花了四个月的时间，终于翻完了厚厚的一本Biochemistry of signal transduction and regulation。并为之写了三篇文章：
刚看这本书的时候，评估了下总体需要的时间。第一个星期看了两百页，总共八百页的书，做个除法，那么一个月可以完成，考虑到不可抗拒因素，两个月应该足够宽裕了。然而，事实上花了整整四个月的时间。
这件事给我的第一个启示：对于一件不曾完成过的任务，预估的时间要在你初步预估时间的基础上乘以四。
读完全书，对于那句话“你从头读、尽量往下读直到读到你一窍不通时，再从头开始，这样坚持往下读直到你完全读懂为止！”有了不一样的体会。刚开始觉得好难，过来几个坎之后，终于变得容易起来。费曼学习法朴素但真的有用。
对细胞信号通路有了整体把握这个收获，相对而言反而是次要的了。
言归正传。
看完一整本信号通路的详细介绍，具体的细节内容记的不多，但是明显感觉有了一个整体框架，散落的珍珠有处安放了（见上述第三篇文章）。
细胞信号通路本身当然意义重大，但我们更关心的是，如果我们生病了，是哪条信号通路、哪个环节出了问题？换句话说，我们想知道这些信号分子里面，谁出了问题会让我们产生怎么的毛病？进一步的，如果我们确定出谁出了问题，那么它是不是一个很好的药物靶点？如果答案肯定，那么我们可以针对它进行药物的设计、研发、生产得到可以改变我们生活质量的药物。如果答案否定，我们怎么应对？
接下来的文章仍然会集中于两点来分享和探讨：一个是细胞信号通路中有哪些和疾病息息相关的重要分子。另一个是那些关键分子的成药性。
今天先来看其中的一类关键分子，激酶。
临床激酶药物靶点一览/The target landscape of clinical kinase drugs
激酶抑制剂是重要的癌症治疗药物。已有37种这类药物被批准用于人体，另有超过250种正在进行临床试验。多重药理学通常需要全面的靶点还原来了解药物的作用机制。采用剂量分辨定量化合物蛋白组学方法，文章分析了243种临床激酶药物的靶标谱。
数据揭示了现有药物的许多新靶点，勾勒出了“可成药”的激酶组前景，突出了(非)激酶脱靶，在免疫或癌症治疗中的应用潜力很大。结合磷酸化蛋白组数据，可进一步细化药物影响通路，确定药物反应标志物，增强联合治疗的理论基础。
我们发现很多药物都有转化价值，如在原代细胞中可以调节TNFα和IL-10生成的SIK2抑制剂，起初用于治疗新型肺癌生存标志物MELK的药物，以及用来治疗FLT3-ITD阳性AML的Cabozantinib。
ProteomicsDB提供的这一独特的公共资源应该有助于学术界和制药公司的基础、临床和药物发现研究，并帮助分子肿瘤委员会做出临床决策。
人类基因组编码的518个蛋白激酶中，有许多已经成为药物靶点，因为如果信号传导网络中的这些分子一旦失控，常常导致癌症和炎症等疾病。
目前有250多种激酶抑制剂(KIs) 正在进行临床试验，其中37种已被批准用于人类。其中一半的批准发生在过去的四年中（文章写于2017年），证明了蛋白激酶作为药物靶点的重要性。由于许多化合物以结构和功能上保守的ATP结合位点为靶点，因此往往看到一药多用的现象。也因此，药物脱靶可能是坏事，但也可能是好事。
深入研究这些分子的靶空间，以了解它们(潜在的许多)分子和细胞的作用机制(MoA)非常重要。为此，已有很多激酶活性和结合活性筛选的文章。（文献3-11，从略）
尽管这些研究具有相当的价值，但大多数临床KIs的靶点空间尚未得到系统的分析。此外，使用重组激酶的筛选实验，因为不具备天然细胞环境中全长蛋白所能捕获的许多调节因子(例如翻译后修饰、蛋白复合物相互作用，代谢物等)，研究难免不实。本研究利用肿瘤细胞裂解物、激酶谱和定量质谱对243例临床(即人体)KIs的靶空间、选择性和全剂量反应特性进行了化合物蛋白组学研究。这一新的、目前最大的公开可用的信息资源对确认临床药物＆靶点相互作用很有帮助，建立新靶点和已知药物的作用关系，或者已知靶点和新药物的相互作用，反之亦然，并重新利用药物的新靶点或适应症等等。
ProteomicsDB可以交互地探索所有数据，以促进转化研究、学术界、生物技术和制药领域的激酶药物发现以及临床决策。
临床激酶药物的靶点
文章介绍了用Kinobeads定量质谱化合物蛋白组学方法确定243个KIs的蛋白靶点。
简单来说，Kinobeads是利用固定化的广谱激酶抑制剂，调取细胞或组织中的内源性激酶。该实验结果与western blot分析结果，以及KiNativ技术分析结果一致，后者是一种使用共价ATP探针的选择性结合检测实验。
不过，Kinobeads实验也有局限性。首先，若选择的细胞或组织中激酶的表达量太低会导致无法检出。其次，某些激酶与固定化的探针无法结合。第三，某些激酶与珠子结合反而无法结合固定化的探针。最后，这种方法不能用来检测GPCR。
通过对所有抑制剂pKdapp值的无监督聚类分析，以及从大约3000次的亲和纯化和6000小时的LC-MS/MS中获得的靶标激酶，构成了当前临床激酶抑制剂药物的靶标——激酶组。系统地收集这些定量的药物-靶点相互作用的信息，给出了特定或系统遗传学相关靶点(如CDKs和PKCs)的药物组。
关于化合物如何发挥作用，如何在实验室中使用，以及对于特定蛋白质的靶向性是否有任何特定的作用，每一种药物靶标的图谱都为此提供了有价值的信息。为更大限度地利用这项工作成果，本研究产生的所有281个药物图谱都被整理成pdf文件，并公开在proteomeXchange网站，并可以进行交互式地探索（ProteomicsDB＆专门建立的选择性计算器）。
选择性化合物探针和多重药理学
这个研究结果对于评价化合物的选择性也很有帮助。
本项研究中，所有KIs都采用了剂量依赖方式描述，并且实验都是在细胞裂解液中接近热力学平衡的状态进行的。大量的结合数据使得促进了一种新的选择性指标CATDS(浓度和目标依赖选择性)的开发，它超越了以前公布的选择性评分，因为它还整合了靶标和药物MoA的信息。
CATDS测量的是在特定的化合物浓度下，相对于所有蛋白质在该浓度下结合量的总和，特定蛋白质与Kinobeads结合的减少量。因此，接近1或接近0的CATDS值分别表示选择性化合物和非选择性化合物。
本研究中药物的CATDS分析证实了许多先前的观察结果，但也有一些令人惊讶的地方。例如，临床上晚期的化合物并没有表现出比早期试验阶段更高的选择性。这说明，选择性并不是临床对进展中的化合物的严格要求。然而尽管如此，为了能够在临床和研究实验室中做出明智的决定，尽可能仔细地确定用于人类或作为工具化合物的任何药物的靶标图谱仍然重要。
针对EGFR (C797)或BTK (C481) ATP结合位点半胱氨酸残基的不可逆激酶抑制剂受到了相当大的关注 (最近——2017年——批准了Afatinib、Ibrutinib和Osimertinib)。大多数不可逆结合EGFR和BTK的抑制剂，通常对预期靶标具有更高的效力。但这些抑制剂也可以可逆地结合缺乏半胱氨酸残基的激酶，因为它们或许需要激酶支架才能将分子定位在预定的靶标上，从而发生不可逆的结合。不可逆的靶向结合增加了药物的停留时间，这对于靶向长寿蛋白是有用的，如EGFR(半衰期长达271 h)。
药物靶标数据矩阵也可以按照以靶标为中心的方式使用。以CHEK1为例，有19种抑制剂与CHEK1结合，其中许多并不是被认定的CHEK1抑制剂。而一般认为CHEK1的抑制剂AZD-7762虽然非常有效(Kdapp为5 nM)，但其在所有浓度下的CATDS评分都很低，这说明它还有许多其他有效靶点。因此，将其细胞效应归因于CHEK1的抑制恐怕说不过去。另外两种指定的CHEK1抑制剂，PF-477736和sh -900776，同样有效(Kdapp分别为0.2 nM和11 nM)，但在浓度约为10 nM时显示出更好的选择性。Rabusertib效用不是最好(Kdapp为43 nM)，但在实验中没有脱靶，是迄今为止该组中选择性最强的CHEK1抑制剂，更适合作为针对该靶标的最佳化合物探针。
另一个有趣而意外的发现是，前药及其活性代谢物的靶谱和效力有很大差异。例如，Fasudil比活性代谢物Hydroxyfasudil具有更多的靶点。相反，VEGFR/SRC前药TG-100801比活性药物TG-100572具有更少和更弱的靶点。与前体分子相比，SYK抑制剂Fostamatinib和Aurora药物Barasertib的活性代谢物具有非常不同的激酶结合谱。
综上所述，为了了解临床药物在体内发挥作用的机理，一般需要对抑制剂、制剂及代谢物进行仔细的靶标分析。
To be continued…
联系客服
