey 等人在对高分子量 bRo5 化合物分析中提出的 cLogD=3 的最佳值非常一致。同时拜耳研究人员分析表明，即使对于分子量 ≤ 400 的较小化合物，该最佳值也保持不变。

研究人员还研究了在 Caco2 渗透性试验中亲脂性和外排率(Efflux ratio,ER)之间的关系。与之前对 Papp 的观察结果相呼应，研究人员观察到分子量较低的化合物外排率较低的趋势。然而，与 Papp 的关系相反，外排率接近最大值时的 cLogD7.5 值存在差异，在这种情况下外排率随分子量而变化。

具有最高平均外排的 cLogD7.5 值随分子量变化的事实与先前观察到的PAPP的情况形成对比，Papp在 cLogD7.5=3.25 时始终达到最大渗透率。基于这一结果，拜耳研究人员建议药物设计团队根据面临的是 Papp A-B 问题还是外排问题，差异化优化设计 logD 值。

拜耳研究人员通过热图进一步分析了分子量和 logD 度对 A-B permeability 的影响。辉瑞 Golden Triangle 和来自阿斯利康的 Waring 都提出了这两个参数的界限，以最大化实现口服吸收和高渗透性的可能性。GSK 的 Young 及其同事建立了一种相关的方法，他们建议计算 molar refraction(分子大小的一种表征)和 logD7.4 有助于渗透率的优化。

拜耳研究人员的分析在很大程度上概括了先前作者确定的相同趋势，说明具有极端 logD 值的化合物需要较低的分子量来实现高渗透性。相比之下，cLogD7.5 值接近 “sweet spot” 3.25 的化合物在分子量 700 以内可以保持良好的渗透性。该最佳 logD 值不同于Golden Triangle，Golden Triangle 对高分子量化合物具有最大耐受性的 logD 明显较低(在1.0和2.0之间)。辉瑞的作者在其原始出版物中构建Golden Triangle 时分析了渗透率，认真分析他们的文章发现他们所指出的渗透率的表观最佳 logD 介于 3.0 和 4.0 之间。

Golden Triangle 研究了 logD 和分子量对口服吸收的影响，而 Waring 的分析集中在渗透性上。在研究阿斯利康收集的数据时，Waring提出了不同分子量范围内高渗透率(定义为Papp >100 nm/s)所需 logD 的下限。使用拜耳医药的数据集，发现这些指导原则可以成功地应用于预测高渗透性和低渗透性化合物，准确率分别为63%和70%。Waring 的指南提示较大的分子需要更高的亲脂性才能实现渗透性。不过这种线性关系在高亲脂性 (logD＞3.5-5.0) 下无法维持，超过此线性关系随着 logD 的增加而开始下降。Golden Triangle 的作者之前已经注意到了同样的趋势，他们假设这种效应可能是由于膜溶剂化，其中高 logD 化合物保留在脂质膜中，从而阻碍渗透。

拜耳医药研究人员进一步分析了计算的 pKa、分子量和在 Caco2 测定中测量的渗透性之间的关系。

✔ 在此，穿插介绍一下pKa，酸度系数，又名酸离解常数，代号Ka值，在化学及生物化学中，是指一个特定的平衡常数，以代表一种酸离解氢离子的能力。当溶液中药物离子浓度和非离子浓度完全相等，即各占50%时，溶液的pH值称为该药的解离常数。pka与ph的关系是:pka=ph+log(未解离浓度/已解离浓度)。

几位作者也评论了质子化状态与渗透率之间的关系。但是，目前并未发现有任何旨在确定这种性质的一般趋势的大规模研究。这可能是因为通过低通量 pKa 测量实验获得的数据有限所致。值得庆幸的是，准确的 pKa 预测软件的出现使得计算出的 pKa 成为构建结构-性质关系的参数。为此，拜耳研究人员采用了拜耳和 Simulations Plus 共同开发的商用预测模型。

图 7 展示了一个heatmap，该heatmap研究了预测的pKa of the most basic center 、分子量和由Caco2 Papp A-B试验测得的24,105种化合物的平均渗透性之间的趋势，囊括了10-90％的Caco2渗透率，这些上限和下限百分位数范围提供了对于给定的分子量和 pKa 组合可以预期的渗透性极限的估计。数据集可能偏向于包含更多“类药物”化合物，因为这些化合物更有可能被选择用于 Caco2 测定。尽管如此，这些化合物代表了多种分子结构选择，应该有助于推断一般趋势。

图7.(Lef t) Heatmap plot of Caco2 Papp A-B (nm/s) versus molecular weight (Da) and the predicted pKa of the most basic center for 24,105 compounds.（来源：文献1）

图 7 证实了 Papp A-B 渗透率随着分子量的增加而变得更具挑战性的趋势。研究分子量与 pKa 的相互影响，数据集可以细分为非碱性化合物，它们在生理 pH 值为 7.5 时未质子化（即热图的上半部分，pKa ≤ 6 的化合物）和碱性化合物，预计其在生理 pH 值 (pKa ＞ 6) 下部分或完全电离。这种对碱性和非碱性化合物的细分反映了电荷状态对被动扩散渗透的深远影响，中性/不带电分子受益于对细胞膜脂质双层的更高亲和力和扩散。

研究平均 Papp A-B 值，碱性化合物 (pKa＞ 6) 在高达 500 左右的分子量下显示出良好的渗透性，超过此值它们的平均渗透性变得明显更差。该临界值让人想起 Ro5 对最大分子量的建议。然而，examining the 90th percentile plot表明，即使具有高达 700 的较高分子量，仍然可能存在可渗透的碱性化合物。高于此值，具有良好渗透性的碱性化合物要少得多。具有更强碱性中心（pKa 为 9-10）的化合物也有明显的趋势，仅在较低分子量（＜400）下表现出良好的平均渗透性，这可能是由于它们的阳离子质子化状态阻碍了通过亲脂膜的扩散。尽管亲脂性的增加可能会改善这种强碱性分子的渗透性，但这种设计策略可能会增加药物诱导的磷脂变性的风险。除了被动扩散之外，质子化分子也可以通过这类离子特有的机制穿过磷脂双分子层，包括膜的磷脂结构的降解。与被动扩散不同，这种降解传输机制似乎是结构依赖性的，而不是由亲脂性决定的，总体而言，实现高分子量强碱具备良好的渗透性预计有较大挑战性。

使用图 7 和图 8 中显示的数据，可以确定 A-B 渗透性最佳的分子量和 pKa 范围，这些范围取决于离子类别，能够通过将这些数据细分为强、弱的酸碱，中性化合物和两性离子来提供更详细的指导。两性离子通常被动渗透性差，通过限制其电离中心的pKa范围，发现高渗透性两性离子化合物很常见，甚至高达 600 的分子量极限。研究人员进一步观察到，无论分子量如何，含有强酸性或强碱性中心的两性离子通常具有较差的A-B渗透性。

✔在此，穿插介绍几个名词的简称，%ABS：吸收百分数；TPSA：拓扑极性表面积；NROTB：可旋转键的个数；HBA：氢键供体个数；HBD：氢键受体个数。

分子量不是渗透性差的唯一原因，随着化合物变得越来越大，设计团队引入了更多的分子灵活性和极性特征(氢键供体、logD-lowering的官能团等)。)以改善药物相似性并捕获与靶分子的额外相互作用。这些特征不仅通过被动扩散阻碍渗透性，而且还可能导致转运蛋白的额外识别元素，增加它们的外排能力。因此，分子量可以被认为是影响渗透性的多个潜在特征的代表。为了更好地理解这些因素的作用，拜耳医药研究人员研究了进一步的分子特性对渗透性的影响。图9 阐明了HBD计数、HBA计数、TPSA、可旋转键、芳环和 fraction sp3 与 Caco2 Papp A-B 渗透性和流出量之间的关系。几乎在每种情况下，随着分子特征值的增加，平均 Papp A-B 渗透率显著降低。这反映了对分子质量观察到的相同效果--随着化合物变得更大并包含更多结构特征，它们的渗透性往往会降低。

图9.Line plots of molecular properties (HBD, HBA, TPSA, rotatable bond count, aromatic ring count, and fraction sp3) versus Caco2 Papp A-B (nm/s), showing the geometric mean and the 10th to 90th percentile range in orange and the geometric mean of the Caco2 efflux ratio in blue.Values for TPSA are binned per interval of 50 Å2, and values for F(sp3) are binned per interval of 0.05.（来源：文献1）

针对上图9，药论编辑结合原文简要提几点，对于 HBA 计数，A-B 渗透率在 1 到 10 之间逐渐减小，高于此值 Papp 接近最小值，这些范围概括了 Lipinski 的 Ro5 指导原则，而 HBA 为 0 的化合物组主要是季铵盐，这是一类渗透性差的化合物。与其他几个属性相比，F(sp3) 与 Papp A-B 或外排率之间的关系要弱得多。拜耳研究人员还绘制了细胞膜基底-顶部(basolateral-to-apical)的渗透率线性图，其遵循与图 9 所示相同的一般趋势。

图10.B-A 渗透率与分子特性的线性图（来源：文献4）

上述这些参数对 Caco2 细胞渗透的影响的强度和重要性可以通过它们对被动渗透和流出的协同作用来解释，它们共同加强了对净渗透的影响。这些特性与 Caco2 外排率之间的关系遵循相反的趋势，即是随着分子特性值的增加，流出量增加。在HBD、HBA、TPSA、rotBonds和芳环数的较高值下，外排率似乎是超过某个最大值后开始出现降低趋势。例如，在 HBD 统计的情况下，平均外排率在 HBD=5 时达到最大值，在此值以上，外排率开始下降。然而，这可能是 Papp B-A 和 Papp A-B 在高 HBD 值时接近非常低的值，导致大约 1 的表观外排率。出于类似的原因，当 Papp A-B 和 B-A 值接近检测的下限时，较高 HBA 值和可旋转键计数的外排率图的不稳定行为也可能是 an artificial effect。此外，在极端情况下，可供分析的化合物更少，导致数据噪音更大。

在某种程度上，拜耳研究人员的分析概括了 Ro5 化学空间的约束。然而，500的分子量约束现实中存在显著的例外情况，特别是对于不带电荷的化合物，其在高达700的分子量下保持良好的平均渗透性。这与“extended rule of five”(eRo5)一致，该法则由Kihlberg和其合作人员定义为分子量为500-700、HBD ≤ 5、HBD ≤ 10、PSA ≤ 200和可旋转键数 ≤20 的化合物。在 Ro5 和 eRo5 化学空间内，拜耳研究人员的研究证实，上述趋势是渗透率的有用预测指标。

bRo5化合物的分析受到现有数据集化合物分子量局限性的干扰，即研究的数据集分子量大多低于700，超过这个范围的化合物很少。在研究的数据集中，只有 586 种分子量≥700 的化合物在 Caco2 实验中进行了测试，这使得很难推断出该范围内具有统计学意义的趋势。在这些高分子量化合物中，超过90%表现出低Papp A-B渗透性。这与分子量小于500且eRo5在500-700范围内的化合物形成鲜明对比，这些化合物中不到50%的表现出渗透性差。

上图所示，分子量＞700的化合物普遍表现出较差的渗透率，586 种此类化合物（＞700）中只有 36 种表现出中等或良好的 Papp A-B 渗透性（≥30 nm/s）。在这 36 种化合物中寻找共同特征，其中 10 种可以被描述为大环化合物包含大环结构。在 36 种化合物中的 8 种中存在的另一个特征是结构元素，它可以归类为连接子，连接两个化学元素。连接子设计是一个快速发展的领域，在 PROTAC 开发中有特殊应用。加入精心设计的连接子可使 bRo5 分子采取以类似于大环化方式掩盖其极性的构象，此外，还可减小回转半径。80Å平方的截面积阈值对于使平衡向被动扩散倾斜是至关重要的，该阈值足够高以有效地缩短药物分子的膜停留时间，低于该阈值，流出泵可以容易地从膜上提取分子。这种特性最近被称为“molecular chameleonicity”，可以为 PROTAC 和其他 bRo5 化合物提供高于预期的渗透性。寻求结合 chameleonic 特性的药物设计团队可以通过研究其化合物在水溶液和非极性溶剂环境中的行为而受益；为此提出了“chameleonic efficiency”的参数。分析 bRo5 分子渗透性的另一个有用工具是实验极性表面积(EPSA)法，这是一种由辉瑞公司开发的用于分析分子内氢键的色谱技术。EPSA技术已成功应用于具有渗透性挑战的化合物的优化，包括肽和其他大的极性分子。

鉴于 bRo5 化合物实现良好 DMPK 特性的挑战，拜耳研究人员积极评估文献中报告的设计指南。在最近的一篇文章中，DeGoey和他在AbbVie的同事提出了AB-MPS分数作为一个综合参数来指导 bRo5 化合物的生物利用度的优化，作者定义 bRo5 化合物为违反大于1条 Lipinski 规则并且分子量超过500。使用公式 AB-MPS = (abs(cLogD7.4 − 3) + 芳香环计数 + 可旋转键计数)，AB-MPS 评分＞14 的 bRo5 化合物在大鼠中表现出口服生物利用度差的趋势。图12显示了适用于符合AbbVie bRo5标准的拜耳化合物的AB-MPS分数，按照 the original publication 分为F%的四分位数范围。与 AbbVie 数据集相比，研究人员的选择包括更少的化合物(n = 375)和更窄的 AB-MPS 分数范围，从23.1到6.3，使用的 clogD7.5 与测量的 logD7.4 之间的差异也很明显。尽管如此，拜耳研究人员还是热衷于使用来自他们自己公司的数据集来评估这个评分函数。

图12.AB-MPS box plots for compounds with >1 Lipinski Ro5 violations and molecular weight >500, showing oral F% in the rat versus AB-MPS value, with compounds binned by quartile distribution of their bioavailability values.（来源：文献1）

研究人员证实了生物利用度越差的化合物AB-MPS值越高的总体趋势，如上图中的平均得分所示。使用 AB-MPS >14 的规定临界值和 F% >20 的生物利用度阈值，评分函数能够正确地将 65% 和 52% 的化合物分别归类为生物利用度好/差。继续将 AB-MPS 评分与计算的 FaFg 值进行了比较，FaFg 值在没有肝代谢干扰的情况下测量肠道吸收，结果与 F% 相似。

图13.使用不同的bRo5设计指南，被正确归类为达到可接受的生物利用度(F% > 20)的化合物的百分比（文献1）

拜耳研究人员还考虑了 Veber 等人提出的两个基于性质的设计规则，这两个规则均可用于帮助实现口服生物利用度。这些规则的显著之处在于它们排除了分子量标准，从而使它们能够应用于 Ro5 和 bRo5 化学空间。第一个 Veber 规则建议 PSA≤140A2 的临界值和可旋转键计数≤10。当应用于拜耳医药研究的整个数据集（Ro5 + bRo5 化合物）时，这些阈值分别正确预测了 67% 和 53% 的化合物具有良好/不良的生物利用度。第二个 Veber 规则是限制 HBD+HBA 的总和≤12，再次结合可旋转键数≤10。这些标准表现稍好，正确预测了 67% 和 62% 的化合物具有良好/不良的生物利用度。这些规则在应用于使用 AbbVie 标准定义的 bRo5 化合物子集时同样表现良好。根据经验，所有这些方法似乎都能以相当的准确度预测F%，这表明 bRo5 化合物仍然可以通过调整其分子性质来优化。

最后，原文对 F% 和渗透率优化的指南或指导原则进行了总结：

✔口服生物利用度取决于渗透性和代谢稳定性。大致可以参考下图估算调节这些参数中的任何一个对 F% 的影响。

图14.(左)1930种化合物的大鼠体内口服生物利用度(F%)与大鼠(A-B)的体外Caco2表观通透性(Papp)和体外代谢稳定性的热图。(右)根据每个数据范围中包含的化合物数量，对相同的图进行着色。（来源：文献1）

✔当面临较差的代谢稳定性时，设计团队可能通过降低亲脂性来解决问题，因为 logD 是迄今为止对代谢稳定性最有影响的属性。这种方法可以通过代谢物 ID 研究和结构修饰的代谢软位点(soft spot)识别来补充。

✔根据经验，动态溶解度测量在指导生物利用度优化方面的效用是有限的。评估溶解度对 F% 的影响需要热力学溶解度数据，这在药物发现的早期阶段通常是无法获得的。

✔对于渗透性较差的化合物，影响最大的特性是logD、分子量和HBD计数。因此，当logD接近3.25时，渗透性可能会改善，而分子量和 HBD 计数都应该最小化。

✔除了上述三个参数之外，降低 HBA、TPSA、可旋转键和芳环的值也是提高渗透性和外排的可行策略。相反，F(sp3) 影响较小。

✔包含酸性或碱性中心的化合物可以受益于向更中性的 pKa 值移动以提高被动渗透性。可以参考图 7 和图 8 来估计可能的影响。但是，当高外排导致渗透性差时，不建议采用这种策略。

✔对于较大的分子（分子量为 500-700），碱性化合物的 pKa 应低于 9，酸的 pKa 不应超过 4，以实现良好的被动渗透性。pKa值超过此范围的化合物可限制在较低的分子量(400-500)以实现被动渗透。对于两性离子来说，如果碱性中心的pKa小于9，酸性中心的大于4，那么高Papp是可能的。

✔这些指南最适用于分子量＜700 的化合物。超出此范围，在 Caco2 测定中实现被动渗透性通常具有挑战性，在这种情况下，大环化或形成分子内氢键等设计策略可能会有所帮助。还应注意的是，Caco2分析(和其他发现分析)可能无法提供此类较大化合物的可靠数据。EPSA 等其他实验可能会提供更多有用的信息。

参考：

1.https://doi.org/10.1021/acs.jmedchem.2c01577.

2.Egbert, M.; Whitty, A.; Keseru, G. M.; Vajda, S., Why Some Targets Benefit from beyond Rule of Five Drugs. Journal of medicinal chemistry 2019.

3.Cecere, G.; Guasch, L.; Olivares-Morales, A. M.; Umehara, K.; Stepan, A. F. LipMetE (Lipophilic Metabolism Efficiency) as a Simple Guide for Half-Life and Dosing Regimen Prediction of Oral Drugs.ACS Med. Chem. Lett. 2022, 13, 1444−1451.

4.https://pubs.acs.org/doi/suppl/10.1021/acs.jmedchem.2c01577/suppl_file/jm2c01577_si_001.pdf

5.https://www.chemico.com.cn/h-nd-33.html

6.Halford, B. Wrestling with Lipinski’s rule of 5. Chemical & Engineering News. 2023, 101.

7.Lipinski, C. A. Experimental and computational approaches to estimate solubility and permeability in drug discovery and development settings. Advanced Drug Delivery Reviews. 1997, 23, 3-25.

声明：本文仅是介绍医药疾病领域研究进展或简述研究概况或分享医药相关讯息，并非也不会进行治疗或诊断方案推荐，也不对相关投资构成任何建议。

来源：药论