Lead-like 与 Drug-like：先导物和药物样分子的区别

Lead-like（先导样）与 drug-like（药物样）是两个不同的性质区间。理解它们的区别，是虚拟筛选与库设计中最重要的策略判断之一——用错区间会系统性地损害项目的后续优化空间。

核心洞察：优化会增重

# 从苗头到候选药物的典型演变
#
#   苗头（hit）      →  先导（lead）  →  候选药物
#   MW  250~350         350~420          400~500
#   cLogP 1~3           2~4              2~4.5
#   活性 μM 级          100 nM 级        < 10 nM
#
# 为什么会增重？
#   提高活性通常需要：
#     - 增加与靶点的接触点（加基团）
#     - 填充口袋（加体积）
#     - 提高选择性（加特异性相互作用）
#   这些都会增加分子量与脂溶性
#
# 经验规律：
#   从苗头到候选，MW 常增加 80~150 Da，cLogP 增加 1~2
#
# 关键推论：
#   如果苗头已经是 MW 480、cLogP 4.5，
#   优化后必然突破可接受范围
#   → 苗头必须比药物「更小更亲水」

各阶段的性质范围

阶段	MW	cLogP	其它
片段（fragment）	< 300	< 3	HBD ≤ 3（Rule of 3）
Lead-like	250～350	≤ 3.5	可旋转键 ≤ 7
Drug-like（Ro5）	≤ 500	≤ 5	HBD ≤ 5、HBA ≤ 10
已上市口服药（中位）	约 350～400	约 2.5	—

虚拟筛选应该用哪个

• 先导发现应该筛 lead-like 库。这是最实用的一条策略建议。ZINC 等库都提供 lead-like 子集（见 230《ZINC》）；
• 直接筛 drug-like 库的问题：
  • 大而油的分子在对接中天然得分更高（打分函数偏好疏水接触与更多接触点，见 095《Docking Score》）；
  • 结果是筛出的都是接近性质上限的分子，后续优化空间被压缩；
  • 这类分子的配体高效性通常较低，「性价比」差。
• 片段筛选是另一个极端：从极小的分子起步，优化空间最大，但起始亲和力很弱（mM 级），需要更长的优化路径与结构信息支持。

用配体高效性验证

from rdkit import Chem
from rdkit.Chem import Descriptors, Crippen

def efficiency_metrics(smiles, pic50):
    """计算效率指标，判断优化潜力"""
    mol = Chem.MolFromSmiles(smiles)
    hac = mol.GetNumHeavyAtoms()
    clogp = Crippen.MolLogP(mol)

    le = 1.37 * pic50 / hac        # 配体高效性（见 071）
    lle = pic50 - clogp            # 亲脂高效性（见 072）

    return {
        "MW": round(Descriptors.MolWt(mol), 1),
        "HAC": hac, "cLogP": round(clogp, 2),
        "pIC50": pic50,
        "LE": round(le, 3), "LLE": round(lle, 2),
    }

# 对比两个「同样 1 μM」的苗头：
#
# A: MW 300, HAC 22, cLogP 2.0, pIC50 6.0
#    LE = 1.37 × 6.0 / 22 = 0.37  ← 高效
#    LLE = 6.0 - 2.0 = 4.0
#    → 还有增重与增脂空间，优化潜力大
#
# B: MW 480, HAC 34, cLogP 4.8, pIC50 6.0
#    LE = 1.37 × 6.0 / 34 = 0.24  ← 低效
#    LLE = 6.0 - 4.8 = 1.2        ← 很差
#    → 「预算」已用尽，再优化必然突破性质边界
#
# 结论：A 是好得多的起点，尽管活性相同
#      这就是 lead-like 策略的量化依据

lead-like 的实际操作

# 1) 用现成的 lead-like 子集
#    ZINC 提供按性质切好的子集（见 230）
#    直接下载 lead-like + in-stock 的组合

# 2) 自己过滤
from rdkit import Chem
from rdkit.Chem import Descriptors, Crippen

def is_lead_like(smiles):
    mol = Chem.MolFromSmiles(smiles)
    if mol is None:
        return False
    return (
        250 <= Descriptors.MolWt(mol) <= 350 and
        Crippen.MolLogP(mol) <= 3.5 and
        Descriptors.NumRotatableBonds(mol) <= 7 and
        Descriptors.NumHDonors(mol) <= 3 and
        Descriptors.TPSA(mol) <= 90
    )

# 3) 用平滑评分而非硬过滤（更好）
#    在 MPO 中给 MW 与 logP 设置 lead-like 的目标区间
#    → 避免阈值悬崖，同时引导筛选方向

什么时候不用 lead-like

• 靶点本身需要大分子：PPI 界面、某些大口袋，小分子根本无法覆盖（见 382《PPI 抑制剂》）；
• 做药物重定位：直接筛已上市药物，性质已定；
• 非口服给药：静脉给药的性质约束宽松得多；
• 非常规模态：大环、多肽、降解剂有自己的性质空间（见 362《降解剂成药性》、373《大环化合物 Macrocycle》）；
• 片段筛选路线：起点更小。

在优化中监控「性质预算」

# 把 MW 与 cLogP 当作「预算」来管理
#
# 假设 TPP 要求最终分子 MW < 480、cLogP < 4
# 当前先导：MW 380、cLogP 3.0
#
# 剩余预算：MW 100 Da、cLogP 1.0
#
# 每次改造前问：
#   这个基团带来的活性提升，值得消耗多少预算？
#
# 量化方法：
#   加一个基团后，LE 与 LLE 是上升还是下降？
#   → 上升 = 这次改造是「高效」的
#   → 下降 = 用性质换活性，预算在消耗
#
# 这个思维方式能有效防止「不知不觉把分子做大」
# —— 而这是先导优化中最常见的失控模式

延伸资源

• 效率指标：071《配体效率 Ligand Efficiency》、072《脂溶性配体效率 LLE》；类药规则：064《Lipinski 五规则》；
• 化合物库：230《ZINC》；Hit-to-Lead：404《Hit-to-Lead》。