浅谈FBDD及据此发现的上市药

‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍谈一谈Fragment-Based Drug Discovery，水平有限，内容也较多，仅是浅谈。

分两部分，首先简单介绍FBDD，然后看看截至目前FBDD发现的上市药。

FBDD简介

FBDD，基于片段的药物发现，核心是筛选分子片段库，得到合适的Fragment Hit，一般也把后续的片段生长、分子优化包含在内。如图1所示，FBDD主要用在Hit Identification及Hit to Lead两个阶段(尤其是Hit Identification阶段)。

图1也大致示意了FBDD的流程，即先要有一个片段库以供筛选，然后针对特定靶标通过合适手段进行筛选；找到Fragment Hit后，一般要解析出其共晶结构、确定结合模式，然后基于结构(SBDD)进行片段生长、分子优化等工作。

浅谈FBDD及据此发现的上市药

图1 FBDD用于药物发现的阶段及大致流程

筛选分子片段的优点：可以用较少的数目探索较大的化学空间；得到的Fragment Hit分子量小、配体效率较高，后续优化的空间大。

FBDD的缺点：片段活性低，筛选需要很灵敏的检测手段；后续需要大量的优化工作。

图2总结了一些筛选手段的检测灵敏度(Sensitivity)，分子片段一般活性很低，需要X-ray结晶、NMR、Thermal Shift、SPR等手段，常规的酶活检测满足不了需求。

浅谈FBDD及据此发现的上市药

图2 部分筛选手段的检测灵敏度(Sensitivity)

图3统计了FBDD中各种筛选手段使用的比例，数据有点老(2013年)，其中图3a是问卷调查结果，图3b是文献统计结果。多数技术也不太了解，就不展开了。

主要提两个吧：一个是X-ray，没错，它可以作为一种筛选技术，并且灵敏度很高(图2)；当然，缺点是通量低，不过好处是直接获得了共晶结构，方便后续优化。另一个是Computational，计算，或者说(片段的)虚拟筛选，也是可能的；不过目前提到FBDD主要还是指实验筛选。

浅谈FBDD及据此发现的上市药

图3a/b 各种片段筛选手段的使用比例

筛到Fragment Hit之后，还有大量的优化工作，主要方法包括片段生长、片段连接、片段融合。

片段生长很好理解，可能也是最常用的，就是在Hit片段上继续添加基团、占据未占据的口袋空间，并形成新的相互作用、提高活性；

片段连接也好理解，这需要同时筛到两个(或几个)占据口袋不同位置的片段，然后以合适的linker把它们连接起来、成为一个分子；

片段融合也需要同时筛到不止一个片段，并且它们占据的空间有重叠，则有可能把这些片段的特征“融合”到一起，得到一个更大的分子片段。图4就是这样一个例子，其中第二步他们称为片段生长，但看起来也是片段融合。

图4 片段融合提高活性的一个例子

FBDD简介到此，下面看几个实例，可能也是截至目前FBDD方法发现的所有上市药(今年上市的KRAS抑制剂Sotorasib跟FBDD也有些关联)。

FBDD发现的上市药

即图5总结的4个分子：一个Bcl-2抑制剂(Venetoclax, 2016)，三个激酶抑制剂(见图)。

浅谈FBDD及据此发现的上市药

图5 截至目前FBDD方法发现的上市药

下面依次看看这4个分子的优化过程，需要说明的是，每个分子的优化都包含了大量艰巨的工作(Venetoclax是一个典型)，篇幅有限，水平有限，不会展开，简单看看。

图6示意Bcl-2抑制剂Venetoclax的大致优化过程，这是一个难成药靶点(PPI)，通过FBDD筛出了两个结合在口袋不同位置的片段。然后是漫长、艰巨的优化工作，包括片段连接、片段生长等方法，基于解析的共晶结构。最终得到的分子也比较巨大，但可以口服，也是bRo5一个典型例子。

可以看到，经过重重优化，最终的分子结构中只保留了最初Fragment Hit的一些影子。

浅谈FBDD及据此发现的上市药

图6 Bcl-2抑制剂Venetoclax的大致优化过程

图7示意BRAF抑制剂Vemurafenib的大致优化过程，其中图7a截自原研文献，图7b截自后来一篇综述，内容基本一致。

图7a的片段1，是最初的Fragment Hit，后续优化中基本得到保留(linker有改变)，其中N杂吲哚是母核。

要注意图7a三个子图的激酶不同，分别为Pim-1、FGFR、BRAF。还要注意图7b，所画2D结构有点小问题(部分linker有误，可参照图7a)。

浅谈FBDD及据此发现的上市药

图7a/b BRAF抑制剂Vemurafenib的大致优化过程

还是这家公司，用相同的母核(7-N杂吲哚)，优化出另一个上市激酶抑制剂，Pexidartinib(CSF1R/FMS、KIT)。如图8所示，向上优化PLX4720得到Vemurafenib，向下优化PLX647得到Pexidartinib。

其实现在看，N杂吲哚是个很平常的激酶抑制剂母核，仅凭这个推出两个上市药，更多还是依赖后续的大量优化工作。

浅谈FBDD及据此发现的上市药

图8 同一母核优化出两个上市药

图9示意FGFR抑制剂Erdafitinib的大致优化过程，图9a可见一个典型的片段生长过程，其中Compound 1为Fragment Hit，对FGFR及VEGFR都有微弱活性，Compound 2活性有提高、选择性变差，Compound 3添加二甲氧基苯环，活性提高选择性提高；最后通过与另一个共晶分子的叠合(图9b)，受启示延伸出靠下侧链，进一步提高活性选择性。

浅谈FBDD及据此发现的上市药

图9a/b FGFR抑制剂Erdafitinib的大致优化过程

小结

FBDD是一种行之有效的新药发现手段：优点是筛选较少片段可以覆盖较大化学空间，并且分子量小、无效基团少，为后续优化留足空间；缺点是筛选所用手段需很灵敏，而且后续需要大量的优化工作。

此外，FBDD通常伴随SBDD(基于结构设计)，也通常需要解析较多共晶结构，一方面可以作为筛选手段，另一方面也为SBDD提供结构基础。

截至目前，通过FBDD(包括后续优化)，已经有至少4个药物获批，未来还会有更多。但显然FBDD并不是完美无缺、无所不能，而是新药发现的手段之一。

最后，附上这4个上市药分子与主靶点的共晶结构截图。分别为Venetoclax、Vemurafenib、Pexidartinib、Erdafitinib，2D结构请参见图5。

图10a Venetoclax结合Bcl-2 (6O0K)

浅谈FBDD及据此发现的上市药

图10b Vemurafenib结合BRAF (4RZV)

浅谈FBDD及据此发现的上市药

图10c Pexidartinib结合CSF1R (4R7H)

浅谈FBDD及据此发现的上市药

图10d Erdafitinib结合FGFR1 (5EW8)

凡图片右下角没有水印的，都截自文献。

基于片段的药物设计研究进展
Twenty years on: the impact of fragments on drug discovery
Fragment-based drug discovery and its application to challenging drug targets
Design Principles for Fragment Libraries: Maximizing the Value of Learnings from Pharma Fragment-Based Drug Discovery (FBDD) Programs for Use in Academia
Application of Fragment-Based Drug Discovery to Versatile Targets
Fragment-Based Design of a Potent MAT2a Inhibitor and in Vivo Evaluation in an MTAP Null Xenograft Model
Discovery of a selective inhibitor of oncogenic B-Raf kinase with potent antimelanoma activity
Design and pharmacology of a highly specific dual FMS and KIT kinase inhibitor
A successful collaboration between academia, biotech and pharma led to discovery of erdafitinib, a selective FGFR inhibitor recently approved by the FDA