γ-分泌酶是由Presenilin（PS）、PEN-2、APH-1和Nicastrin四种亚基共同组成的膜内蛋白酶复合物。由于其切割产生的淀粉样多肽在阿尔茨海默病 （Alzheimer’s disease，AD）发病过程中发挥着重要作用，以γ-分泌酶为靶点的药物设计备受关注。遗憾的是，目前靶向γ-分泌酶的AD药物无一例外地均以失败告终。另一方面，γ-分泌酶也可以水解切割Notch蛋白家族的四种亚型（Notch1-4），而Notch信号通路在多种癌症中的存在异常的激活。因此，已有多种γ-分泌酶抑制剂（γ-secretase inhibitors，GSI）进入癌症的临床试验，截至2023年4月，已有6种GSI被广泛应用于72项针对不同癌症类型的临床试验中。
值得探讨的是，这6种GSI在临床试验中有不同的表现，有的药物因效果不佳而被迫终止，有的药物仍在继续试验中，而其中一种GSI Nirogacestat已被FDA批准【 4】。那么什么因素决定了这些小分子在临床试验中的不同表现？如何对这些药物进行合理改造从而提高其治疗效果？为了回答这些问题，需要利用生物化学、结构生物学以及药物化学的方法，对每一种小分子抑制剂的抑制效果和识别机制进行系统地研究和比较，从而找到决定其抑制效果或临床表现的因素，为下一代药物的优化和设计提供基础。
2024年12月9日，西湖大学/清华大学施一公/周瑞课题组在 Nature 子刊 Nature Structural & Molecular Biology 上发表题为：Structural basis of human γ-secretase inhibition by anticancer clinical compounds 的研究论文。
该研究报道了γ-分泌酶分别结合5种进入临床试验的γ-分泌酶抑制剂（GSI）（RO4929097、Crenigacestat、BMS906024、Nirogacestat和MK-0752）的原子分辨率结构。这些GSI均占据着PS1中底物β-strand的结合口袋，但是在详细的识别模式上却各有不同。
该这项最新研究中，研究团队首先建立了Notch1-4的体外切割实验，分析5种小分子药物的抑制效果，如表1（IC50 for Notch1）所示。值得一提的是，其中三种GSI（Crenigacestat, BMS906024和Nirogacestat）具有优于其他两种药物的抑制能力，而这三种GSI恰好在临床试验中表现更佳，均有相关的临床试验在测试中。因此，作者推测更高的抑制效果可能代表更好的临床表现。那么接下来需要确认的是什么因素决定了这三种小分子具有更好的抑制效果。
表1. γ-分泌酶识别GSI相关参数的总结
研究团队还分别解析了5种小分子药物结合γ-分泌酶的原子分辨率结构，对其氢键、范德华力等相互作用进行详细地描述和分析，如表1所示。依据其分子结构，这些GSI被分为两种类型：1）RO4929097、Crenigacestat、BMS906024、Nirogacestat，与之前研究的L685,458、Semagacestat，都具有多肽的特征，被归纳为拟肽类GSIs。这类GSI在结构上均表现为典型的β-strand特征，与PS1形成β-sheet结构；2）MK0752，与之间报道的Avagacestat、MRK-560，被归纳为Sulfonyl GSIs，这类小分子往往承担着更多的选择性抑制效果，包括底物选择性和PS1亚型选择性。
然而，氢键以及范德华力相互作用似乎都不能决定这些GSI的抑制效果。研究团队发现BMS906024非常紧密地结合在PS1的口袋中，而这一GSI具有最强的抑制效果，因此作者推测小分子占据结合口袋的比例可能决定了其抑制效果。随后，作者利用POVME 3.0对小分子的体积（VGSI）以及其所诱导形成的特异性口袋的体积（Vpocket）进行精确的计算，并计算了其比值VGSI/Vpocket，如表1和图1a所示。果不其然，VGSI/Vpocket与抑制效果具有非常强的相关性。
这一结论为后续GSI的改造提供了一种明确的优化策略：通过在GSI分子中增加化学基团来提高VGSI/Vpocket。该研究共确定了四个空间位置site 1-4可以用于GSI的化学修饰，如图1b所示。他们还对site 3进行改造测试，验证了这一改造策略的正确性，如图1c、d所示。
https://www.science.org/doi/10.1126/science.adn5820
