《Molecular Diversity》：Discovering anti-obesity blue food compounds via combined deep learning and in silico approaches
编辑推荐：
为解决现有抗肥胖药物副作用大及传统发现方法耗时耗力的问题，研究人员开展了一项旨在从蓝色食物（水生生物）中筛选天然AMPK（AMP-activated protein kinase）激活剂的研究。他们开发了融合局部与全局特征的深度学习（Deep Learning）化合物-蛋白质相互作用（Compound-Protein Interaction, CPI）预测模型，并结合计算机分子对接（in silico molecular docking），从超过31000种蓝色食物化合物中鉴定出94个潜在AMPK α2亚基激活剂。体外实验验证了五种化合物的抗脂肪生成（anti-adipogenic）活性，特别是从石莼（Ulva pertusa）中发现的环(脯氨酸-缬氨酸)（cyclo(Pro-Val)）能激活AMPK并调节关键脂肪生成标志物。这项研究证明了人工智能驱动筛选海洋生物活性物质的可行性，为发现更安全的抗肥胖天然产物提供了新策略。
全球肥胖问题日益严峻，预计到2030年，全球将有超过10亿成年人受到肥胖困扰。肥胖不仅是体态问题，更会显著增加糖尿病、心脏病、癌症等多种慢性非传染性疾病的风险。目前，美国食品药品监督管理局（FDA）批准的几种抗肥胖药物，如奥利司他（Orlistat）、芬特明/托吡酯（Phentermine/Topiramate）等，虽然有效，但常伴随头痛、腹痛、恶心、心血管异常等多种副作用。特别是用于糖尿病管理的胰高血糖素样肽-1（GLP-1）受体激动剂，在超说明书用于减肥时，患者可能面临胆道疾病、胰腺炎、肠梗阻等胃肠道不良反应风险。因此，寻找源自天然产物的、更安全的抗肥胖替代方案成为紧迫需求。
在此背景下，AMP激活的蛋白激酶（AMP-activated protein kinase, AMPK）进入了研究者的视线。AMPK被称为细胞的“能量传感器”，在维持能量稳态和调节脂肪生成（adipogenesis）中扮演着核心角色。激活AMPK可以抑制脂肪细胞的分化与成熟，从而对抗肥胖。二甲双胍（Metformin）这一经典降糖药的部分作用也被认为与AMPK有关。因此，AMPK，尤其是其α2亚基，成为开发抗肥胖疗法的热门靶点。
与此同时，蓝色食物（Blue foods），即鱼类和其他水生食物，因其富含营养、环境足迹低而受到关注。它们被认为是多种具有抗糖尿病、抗炎、抗氧化和抗癌等生物活性天然化合物的宝库。然而，相较于陆生植物，对蓝色食物中活性成分的研究尚不充分。传统的药物发现方法实验周期长、成本高昂且成功率低，而人工智能（Artificial Intelligence, AI）和计算方法的兴起为加速这一过程带来了革命性希望。
为了高效地从庞大的蓝色食物天然产物库中挖掘出能激活AMPK的抗肥胖化合物，一个研究团队在《Molecular Diversity》期刊上发表了一项创新性研究。他们开发并运用了一套结合深度学习（Deep Learning）与计算机模拟（in silico approaches）的高效筛选流程，成功发现了具有潜力的先导化合物。
研究人员开展此项研究运用了几个关键技术方法：
首先，他们构建了一个深度学习模型来预测化合物-蛋白质相互作用（Compound-Protein Interaction, CPI）。该模型创新性地同时考虑了化合物和蛋白质的局部特征（如氨基酸/原子序列）与全局特征（如分子描述符和蛋白质描述符），并通过在大型基准数据集（KIBA数据集）上预训练，再在小规模的AMPK特定数据集上进行迁移学习（Transfer Learning）来提升预测性能。其次，利用计算化学方法，他们对深度学习模型筛选出的Top 10%候选化合物进行了计算机分子对接（Molecular Docking）模拟，评估它们与AMPK α2亚基的结合模式和亲和力，并结合吸收、分布、代谢、排泄（ADME）性质预测进一步筛选。最后，对最终筛选出的、可商业获取的化合物，在3T3-L1前脂肪细胞模型中进行了体外实验验证，通过油红O（Oil Red O）染色、定量实时聚合酶链反应（qRT-PCR）、蛋白质印迹（Western Blot）和AMPK激酶活性测定等技术，评估其抗脂肪生成效果及作用机制。
研究结果
深度学习模型表现出强大的预测能力
研究人员开发的深度学习模型在预测CPI方面表现优异。在KIBA基准数据集上，模型的均方误差（MSE）为0.209，一致性指数（CI）达0.844。迁移学习至较小的AMPK数据集后，模型性能依然稳健，MSE降至0.111，CI为0.702，而皮尔逊相关系数（PCC）高达0.930，表明预测值与实际值有极强的线性相关性。
通过深度学习与计算机对接方法预测出AMPK激活性蓝色食物化合物
利用训练好的迁移学习模型，研究人员对来自综合海洋天然产物数据库（CMNPD）的31,080种蓝色食物化合物进行了AMPK α2亚基激活潜力的预测。根据预测的pEC50值，排名前10%（3,108种）的化合物进入下一轮筛选。对这些化合物进行计算机分子对接，并综合考虑对接打分（低于-7）和类药性（QikProp #stars属性低于5），最终精炼出94个最具潜力的候选化合物。
预测的蓝色食物化合物的ADME性质分析和AMPK活性测定
对筛选出的5种可购化合物进行的ADME性质预测显示，除甲基-4-溴吡咯-2-羧酸酯（methyl 4-bromopyrrole-2-carboxylate）外，其余化合物的预测水溶性（QPlogS）、人口服吸收率（%HumanOralAbsorption）等参数均在可接受范围内，且均未违反利平斯基五规则（Lipinski’s Rule of Five），提示其具有良好的口服生物利用度潜力。计算机对接图显示，这些化合物能与AMPK α2亚基的活性位点（如Asp88、Lys29、Arg83等关键氨基酸）形成氢键和疏水相互作用。然而，AMPK激酶活性实验表明，仅有环(脯氨酸-亮氨酸)（cyclo(Pro-Leu)）、环(脯氨酸-缬氨酸)（cyclo(Pro-Val)）和靛红（isatin）表现出浓度依赖性的AMPK激活活性，提示静态对接打分并非活性的唯一决定因素。
预测的蓝色食物化合物的抗脂肪生成效应
在3T3-L1细胞脂肪生成模型中进行验证，发现环(Pro-Val)在20 μM及以上浓度能显著抑制脂质积累，效果最强；环(Pro-Leu)在40 μM时也显示出显著抑制。而甲基-4-溴吡咯-2-羧酸酯、靛红和2-溴醛靛红（2-bromoaldisin）则在测试浓度下无显著效果。已知的AMPK激动剂A769662作为阳性对照，有效抑制了脂肪生成。
环(Pro-Val)通过激活AMPK发挥抗脂肪生成作用
研究人员选取效果最佳的环(Pro-Val)进行深入机制探讨。该化合物源自广泛分布于亚洲沿海的石莼（Ulva pertusa）。实验发现，环(Pro-Val)处理能剂量依赖性地增加AMPK α2亚基在Thr172位点的磷酸化水平，即激活了AMPK。随之而来的是，脂肪生成关键转录因子过氧化物酶体增殖物激活受体γ（PPARγ）和CCAAT/增强子结合蛋白α（C/EBPα）的mRNA和蛋白表达水平均被显著抑制。同时，下游的脂肪细胞特异性标志基因，如脂肪酸结合蛋白4（FABP4）、脂肪酸转运蛋白（CD36）、葡萄糖转运蛋白4（GLUT4）和脂联素（ADIPOQ）的表达也同步下调。这些结果清晰地表明，环(Pro-Val)通过激活AMPK，抑制了脂肪生成的核心调控网络，从而发挥抗肥胖作用。
研究结论与讨论
本研究成功地展示了一种整合深度学习与计算机模拟的高效策略，用于从蓝色食物天然产物库中快速发现抗肥胖先导化合物。通过构建能同时利用化合物和蛋白质局部与全局特征的深度学习CPI预测模型，并结合迁移学习以克服AMPK特定数据量小的限制，研究团队建立了一个强大且高效的虚拟筛选工具。该工具与后续的计算机分子对接及ADME性质过滤相结合，从超过3万种化合物中精准定位到94个高潜力AMPK α2亚基激活剂候选物。
体外实验对其中五种化合物的验证，不仅确认了本筛选流程的有效性——成功再发现了已知的AMPK激活剂靛红，更重要的是首次揭示了环(Pro-Val)和环(Pro-Leu)这两种蓝色食物源二肽的抗脂肪生成活性。特别是环(Pro-Val)，其作用机制被明确为激活AMPK，进而抑制PPARγ和C/EBPα等核心脂肪生成转录因子的表达。
这项研究具有多重重要意义。首先，在实践层面，它为发现更安全、源自海洋的抗肥胖天然产物提供了具体的先导化合物（尤其是环(Pro-Val)）和高效的AI驱动发现范式。其次，在方法论上，所开发的融合局部与全局特征、并应用迁移学习的深度学习模型，为其他数据有限的药物靶点发现活性化合物提供了可借鉴的技术框架。最后，该研究也拓展了AMPK激活剂的应用前景，这类化合物不仅在肥胖防治方面，也可能在相关的代谢性疾病领域具有广泛的应用潜力。
总之，这项研究不仅加速了蓝色食物生物活性物质的挖掘进程，也为人工智能与计算模拟在现代药物发现，特别是天然产物开发中的应用，提供了一个精彩的成功案例。
