tooluniverse-binder-discovery

小分子结合剂发现策略

借助 60 多种 ToolUniverse 工具，系统地发现新型小分子结合剂，涵盖成药性评估、已知配体挖掘、相似性扩展、ADMET 筛选和合成可行性分析。

查证，不要猜测——得出结论前，务必先从工具中检索实际数据。不要仅凭靶点类别就推断其成药性、结合位点或化合物性质。

核心原则：

1. 报告优先——先创建报告文件，再逐步填充内容
2. 优先验证靶点——搜索化合物前，先确认其成药性
3. 多策略并行——结合基于结构和基于配体的方法
4. 考虑 ADMET 的筛选——尽早剔除不理想的化合物
5. 证据分级——根据支持性证据为候选物评级
6. 输出可执行——提供经过优先级排序的候选物及其依据
7. 优先使用英语查询——调用工具时始终使用英语术语。使用用户的语言回复

---

结合位点推理（从此处开始）

调用任何工具前，先推理靶点的结构生物学特征：

结合位点是明确的口袋（可供小分子结合），还是平坦的蛋白质-蛋白质界面（需要肽或大环分子）？ 这将决定筛选策略。

• 具有活性位点的酶（蛋白酶、激酶、ATP 酶）：具有深且明确的口袋，是经典的小分子靶点。优先搜索共结晶结构，并分析已知抑制剂的骨架。
• GPCR 和离子通道：具有跨膜口袋。通常可找到其结构；可从 GPCRdb 和 GtoPdb 中已知的药理学信息入手。
• 核受体：具有深疏水口袋。非常适合开发小分子；基于配体的方法效果显著。
• 蛋白质-蛋白质界面：接触面平坦且广阔。除非存在“热点”空腔，否则小分子很少能有效竞争结合。采用小分子策略前，先确认是否存在变构口袋。若未发现口袋，应提醒用户。如果靶点是已知的分子胶降解剂新底物（或目标是诱导新的 PPI，而非阻断现有口袋），则在判定该靶点无法通过小分子成药前，先使用 MolGlueDB_search_compounds/MolGlueDB_get_compound 检索已知的分子胶化学类型。
• 内在无序区：基本不存在直接的小分子策略。应转向肽类策略，或检查 MolGlueDB_search_compounds，确认该靶点是否为有文献记载的分子胶新底物。
• 支架蛋白／衔接蛋白：在判定无法成药前，应评估共结晶结构中是否存在意料之外的口袋。

根据上述推理选择研究阶段，并在执行完整工作流前提醒用户相关挑战。

---

关键工作流要求

1. 报告优先（强制要求）

不要向用户展示搜索过程或工具输出。应当：

1. 先创建报告文件——收集任何数据之前：

   • 文件名：[TARGET]_binder_discovery_report.md
   • 使用模板中的所有章节标题初始化文件（参见 REPORT_TEMPLATE.md）
   • 在每个章节中添加占位文本：[Researching...]

2. 逐步更新报告——收集到数据后，立即更新相应章节。

3. 输出单独的数据文件：

   • [TARGET]_candidate_compounds.csv——按优先级排序的化合物，附带 SMILES 和评分
   • [TARGET]_bibliography.json——文献参考（可选）

2. 引用要求（强制要求）

每条信息都必须包含来源：

示例：*Source: ChEMBL via ChEMBL_get_target_activities (CHEMBL203)*

工作流概览

各阶段按顺序排列：

• 阶段 0：工具验证（使用 get_tool_info 检查参数名称）
• 阶段 1：靶点验证——解析 ID、评估成药性、识别结合位点，必要时预测结构
• 阶段 2：已知配体挖掘——ChEMBL、BindingDB、GtoPdb、PubChem BioAssay、化学探针；SAR 分析
• 阶段 3：结构分析——PDB 共晶结构、EMDB（膜靶点）、结合口袋表征
• 阶段 3.5：对接验证——对参考抑制剂进行对接，以验证口袋几何结构
• 阶段 4：化合物扩展——相似性/子结构搜索（种子：3-5 个多样化活性化合物）+ 从头生成
• 阶段 5：ADMET 筛选——理化性质、生物利用度、毒性、CYP、结构警示
• 阶段 6：候选化合物对接与优先级排序——对前 20 个进行评分和排名
• 阶段 6.5：文献证据——PubMed、EuropePMC、OpenAlex
• 阶段 7：报告汇总与交付

---

阶段 0：工具验证

重要：调用不熟悉的工具前，请先验证工具参数。

tool_info = tu.tools.get_tool_info(tool_names="ChEMBL_get_target_activities")

常见参数修正（如不确定，请使用 get_tool_info 验证）：

• OpenTargets_*：使用 ensemblId（驼峰命名）；ADMETAI_*：smiles 必须为列表
• NvidiaNIM_alphafold2 （需要 NVIDIA_API_KEY 环境变量；可在 build.nvidia.com 免费获取密钥）：使用 sequence，而非 seq；NvidiaNIM_genmol （需要 NVIDIA_API_KEY 环境变量；可在 build.nvidia.com 免费获取密钥）：SMILES 必须包含 [*{min-max}]
• NvidiaNIM_boltz2 （需要 NVIDIA_API_KEY 环境变量；可在 build.nvidia.com 免费获取密钥）：polymers=[{"molecule_type": "protein", "sequence": "..."}]

---

阶段 1：靶点验证

1.1 标识符解析

预先解析所有 ID，并保存以供后续查询使用：

1. UniProt_search(query=target_name, organism="human") -> UniProt accession
2. MyGene_query_genes(query=gene_symbol, species="human") -> Ensembl gene ID
3. ChEMBL_search_targets(pref_name__contains=target_name, organism="Homo sapiens") -> ChEMBL target ID
4. GtoPdb_search_targets(query=target_name) -> GtoPdb ID (if GPCR/channel/enzyme)

1.2 成药性评估

使用多来源交叉验证：

• OpenTargets_get_target_tractability_by_ensemblID(ensemblId) - 成药性类别
• DGIdb_get_gene_druggability(genes=[gene_symbol]) - 成药性类别
• OpenTargets_get_target_classes_by_ensemblID(ensemblId) - 靶点类别
• 对于 GPCR：GPCRdb_get_protein + GPCRdb_get_ligands + GPCRdb_get_structures
• 对于抗体格局：TheraSAbDab_search_by_target(target=target_name)

决策点：如果没有成药性数据，且结合位点分析表明靶点可能涉及 PPI 或无序区域，请在继续之前明确提醒用户。

1.3 结合位点分析

• ChEMBL_search_binding_sites(site_name__contains=...)（仅按位点名称筛选；无法按靶点筛选）
• 使用 get_binding_affinity_by_pdb_id(pdb_id) 查询共晶配体
• 使用 InterPro_get_protein_domains(protein_id=uniprot_accession) 查询结构域架构

1.4 结构预测（NVIDIA NIM）

需要 NVIDIA_API_KEY。有两种选择：

• AlphaFold2：NvidiaNIM_alphafold2(sequence, algorithm="mmseqs2") - 精度高，耗时 5-15 分钟
• ESMFold：ESMFold_predict_structure(sequence) - 速度快（约 30 秒），最多支持 1024 个 AA

pLDDT 指南：>=90 表示置信度极高，70-90 表示置信度较高，<70 表示使用时需谨慎。如果推定结合区域的 pLDDT 较低，对接结果的可靠性会受到影响。

---

阶段 2：已知配体挖掘

生物活性数据的优先级顺序：

1. ChEMBL_get_target_activities - 经过整理，可用于 SAR 分析
2. BindingDB_get_ligands_by_uniprot - 直接提供 Ki/Kd 和文献链接
3. GtoPdb_search_ligands - 专注于药理学（GPCR、通道）；需要 GTOPDB_API_KEY（未设置时返回 HTTP 401），因此未设置时跳过
4. PubChem_search_assays_by_target_gene - HTS 筛选、新颖骨架
5. OpenTargets_get_chemical_probes_by_target_ensemblID - 已验证的探针
6. MolGlueDB_search_compounds - 专门针对分子胶降解剂（能诱导新的蛋白质-蛋白质相互作用，而非占据传统结合口袋的小分子）；如果靶点没有可成药口袋，但已知或疑似为新底物，请检查此项

关键步骤：

1. 筛选 IC50/Ki/Kd < 10 uM 的分子；获取活性最高分子的详细信息
2. 识别化学探针和已获批药物
3. 分析 SAR：常见骨架、关键修饰
4. 检查脱靶选择性：BindingDB_get_targets_by_compound

---

阶段 3：结构分析

工具：

• PDB_search_similar_structures(query=uniprot, type="sequence") - 查找 PDB 条目
• get_protein_metadata_by_pdb_id(pdb_id) - 分辨率、方法
• get_binding_affinity_by_pdb_id(pdb_id) - 共晶配体亲和力
• get_ligand_smiles_by_chem_comp_id(chem_comp_id) - 获取 PDB 中配体的 SMILES
• EMDB_search_structures(query) - 冷冻电镜结构（GPCR 和离子通道优先使用）
• alphafold_get_prediction(qualifier) - AlphaFold DB 备用选项

阶段 3.5：对接验证（NVIDIA NIM）

如果有 PDB 和 SDF：使用 NvidiaNIM_diffdock（参数见 TOOLS_REFERENCE.md；需要 NVIDIA_API_KEY）。get_diffdock_info(info_type="overview") 仅返回 DiffDock 文档，不会执行任何对接。 如果只有序列和 SMILES：使用 NvidiaNIM_boltz2(polymers=[...], ligands=[...])。

先对接已知参考抑制剂，以验证结合口袋的几何结构，然后再运行候选分子。

---

阶段 4：化合物扩展

4.1-4.3 基于搜索的扩展

使用 3-5 个具有多样性的活性分子作为种子，相似度阈值设为 70-85%：

• ChEMBL_search_similar_molecules(query=SMILES, similarity_threshold=70)
• PubChem_search_compounds_by_similarity(smiles, threshold=0.7)
• ChEMBL_search_substructure(smiles=core_scaffold)
• STITCH_get_chemical_protein_interactions(identifiers=[gene], species=9606)

4.4 从头生成（NVIDIA NIM）

GenMol - 使用掩码区域进行骨架跳跃：

NvidiaNIM_genmol(smiles="...core...[*{3-8}]...tail...[*{1-3}]...", num_molecules=100, temperature=2.0, scoring="QED")

MolMIM - 可控类似物生成：

NvidiaNIM_molmim(smi=reference_smiles, num_molecules=50, algorithm="CMA-ES")

---

阶段 5：ADMET 筛选

按顺序应用（所有工具均接受 smiles=[list]）：

1. 理化性质：ADMETAI_predict_physicochemical_properties - Lipinski 违规数 <= 1，QED > 0.3，MW 200-600
2. 生物利用度：ADMETAI_predict_bioavailability - 口服生物利用度 > 0.3
3. 毒性：ADMETAI_predict_toxicity - AMES < 0.5，hERG < 0.5，DILI < 0.5
4. CYP：ADMETAI_predict_CYP_interactions - 标记 CYP3A4 抑制剂
5. 警示项：ChEMBL_search_compound_structural_alerts - 不含 PAINS

在报告中加入筛选漏斗摘要，显示每个阶段的通过/失败数量。

---

阶段 6：候选分子对接与优先级排序

综合评分：对接置信度（40%）+ ADMET 评分（30%）+ 与已知活性分子的相似度（20%）+ 新颖性（10%，未收录于 ChEMBL + 新颖骨架加分）。

候选分子的证据等级：

• T1（3 星）：实验 IC50/Ki < 100 nM
• T2（2 星）：对接评分与参考值相差不超过 5%，或 IC50 为 100-1000 nM
• T3（1 星）：与 T1 化合物的相似度 >80%
• T4（0 星）：相似度为 70-80%，仅骨架匹配
• T5（无星）：生成的分子，已通过 ADMET 筛选，未进行对接

交付评分最高的 20 个候选分子，包含：排名、ID、SMILES、对接评分、ADMET 评分、总评分、来源、证据等级。

---

阶段 6.5：文献证据

• PubMed_search_articles(query="[TARGET] inhibitor SAR") - 经同行评审
• EuropePMC_search_articles(query="SRC:PPR AND ...") - 预印本（未经同行评审）
• openalex_search_works(query) - 引文分析

---

回退链

Target ID:     ChEMBL_search_targets -> GtoPdb_search_targets -> "Not in databases"
Druggability:  OpenTargets tractability -> DGIdb druggability -> target class proxy
Bioactivity:   ChEMBL -> BindingDB -> GtoPdb -> PubChem BioAssay -> "No data"
Structure:     PDB -> EMDB (membrane) -> alphafold_get_prediction -> NvidiaNIM_esmfold -> AlphaFold DB -> "None"
Similarity:    ChEMBL similar -> PubChem similar -> "Search failed"
Docking:       get_diffdock_info -> NvidiaNIM_boltz2 -> similarity-based scoring
Generation:    NvidiaNIM_genmol -> NvidiaNIM_molmim -> similarity search only
Literature:    PubMed -> EuropePMC (preprints) -> OpenAlex
GPCR data:     GPCRdb_get_protein -> GtoPdb_search_targets

---

编程式访问（超越工具）

当 ToolUniverse 工具返回的化合物集有限时，请直接访问化学数据库：

import requests, pandas as pd

# PubChem batch property retrieval (up to 100 CIDs per call)
cids = "2244,5988,3672"
url = f"https://pubchem.ncbi.nlm.nih.gov/rest/pug/compound/cid/{cids}/property/MolecularWeight,XLogP,TPSA,HBondDonorCount,HBondAcceptorCount/JSON"
props = pd.DataFrame(requests.get(url).json()["PropertyTable"]["Properties"])

# ChEMBL bioactivity bulk download for a target
target_id = "CHEMBL203"  # EGFR
url = f"https://www.ebi.ac.uk/chembl/api/data/activity.json?target_chembl_id={target_id}&pchembl_value__gte=5&limit=1000"
activities = requests.get(url).json()["activities"]
df = pd.DataFrame(activities)[["molecule_chembl_id", "canonical_smiles", "pchembl_value", "standard_type"]]

# Lipinski Rule of 5 filtering (no RDKit needed)
lipinski = props[(props["MolecularWeight"] <= 500) & (props["XLogP"] <= 5) &
                 (props["HBondDonorCount"] <= 5) & (props["HBondAcceptorCount"] <= 10)]

# SDF download from PubChem (for docking input)
sdf_url = f"https://pubchem.ncbi.nlm.nih.gov/rest/pug/compound/cid/{cids}/SDF"
sdf_content = requests.get(sdf_url).text

有关格式指南和分页模式，请参阅 tooluniverse-data-wrangling 技能。

---

NVIDIA NIM 运行时说明

AlphaFold2：5-15 分钟（异步，最多约 2000 AA）。ESMFold：约 30 秒（最多 1024 AA）。DiffDock：每个配体约 1-2 分钟。Boltz2：约 2-5 分钟。GenMol/MolMIM：约 1-3 分钟。

始终检查：import os; nvidia_available = bool(os.environ.get("NVIDIA_API_KEY"))

对于大规模扩展（>500 个化合物）：分批处理，每批 100 个，并优先对排名靠前的候选物进行对接。

---

参考文件

• WORKFLOW_DETAILS.md - 分阶段流程、代码模式和筛选方案
• TOOLS_REFERENCE.md - 完整工具参考，包含参数和回退链
• REPORT_TEMPLATE.md - 报告文件模板和证据分级系统
• EXAMPLES.md - 端到端工作流示例（EGFR、新靶点、先导化合物优化）
• CHECKLIST.md - 交付前验证清单