第3章 先导化合物优化的基本原则
先导化合物拿到手了，活性也不错，下一步干嘛？优化。但往哪个方向优化？优化到什么程度才算合格？这就得聊三个核心概念——类药性、成药性、构效关系（SAR）。
说白了，这三个原则就是先导化合物优化的“导航系统”。没有它们，你改分子就跟蒙眼走路一样，改到哪儿算哪儿。我做项目这么多年，见过太多团队把活性做得极高，最后却死在成药性上——这种坑，踩一次就够了。
3.1 类药性——分子能不能当药的“第一道筛子”
类药性（Drug-likeness）是啥？简单说，就是一个分子长得像不像药。你想想看，如果一个分子连基本的物理化学性质都不合格，后续优化再努力也很难翻盘。
评价类药性，最经典的工具是Lipinski五规则（Rule of Five）。这规则是我刚入行时背得最熟的东西，到现在每次评估分子都会过一遍。
| 参数 | 阈值 | 物理意义 |
|---|---|---|
| 分子量（MW） | ≤ 500 Da | 超过500，透膜能力急剧下降 |
| 脂水分配系数（LogP） | ≤ 5 | 太高容易蓄积在脂肪组织，太低透不过膜 |
| 氢键供体数（HBD） | ≤ 5 | 太多影响透膜和口服吸收 |
| 氢键受体数（HBA） | ≤ 10 | 同上，平衡极性和透膜性 |
我在项目中遇到过不少LogP超过6的分子，体外活性漂亮得很，但一到动物实验，生物利用度低得没法看。这就是典型的类药性不过关。
核心观点：类药性评估是成本最低的早期筛选手段。一个分子如果违反两条以上Lipinski规则，后续优化的成功率会大幅下降。
当然，五规则不是铁律。自然产物和某些特殊骨架（比如大环内酯类）经常“犯规”，但依然能成药。不过——请注意这个转折——那是例外，不是常态。日常做先导优化，最好还是把五规则当成硬约束。
用RDKit算这些参数，几行代码就搞定：
from rdkit import Chem
from rdkit.Chem import Descriptors, Lipinski
mol = Chem.MolFromSmiles('CC(C)CC1=CC=C(C=C1)C(C)C(=O)O')
mw = Descriptors.MolWt(mol)
logP = Descriptors.MolLogP(mol)
hbd = Lipinski.NumHDonors(mol)
hba = Lipinski.NumHAcceptors(mol)
print(f'MW: {mw:.1f}, LogP: {logP:.1f}, HBD: {hbd}, HBA: {hba}')我建议在每个优化轮次都跑一遍这个脚本，把参数记下来。养成习惯，后面能省很多麻烦。
3.2 成药性——从分子到药物的“鸿沟”
类药性看的是分子本身，而成药性（Drugability）范围更广。它不光看分子长什么样，还要看这个分子在生物体内能不能真正发挥作用。
成药性覆盖的几个关键维度：
- ADME：吸收、分布、代谢、排泄。分子能不能到靶点？到了能待多久？会不会被快速清除？
- 安全性：有没有毒性？会不会引起hERG心脏毒性？有没有CYP抑制？
- 生物利用度：口服能不能吸收入血？能不能到达作用部位？
- 稳定性：在血浆和肝微粒体中的代谢稳定性如何？
我有个很深的教训。多年前做过一个项目，体外活性IC₅₀到了纳摩尔级别，类药性也全部合规，团队兴奋得不行。结果体内药效实验——完全没效果。后来一查，肝微粒体代谢半衰期只有3分钟，分子进到体内还没来得及到靶点就被代谢掉了。
避坑指南：我曾经吃过“活性高就是一切”的亏。后来我养成了一个习惯——在优化活性的同时，至少同步测一下肝微粒体稳定性和CYP抑制。这两项数据能帮你提前发现90%的成药性问题。
类药性和成药性的区别，可以这样理解：
| 维度 | 类药性 | 成药性 |
|---|---|---|
| 关注点 | 分子自身的物化性质 | 分子在生物体内的行为 |
| 评估工具 | 计算描述符、五规则 | ADME实验、毒理实验 |
| 评估阶段 | 早期筛选 | 先导优化中后期 |
| 数据来源 | 计算预测为主 | 实验数据为主 |
3.3 构效关系（SAR）——优化分子的“导航图”
构效关系，全称Structure-Activity Relationship。我习惯把它叫做“优化分子的导航图”——它告诉你往哪个方向改，活性会提升；往哪个方向改，会翻车。
SAR分析的核心逻辑很简单：改了分子的某个部位，活性变了多少？但做起来，门道很多。
最常见的SAR分析维度：
- 取代基效应：苯环上不同位置的取代基（F、Cl、CH₃、OCH₃等）对活性的影响
- 电子效应：吸电子基还是给电子基？对靶点结合有什么影响？
- 空间效应：取代基大了还是小了？疏水口袋能不能容纳？
- 构象偏好：分子是不是能采取活性构象？柔性太大的话，熵损失大。
我习惯在项目中维护一个SAR矩阵表。下面的例子是一个简化版：
| 取代基 (R) | IC₅₀ (nM) | LogP | 代谢稳定性 (%) | 趋势 |
|---|---|---|---|---|
| -H | 120 | 2.8 | 45 | 基准 |
| -F | 45 | 3.0 | 62 | ↑ 活性 + 稳定性 |
| -Cl | 30 | 3.5 | 55 | ↑↑ 活性，稳定性略降 |
| -CF₃ | 12 | 4.1 | 38 | ↑↑ 活性，但LogP偏高 |
| -OCH₃ | 80 | 2.6 | 70 | 活性一般，稳定性好 |
从这个表能看出什么？-F取代在活性和稳定性之间取得了最佳平衡。而-CF₃虽然活性最好，但LogP到了4.1，代谢稳定性也下降了。我个人会先选-F作为候选，再围绕它继续优化。
实战技巧：做SAR分析时，不要只看活性数据。把类药性参数（LogP、MW、HBD/HBA）和成药性数据（代谢稳定性、CYP抑制）一起放进矩阵里。这样才能发现“活性又好、成药性也不差”的平衡点。
3.4 三个原则如何协同工作
好，现在三个概念都讲清楚了。那它们之间到底是什么关系？
我画了一张框架图，能帮你一眼看明白：
这张图把三个原则的层级关系讲得很清楚。类药性是最基础的筛子，决定了分子有没有继续优化的价值。成药性是更全面的评估，关注分子在体内的真实表现。构效关系则是优化过程中的工具，指导你具体怎么改分子。
在实际项目中，三个原则是迭代循环的：
- 先算类药性参数，看看分子有没有优化基础
- 做SAR分析，找到活性提升的方向
- 合成新分子，测活性，同时测成药性指标
- 根据数据调整方向，继续下一轮优化
每轮循环，三个原则都要过一遍。我自己做项目时，会在项目白板上画一个三角循环图，每轮更新数据，确保三个维度同步推进。
我的经验：别等到把所有SAR都做完，再回头看类药性和成药性。那样大概率要返工。最有效的做法是——每轮优化只改1-2个位点，每轮都同时评估活性、类药性和初步成药性数据。步子小一点，但每一步都是稳的。
先导化合物优化没有捷径。但有了类药性、成药性和SAR这三个原则，你至少不会在黑暗中乱撞。把它们当成日常工作的检查清单，养成习惯，你会发现项目推进得比以前顺得多。