p53基因作为抗癌基因，在抑制癌症的发展和进展中起着关键作用[1]。它是当前癌症治疗中最具吸引力的关键区域之一。事实上，科学家们几十年来一直在研究如何重新激活癌细胞中的p53功能，并已证明p53蛋白具有触发癌细胞死亡的能力[2]。然而，由于缺乏合适的药物结合位点，只有少数p53药物开发项目进入了高级临床试验阶段。截至目前，还没有任何项目获得国内或国际监管机构的批准，这阻碍了通过恢复p53的肿瘤抑制能力来治疗癌症的努力[3]。
p53蛋白包含许多特定的功能区域，包括转录激活区域I和II，这些区域与多个p53的负调控因子结合，抑制其转录激活能力[4]。例如，p53的N端与MDM2蛋白相互作用，MDM2蛋白用多个赖氨酸残基将p53的羧基末端泛素化，导致p53降解[5]。MDM2蛋白包含491个氨基酸，其功能区域可分为四部分：p53结合区域（残基19-102）、酸性区域（残基223-274）、锌指区域（305-322）和环区域（438-478）[6]、[7]。MDM2蛋白通过添加调节蛋白，将小的调节蛋白结合的泛素添加到p53的赖氨酸残基上，促进p53蛋白的降解，这一过程称为泛素化[8]。
泛素的激活和转移是一个复杂的生化过程，涉及多种酶的协同作用。首先，泛素激活酶（E1）消耗ATP生成泛素；然后，泛素通过泛素结合酶（E2）的作用与其半胱氨酸残基形成硫酯键，生成中间复合物；接着，该泛素复合物与泛素连接酶（E3）结合，经过一系列作用最终与目标蛋白赖氨酸残基的ε-氨基连接，完成泛素化过程[9]。螺氧吲哚衍生物是一类研究较为深入的抑制剂，表现出强烈的MDM2抑制作用[10]、[11]、[12]、[13]、[14]。它们通过破坏p53-MDM2复合物的组装来抑制p53蛋白的泛素化和降解。
尽管计算机辅助药物设计（CADD）在加速药物发现方面具有变革潜力，但由于结合界面的动态性质和系统验证工作流的稀缺，其在蛋白质-蛋白质相互作用（PPI）目标（特别是p53-MDM2复合物）中的应用仍然具有挑战性[15]、[16]、[17]。虽然个别CADD方法如分子对接和分子动力学模拟已被广泛用于探索配体结合模式和评估蛋白质-配体动力学[15]、[16]、[17]，但它们的孤立应用往往无法捕捉控制PPI抑制的复杂能量和构象决定因素。例如，尽管3D-QSAR建模、分子对接和动态模拟已被用于开发基于哌啶酮的MDM2抑制剂[18]，密度泛函理论计算也被用于评估肽片段结合[19]，但这些研究通常依赖于缺乏与生成性分子设计策略整合的单一尺度计算方法。因此，在p53-MDM2拮抗剂的CADD研究中仍存在一个关键缺口：即开发能够无缝连接从头分子生成与严格多物理验证的端到端计算工作流。为了解决这一限制，我们提出了一个系统的层次化计算流程，整合了基于配体的药效团建模、3D-QSAR分析、深度学习驱动的分子优化和基于物理的层次化验证。具体来说，我们的方法结合了：（i）药效团约束的3D-QSAR建模，以阐明氢键供体、疏水区域和吸电子基团对结合亲和力的微观贡献；（ii）基于图神经网络的分子生成（Modof），在优化物理化学特性的同时保留核心骨架；（iii）连续的分子对接和500 ns分子动力学模拟，以表征蛋白质-配体相互作用动力学和复合物稳定性的电子决定因素。这一集成工作流不仅识别出具有超过参考化合物预测结合自由能的高亲和力MDM2抑制剂，还为AI加速的PPI拮抗剂发现建立了一个可推广的范式，实现了计算效率与预测可靠性的平衡。
