降解剂成药性：突破 Ro5 之外的口服与通透性挑战

PROTAC 类降解剂通常有 700～1100 Da 的分子量、10～20 个可旋转键、TPSA 常超过 150 Ų——按 Lipinski 五规则，这些分子「不可能口服」。但事实上已有多个口服降解剂进入临床。理解为什么，是设计这类分子的关键。

bRo5 空间：规则之外的世界

beyond Rule of 5（bRo5） 指分子量 500～3000 Da 的空间。这个区间里有一批成功的口服药物（环孢素是最经典的例子，MW 1202 且口服有效），说明 Ro5 不是物理定律，而是对典型小分子的统计概括。

参数	Ro5	bRo5 口服药的观察范围
MW	< 500	500～1200
cLogP	< 5	宽泛，可到 8+
HBD	< 5	仍然重要，尽量少
TPSA	< 140	可到 250+，但需构象响应
可旋转键	< 10	可更多，但需构象受限

在 bRo5 空间中，HBD 数量仍然是最强的通透性预测因子之一。MW 和 TPSA 的约束可以放松，但暴露的氢键供体带来的去溶剂化代价是硬性的。

分子伞效应与构象塌缩

这是 bRo5 分子能通透的核心机制：

• 在水相中：分子采取伸展构象，极性基团暴露在外与水形成氢键，保持溶解度；
• 进入膜的疏水环境时：分子塌缩折叠，把极性基团藏进内部（形成分子内氢键），疏水面朝外——「有效 TPSA」大幅降低，从而能穿过膜；
• 这就是「分子伞（molecular chameleon）」行为：同一个分子在不同环境中呈现不同的性质。

设计含义：静态计算的 TPSA 不能反映真实的通透性。关键是分子能否形成分子内氢键、能否在低介电环境中塌缩。

怎么计算构象依赖的性质

from rdkit import Chem
from rdkit.Chem import AllChem, Descriptors, rdMolDescriptors
import numpy as np

def conformer_dependent_psa(smiles, n_confs=100, seed=0xf00d):
    """计算构象系综上的 3D-PSA 分布"""
    mol = Chem.AddHs(Chem.MolFromSmiles(smiles))
    p = AllChem.ETKDGv3(); p.randomSeed = seed; p.pruneRmsThresh = 0.5
    cids = AllChem.EmbedMultipleConfs(mol, numConfs=n_confs, params=p)
    if not cids:
        return None
    AllChem.MMFFOptimizeMoleculeConfs(mol, maxIters=1000)

    # 3D 极性表面积随构象变化
    psas = []
    for cid in cids:
        psa = rdMolDescriptors.CalcTPSA(mol)      # 2D TPSA 不随构象变
        # 真正的构象依赖 PSA 需要算 3D 溶剂可及表面
        # 可用 FreeSASA 或 MDAnalysis 计算极性原子的 SASA
        psas.append(psa)
    return {"static_tpsa": psas[0]}

def count_intramolecular_hbonds(mol, conf_id, dist_cutoff=2.5, angle_cutoff=120):
    """统计分子内氢键数量 —— 塌缩能力的关键指标"""
    conf = mol.GetConformer(conf_id)
    donors, acceptors = [], []
    for atom in mol.GetAtoms():
        if atom.GetSymbol() in ("N", "O") and atom.GetTotalNumHs() > 0:
            donors.append(atom.GetIdx())
        if atom.GetSymbol() in ("N", "O"):
            acceptors.append(atom.GetIdx())

    count = 0
    for d in donors:
        for a in acceptors:
            if d == a:
                continue
            # 排除相邻原子
            if mol.GetBondBetweenAtoms(d, a):
                continue
            dist = np.linalg.norm(
                np.array(conf.GetAtomPosition(d)) - np.array(conf.GetAtomPosition(a)))
            if dist < 3.5:      # 供受体重原子距离
                count += 1
    return count

# 关键指标：能形成多少分子内氢键的构象比例
# 高 → 有塌缩能力，通透性可能优于静态性质的预期

实际的优化手段

手段	作用
减少 HBD	最有效——N-甲基化、把 NH 换成 O 或环内 N
促进分子内氢键	调整连接子几何，让供受体能配对
连接子刚性化	减少可旋转键，降低熵代价
缩短连接子	直接降 MW，但可能损失活性
降低极性基团暴露	把极性基团放在能被屏蔽的位置
成盐 / 前药	改善溶解度或吸收
制剂手段	无定形固体分散体、纳米制剂等

N-甲基化是 bRo5 领域最经典的手段：把酰胺 NH 甲基化，既减少一个 HBD，又促进构象塌缩。环孢素含有多个 N-甲基化酰胺，正是它能口服的重要原因。代价是可能损失与靶点的氢键，需要逐个试。

实验评估要用对方法

• 常规 Caco-2 可能低估：大分子在 Caco-2 中的表现常受外排转运体（P-gp）影响强烈，且孵育时间可能不足。
• PAMPA：只测被动扩散，可与 Caco-2 对照区分被动通透与外排的贡献。
• EPSA（实验极性表面积）：用色谱方法测量分子的「有效极性」，比计算的 TPSA 更能预测 bRo5 分子的通透性。这是该领域推荐的实验指标。
• 直接测体内暴露：对 bRo5 分子，体外预测的可靠性有限，尽早做动物 PK 更实际。

降解剂特有的缓解因素

PROTAC 有一个抑制剂没有的优势：事件驱动的催化性（见 356《PROTAC 是什么》）。因为一个分子可以催化多轮降解，所需的细胞内浓度可能低于占位驱动的抑制剂。这在一定程度上补偿了暴露量不足的问题——但不能指望它抵消所有性质缺陷。

延伸资源

• 机制：356《PROTAC 是什么》；连接子：360《PROTAC Linker 设计》；大环对照：373《大环化合物 Macrocycle》、374《多肽通透性与口服化》；
• ADMET 概念见「成药性」模块。