NUS研究团队开发自动化药物生产新技术,「自动化多步合成」成可能

发现和开发用于治疗的新型小分子化合物需要投入大量的时间、精力和资源。新加坡国立大学(NUS)的研究团队开发了一种适合药物小分子的自动化生产方法,为传统化学合成提供了新的思路。该方法可能用于通常通过手动工艺生产的分子,从而减少所需的人力。取得这一技术突破的研究小组由新加坡国立大学化学系助理教授Wu Jie 和新加坡国立大学化学和生物分子工程系副教授Saif A. Khan领导。Liu Chenguang博士(左)和Wu Jie助理教授(右)。(来源:NUS)NUS团队演示了用于癌症治疗的药物分子prexersatib

发现和开发用于治疗的新型小分子化合物需要投入大量的时间、精力和资源。新加坡国立大学(NUS)的研究团队开发了一种适合药物小分子的自动化生产方法,为传统化学合成提供了新的思路。该方法可能用于通常通过手动工艺生产的分子,从而减少所需的人力。

取得这一技术突破的研究小组由新加坡国立大学化学系助理教授Wu Jie 和新加坡国立大学化学和生物分子工程系副教授Saif A. Khan领导。

NUS研究团队开发自动化药物生产新技术,「自动化多步合成」成可能Liu Chenguang博士(左)和Wu Jie助理教授(右)。(来源:NUS)

NUS团队演示了用于癌症治疗的药物分子prexersatib的新技术,在32小时内实现了全自动六步合成,产率达65%。此外,他们的技术还以自动化的方式成功生产了23种prexasertib衍生物,表明该方法在药物发现和设计的潜力。

该研究于4.19以题为《通过连续流动-固相合成实现 prexasertib 及其衍生物的自动合成》「Automated synthesis of prexasertib and derivatives enabled by continuous-flow solid-phase synthesis 」发表在《自然化学》(Nature Chemistry)杂志上,有望应用于生产广泛的药物分子。

简化药用化合物的生产

最近,端到端连续流合成取得进展,正迅速扩大流动反应堆中小分子药物化合物的自动合成能力。对于具有重复功能单元的分子,例如多肽和寡核苷酸等,有明确的生产方法。然而,由于溶剂和试剂不兼容等问题,对活性药物成分进行多步连续合成仍具有挑战性。

新型自动化技术结合了两种化学合成技术:(1)连续流动合成,化学反应在无缝过程中进行;(2)固体支持的合成,分子化学键合并生长在不溶性载体材料上。

该技术称为固相合成流或SPS流,当反应试剂流过填充床反应器时,可以在固体支持材料上开发目标分子。整个过程由计算机自动化控制。与现有的自动化技术相比,SPS流能够实现更广泛的反应模式和更长的线性端到端自动合成药物化合物。

NUS研究团队开发自动化药物生产新技术,「自动化多步合成」成可能APIs 和衍生物的自动化 SPS-flow合成的开发示意图。(来源:论文)

研究人员在抗癌分子 prexasertib 上测试了他们的技术,因为它适合附着在用作支持材料的固体树脂上。实验表明,在连续自动执行32小时后,产率达 65 %。比现有的 prexasertib 方法有所改进,之前的方法需要大约一周时间,并且需要大量的六步手动过程和纯化程序才能产生 50% 的产率。

新方法还允许在过程的早期进行合成修改。与仅允许分子共同核心结构的后期多样化的传统方法相比,该方法能够实现更大的结构多样化。

该团队使用基于计算机的化学配方文件,成功生产了23个 prexasertib衍生分子。产生的衍生物分子的部分分子结构与原始分子略有不同。

Khan解释说:「在药物发现和设计过程中,轻松获得这些衍生物的能力至关重要,因为了解分子结构及其活性之间的关系对于选择有前途的临床候选者起着重要作用。」

为药物开发创造新的可能性

NUS 团队计划通对最畅销的药物分子进行更多的研究,进一步展示其 SPS 流技术的多功能性。

「我们的新技术为药物分子及其衍生物的按需自动合成提供了一个简单紧凑的平台。我们估计,在前200种畅销小分子药物中,有73%可以使用这种技术生产。」Wu表示。

该团队未来的研究将开发适合制造更大规模活性药物成分生产的全自动便携式系统。该系统将采用新开发的铅优化技术,加快药物发现进程。

相关资讯

自动识别最佳分子,降低合成成本,MIT开发分子设计决策算法框架

编辑 | 紫罗AI 在简化药物发现方面的应用正在爆炸式增长。从数十亿种候选分子中筛选出可能具有开发新药所需特性的分子。需要考虑的变量太多了,从材料价格到出错的风险,即使科学家使用 AI,权衡合成最佳候选分子的成本也不是一件容易的事。在此,MIT 研究人员开发了一个定量决策算法框架 SPARROW,来自动识别最佳分子候选物,从而最大限度地降低合成成本,同时最大限度地提高候选物具有所需特性的可能性。该算法还确定了合成这些分子所需的材料和实验步骤。SPARROW 考虑了一次合成一批分子的成本,因为多个候选分子通常可以从一

以大模型加速新药研发,成本降低70%:一家大厂的「云端」实战

最近几年,AI 加持下的新药研发成为被寄予厚望的赛道之一。从流程上看,药物研发分为药物发现、临床前研究、临床研究、审批与上市四个阶段。医药界有一个「双十定律」的说法 —— 即需要超过 10 年时间、10 亿美元的成本,才有可能成功研发出一款新药。即使如此,也只有约 10% 新药能被批准进入临床期。目前,AI 技术的参与主要集中于药物发现阶段。挑战在于,虽然 AI 技术加快了一部分工作的推进速度,但 AI 技术与药物研发的 “联姻” 并不是一蹴而就的,囿于算法低效、数据割裂、数据安全、算力瓶颈等挑战,药物研发仍然是一

受 ChatGPT 启发,结合 Transformer 和 RL-MCTS 进行从头药物设计

编辑 | 萝卜皮通过从头药物设计发现新型治疗化合物是药物研究领域的一项关键挑战。传统的药物发现方法通常资源密集且耗时,这促使科学家探索利用深度学习和强化学习技术力量的创新方法。在这里,美国查普曼大学(Chapman University)的研究人员开发了一种称为 drugAI 的新型药物设计方法,该方法利用编码器-解码器 Transformer 架构与通过蒙特卡罗树搜索(RL-MCTS)进行的强化学习来加快药物发现过程,同时确保生产具有药物样特性和对其靶标具有强结合亲和力的有效小分子。与两种现有的基准方法相比,dr