作者: Wang, Xinyi ; Jiang, Dongxu ; Yang, Lingling ; Wu, Yanfang ; Song, Yeying ; Liang, Jian ; Xie, Xiaoyan ; Xie, Yimin ; Chen, Shuangxi ; Lin, Jinghong

ETHNOPHARMACOLOGICAL RELEVANCE:

Neuroinflammation is recognized as a key pathological mechanism in the onset and progression of depression. Inhibiting neuroinflammation represents a promising strategy for effective depression treatment. Monotropein (Mon), a major bioactive cyclohexene ether terpene glycoside extracted from Morinda officinalis, a medicinal and edible herb, exhibits potent anti-inflammatory activity.

AIM OF THE STUDY:

The aim of this study is to investigate whether Mon exerts its antidepressant effects in a lipopolysaccharide (LPS)-induced mouse model of depression via the cGAS/STING signaling pathway.

METHODS:

A model of neuroinflammation induced by LPS was established in C57BL/6 J mice, which received varying doses of Mon via gavage, with fluoxetine (FXT) serving as a positive control. Depressive-like behaviors in the neuroinflammatory mice were evaluated using the open field test (OFT), sucrose preference test (SPT), forced swimming test (FST), and tail suspension test (TST). Subsequently, neuronal damage and inflammatory responses were assessed through histopathological examination, enzyme-linked immunosorbent assay (ELISA), Reverse transcription quantitative PCR (RT-qPCR)., and immunofluorescence techniques. RNA sequencing (RNA seq) was conducted to identify potential targets, and molecular docking was employed to illustrate the interaction between Mon and the cGAS/STING proteins. Furthermore, in vivo experiments combining C176 with Mon were performed to further validate the underlying mechanism.

RESULTS:

Studies have demonstrated that Mon significantly alleviates LPS-induced depression-like behaviors and hippocampal pathological injury. Specifically, rats treated with Mon exhibited increased sucrose preference, reduced immobility time in the FST and TST, and enhanced locomotor activity and travel distance in the OFT. Additionally, Mon treatment was associated with attenuated neuronal damage and structural disruption in the hippocampus. This protective effect correlates with a marked reduction in neuroinflammatory responses, as evidenced by significantly decreased levels of pro-inflammatory cytokines (IL-1β, TNF-α, IL-6, and IFN-β) and reduced expression of glial activation markers, indicating suppression of glial cell activation. Furthermore, Mon effectively modulates microglial activity and improves the neuroinflammatory microenvironment both in vivo and in LPS-induced BV-2 microglial cells. RNA seq analysis revealed significant enrichment of inflammation-related signaling pathways, with the cGAS/STING pathway being prominently regulated. Molecular experiments further confirmed that Mon downregulates the expression of cGAS and p-STING proteins in both LPS-induced animal tissues and BV-2 cells. Additionally, further experiments demonstrated that the anti-inflammatory effect of Mon on LPS-induced neuroinflammation in mice was significantly attenuated when co-administered with C176, indicating that Mon ameliorates neuroinflammation via the cGAS/STING signaling pathway.

CONCLUSIONS:

Our findings indicate that Mon significantly ameliorates LPS-induced depressive-like symptoms in mice, potentially through inhibition of the cGAS/STING signaling pathway.

2026-06-01·ACTA BIOCHIMICA ET BIOPHYSICA SINICA

Inhibition of the cGAS-STING pathway mitigates liver injury induced by docetaxel-carboplatin neoadjuvant chemotherapy via autophagy promotion

Article

作者: Hu, Song ; Zhu, Xiaoyan ; Cai, Shunv ; Kong, Linghui ; Chen, Mo ; Yuan, Xiaohong ; Teng, Cheng ; Xu, Pingbo ; Zhao, Ying

The docetaxel-carboplatin (TCb) combination is a widely used neoadjuvant chemotherapy regimen, yet its clinical application is frequently accompanied by hepatotoxicity and drug-induced liver injury (DILI). However, the underlying molecular mechanisms remain incompletely understood. This study investigates the role of cGAS-STING-mediated autophagy in TCb-induced DILI. A TCb-induced DILI mouse model is established by intraperitoneal administration of docetaxel (10 mg/kg) and carboplatin (50 mg/kg) once weekly for two weeks, alongside an in vitro AML12 hepatocyte model (docetaxel 20 μM + carboplatin 100 μM). Liver injury, apoptosis, autophagy, and cGAS-STING signaling are evaluated using histopathological staining, biochemical assays, RT-qPCR, western blotting, immunofluorescence, and immunohistochemistry. TCb treatment induces significant liver injury, as evidenced by elevated serum levels of aspartate aminotransferase (AST), alanine aminotransferase (ALT), and total bilirubin (TBIL), histopathological damage, and increased collagen deposition. TCb markedly promotes hepatocyte apoptosis, characterized by increased expression of Bcl-2 associated X protein (BAX) and decreased expression of Bcl-2. Concomitantly, TCb suppresses basal autophagy, as indicated by p62 accumulation, reduced Beclin-1 expression, decreased LC3-II/I ratio, and diminished autophagosome formation. Mechanistically, TCb robustly activates the cGAS-STING pathway, accompanied by enhanced phosphorylation of TBK1 and IRF3. Notably, pharmacological inhibition of STING with C-176 or siRNA-mediated STING knockdown restores autophagic flux and significantly attenuates TCb-induced apoptosis. Collectively, these findings suggest that sustained activation of the cGAS-STING pathway contributes to TCb-induced DILI by impairing autophagic homeostasis and promoting hepatocyte apoptosis. Targeting cGAS-STING-mediated autophagy represents a potential therapeutic strategy for preventing chemotherapy-associated hepatotoxicity.

2026-06-01·JOURNAL OF HAZARDOUS MATERIALS

Nickel exposure promotes aortic dissection progression by binding to VDAC1 and activating the cGAS-STING pathway in vascular smooth muscle cells

Article

作者: Gu, Aihua ; Zhuang, Yuqing ; Kong, Weirui ; Long, Xiangxing ; Xiao, Zhihao ; Li, Jiangzhu ; Liu, Qian ; Jiao, Jian ; Zhu, Xu ; Jin, Jing

This study aimed to investigate the molecular mechanism by which nickel chloride (NiCl₂) exposure promotes the progression of aortic dissection (AD), with a focus on the role of vascular smooth muscle cells (VSMCs). Through a combination of in vivo experiments using β-aminopropionitrile (BAPN)-induced AD mouse models and in vitro experiments on VSMCs, the results demonstrated that NiCl₂ exposure significantly increased the incidence of AD, enlarged the aortic diameter, and exacerbated elastic fiber damage in the aortic wall. Moreover, NiCl₂ could directly bind to the voltage-dependent anion channel 1 (VDAC1) protein on the mitochondria of VSMCs and promote its oligomerization, leading to the leakage of mitochondrial DNA (mtDNA). The leaked mtDNA activated the cGAS-STING signaling pathway in the cytoplasm, thereby inducing the phenotypic transition of VSMCs from a contractile to a synthetic state, enhancing the release of matrix metalloproteinases (MMP2, MMP9) and the expression of inflammatory factors (such as IL1β and IL6), and disrupting the structural integrity of the aortic wall. Furthermore, C-176 (a selective cGAS-STING pathway inhibitor) and STING-targeting siRNA synergistically reversed the NiCl₂-induced phenotypic transition of VSMCs, while VBIT12, an inhibitor of VDAC1, could also inhibit mtDNA leakage. This study is the first to reveal a novel mechanism by which NiCl₂ regulates VSMC dysfunction through the VDAC1-cGAS-STING axis. Our results identify NiCl₂ as a synergistic co-factor that, in conjunction with pre-existing vascular fragility (the 'first hit'), significantly accelerates AD progression through this molecular 'second hit', providing new targets and a theoretical basis for the prevention and treatment of cardiovascular diseases associated with NiCl₂ exposure.

项与 C-176 相关的新闻（医药）

2026-07-14

·天然药物发现和计算药物设计

【文献阅读|基于机器学习的中药来源 STING 抑制剂候选物筛选及实验验证】

点击蓝字关注我们汇报人：卢嘉杰研究生一年级今天分享的文献题目为《Machine learning-driven prioritization and experimental validation of traditional Chinese medicine-derived STING-inhibitory candidates》，2026年发表于Molecular Diversity。干扰素基因刺激因子（STING）是先天免疫系统中 cGAS-STING 通路的关键信号衔接蛋白，在自身免疫性疾病、病毒感染和癌症中发挥重要作用，因此是小分子抑制剂治疗策略中一个很有前景的靶点。该研究提出了一种多维度的计算机辅助药物设计（CADD）方法，该方法利用机器学习（ML）、分子对接、分子动力学（MD）模拟和 ADMET 预测，从天然产物中筛选出新的 STING 表达抑制剂候选物。通过建立一个精确的、基于机器学习的 STING 分类模型，其准确率达到 90.2%；同时还构建了一个稳健的 STING 抑制剂活性回归模型，并表现出较强的预测能力，其 R² 为 0.826，MAE 为 0.357，RMSE 为 0.452。研究者对多个中药化合物库进行了虚拟筛选，包括 Tao Shu L6810、TCMIO、TCMBank 和 HERB，最终获得 1596 个预测 pIC50 ≥ 7.00 的化合物。经过严格的多步骤筛选后，选出 7 个化合物用于 ADMET 评价和实验验证。其中，两个天然化合物 Cassiaside 和 Plantaginin 在 THP-1 诱导分化的巨噬细胞中表现出对 STING 蛋白表达的抑制活性；同时，分子动力学模拟和 CETSA 实验进一步验证了它们能够与 STING 蛋白稳定结合。总体而言，本研究提供了一种稳健且准确的、由机器学习驱动的 STING 抑制候选物发现策略，并优先筛选出两个来源于中药的有前景先导化合物。这些化合物为合理设计靶向 STING 的治疗药物提供了有价值的结构骨架，可用于免疫性和炎症性疾病的治疗研究。 1 研究背景 STING（Stimulator of Interferon Genes，干扰素基因刺激因子）是天然免疫反应中的关键枢纽蛋白，而cGAS-STING信号通路则是机体识别胞质异常双链DNA（double-stranded DNA，dsDNA）的核心先天免疫通路。当病原体来源或宿主受损细胞释放的异常dsDNA被胞质DNA感受器cGAS识别后，cGAS可催化合成第二信使环状GMP-AMP（cGAMP），随后激活STING，并进一步启动下游信号级联反应，诱导Ⅰ型干扰素（Type I interferons）及多种促炎细胞因子的产生。因此，该信号通路在机体抵御病原体感染及肿瘤免疫监视过程中发挥着至关重要的作用。然而，越来越多的研究表明，cGAS-STING通路的异常激活或持续过度激活同样是多种疾病发生发展的重要机制，包括自身免疫性疾病、慢性炎症性疾病以及部分恶性肿瘤。例如，Trex1核酸酶功能缺失突变可导致胞质自身DNA持续积累，进而持续激活cGAS-STING信号通路，引发严重炎症反应，是Aicardi-Goutières综合征及系统性红斑狼疮的重要致病机制之一。此外，STING获得性功能突变可导致婴幼儿起病STING相关血管病（STING-associated vasculopathy with onset in infancy，SAVI）这一严重自身炎症性疾病。与此同时，异常激活的cGAS-STING信号还与炎症性肠病（Inflammatory Bowel Disease，IBD）及结肠炎相关性结直肠癌（Colitis-associated colorectal cancer，CAC）的发生密切相关。基于STING在多种疾病中的关键作用，其已成为当前极具潜力的治疗靶点之一，开发高选择性的小分子STING抑制剂也逐渐成为近年来药物研发领域的重要研究热点。目前，小分子STING抑制剂的开发主要围绕三种不同的作用机制展开。第一类通过竞争性结合STING配体结合口袋，阻断天然配体cGAMP与STING结合，代表性化合物包括Astin C和SN-011。第二类则通过抑制STING在高尔基体中的棕榈酰化修饰发挥作用，例如靶向STING蛋白Cys88/Cys91位点的C176和H151，可有效阻断STING活化过程。第三类策略则通过抑制STING寡聚化（oligomerization）发挥作用。由于STING寡聚化是其激活过程中不可缺少的重要步骤，因此阻断该过程能够有效抑制STING信号传导。近年来研究进一步发现，Cys148是维持STING寡聚化的重要氨基酸残基，共价抑制剂BB-Cl-amidine和Licochalcone D（LicoD）均能够通过干扰STING寡聚化而有效抑制STING信号。值得注意的是，Licochalcone D并非通过传统结构设计方法发现，而是利用TransformerCPI人工智能模型，在无需预先确定结合位点信息的情况下成功筛选获得，并进一步证实其能够显著缓解结肠炎及结肠炎相关结直肠癌动物模型中的STING介导炎症反应。这一研究不仅验证了以STING寡聚化作为药物研发靶点的可行性，也充分体现了先进计算方法在发现新型STING变构抑制剂中的巨大应用潜力。尽管近年来STING抑制剂研究取得了显著进展，但传统小分子药物研发仍然面临研发周期长、成本高等问题。一种新药从发现到最终获批上市通常需要10～20年时间，总研发投入约为18亿美元。造成这一问题的主要原因在于传统实验筛选效率较低，难以快速评价海量候选化合物。随着计算机辅助药物设计（Computer-Aided Drug Design，CADD）的快速发展，机器学习（Machine Learning，ML）逐渐成为现代药物研发的重要组成部分。机器学习算法能够高效处理复杂的生物学及化学数据，深入挖掘分子结构与生物活性之间的构效关系（Structure–Activity Relationship，SAR），并准确预测未知化合物的潜在活性。对于STING抑制剂的发现而言，将机器学习与计算机辅助药物设计相结合，不仅能够显著提高筛选效率、降低实验成本，而且能够加速从海量化合物中发现具有潜力的新型先导化合物。中药（Traditional Chinese Medicine，TCM）是天然产物的重要来源，具有丰富的化学结构类型及多样化的生物活性。已有大量研究表明，来源于中药的天然化合物具有显著的免疫调节及抗炎作用。然而，由于缺乏高效的筛选策略，目前针对中药来源STING抑制剂的研究仍十分有限。基于此，研究者建立了一个高性能机器学习模型，用于预测STING抑制剂活性，并进一步利用该模型对多个中药化合物数据库进行虚拟筛选。随后结合分子对接、ADMET性质预测、实验验证以及分子动力学（Molecular Dynamics，MD）模拟，对筛选得到的候选化合物进行了系统评价。最终，从中药天然产物中筛选获得了两个具有代表性的STING表达抑制候选化合物——Cassiaside和Plantaginin。两种化合物均表现出稳定的STING结合能力以及显著的STING蛋白表达抑制作用。研究结果表明，该研究建立了一套稳健、高效的STING抑制剂计算筛选平台，同时为STING靶向药物的研发提供了新的天然产物先导化合物。 2 研究结果 2.1 STING抑制剂机器学习分类模型的建立与评价分子指纹（Molecular Fingerprints）是机器学习药物活性预测中的核心输入特征，其质量直接决定模型预测性能。因此，研究者首先比较了不同分子指纹及其组合方式对LightGBM分类模型预测能力的影响，并采用十折交叉验证对独立测试集进行了系统评估（表1）。结果显示，在单一分子指纹中，CDK Fingerprint表现最佳，其分类准确率（Accuracy）达到90.63% ± 2.23%，F1值达到0.9060 ± 0.0222。研究者认为，这主要归因于CDK指纹能够较全面地描述化合物的分子结构特征及原子连接方式，因此能够更加准确地捕获影响STING抑制活性的关键结构信息。进一步将CDK Fingerprint、CDK Extended Fingerprint以及Substructure Fingerprint三类分子指纹进行组合后，模型性能进一步提升，总特征数达到2355维，获得了最佳预测效果，其准确率、精确率（Precision）及F1值分别达到92.23% ± 1.92%、92.35% ± 2.05%和0.9220 ± 0.0192。值得注意的是，当进一步加入Substructure Count Fingerprint后，模型性能反而略有下降。研究者分析认为，新增特征可能引入了较多冗余信息，增加了模型复杂度，并提高了模型发生过拟合（Overfitting）的风险。因此，后续所有分类模型均采用CDK + CDK Extended + Substructure Fingerprint作为最佳输入特征组合。随后，研究者利用独立测试集进一步验证了模型性能。结果显示，该模型的ROC曲线下面积（ROC-AUC）达到0.9649，PR曲线下面积（PR-AUC）达到0.9589，说明模型不仅具有极高的分类能力，而且在正负样本识别之间保持了良好的平衡性。为了进一步排除模型性能来源于随机相关性的可能性，研究者进行了100次Y-randomization（标签随机置换）验证。结果显示，随机模型平均ROC-AUC仅为0.4657 ± 0.0310，平均PR-AUC仅为0.4601 ± 0.0239，均显著低于原始模型（P < 0.001）。这一结果充分证明，该模型能够真正学习STING抑制剂的结构特征，而非依赖随机关联获得较高预测性能。图2 STING抑制剂分类模型性能评价。（A）最优LightGBM分类模型的混淆矩阵（Confusion Matrix）。（B） LightGBM与Random Forest、KNN、MLP、Decision Tree及Logistic Regression等多种机器学习算法的预测性能比较。随后，研究者采用最佳分子指纹组合，对LightGBM与Random Forest（RF）、K-Nearest Neighbor（KNN）、Multi-Layer Perceptron（MLP）、Decision Tree（DT）以及Logistic Regression（LR）等六种机器学习算法进行了系统比较。结果表明，LightGBM模型获得了所有算法中最高的F1值，综合预测性能明显优于其他传统机器学习算法。因此，研究者最终选择LightGBM作为后续STING抑制剂活性预测回归模型的核心算法。 2.2 机器学习回归模型的建立与评价在完成分类模型构建后，研究者进一步建立了用于预测STING抑制剂活性的LightGBM回归模型，并系统评估了不同分子指纹组合对模型预测能力的影响（表2）。结果显示，在单一分子指纹中，CDK Fingerprint与CDK Extended Fingerprint均表现出较好的预测能力。其中，CDK指纹对应模型的决定系数（R²）达到0.811，平均绝对误差（MAE）为0.381，均方根误差（RMSE）为0.481；而CDK Extended指纹所得模型性能与其基本相当。这说明，高质量的单一分子指纹已能够较好地提取影响STING抑制活性的关键结构信息。进一步整合多种分子指纹后，模型预测性能继续提升。其中，以CDK Fingerprint与Substructure Count Fingerprint组合构建的模型表现最佳，总特征数为1331维，在独立测试集上获得R² = 0.826 ± 0.012、MAE = 0.361 ± 0.013以及RMSE = 0.462 ± 0.016，因此被确定为后续回归模型的最优输入特征。随后，研究者进一步比较了模型在训练集与独立测试集上的预测效果。结果显示，在训练集上，模型取得了R² = 0.923、MAE = 0.206及RMSE = 0.303；而在独立测试集中，模型仍保持较高预测精度，分别达到R² = 0.834、MAE = 0.357以及RMSE = 0.452。训练集与测试集之间仅存在较小性能差异，说明模型具有良好的泛化能力，并未出现明显的过拟合现象。图3 LightGBM回归模型预测性能。（A）训练集中预测pIC50值与真实pIC50值的相关性。（B）独立测试集中预测pIC50值与真实pIC50值的相关性。为了进一步阐明模型预测依据，研究者分析了LightGBM模型中特征的重要性（Feature Importance）。结果显示，SubFPC306是模型贡献最大的分子特征，提示该结构特征与STING抑制活性之间存在较强相关性。此外，其余多个重要特征同样来自CDK指纹及Substructure Count指纹，共同决定了模型最终的预测能力。研究者随后进一步比较了LightGBM、Random Forest、KNN、PLS、LASSO以及XGBoost等多种机器学习算法在最优参数下的预测性能。结果表明，LightGBM不仅获得最高的R²，同时具有最低的RMSE，整体预测性能优于所有对比算法，再次证明其在STING抑制剂活性预测方面具有明显优势。图4 LightGBM回归模型特征分析及算法比较。（A）回归模型中贡献度最高的10个关键特征。（B）不同机器学习算法预测STING抑制剂活性的性能比较。综上所述，研究者成功构建了基于LightGBM算法的STING抑制剂分类模型和活性回归模型。分类模型在独立测试集上的准确率达到90.2%，ROC-AUC达到0.9649；回归模型则取得R² = 0.826的预测性能，表明所建立的机器学习模型能够较准确地识别STING抑制剂，并预测其潜在活性，为后续大规模天然产物虚拟筛选提供了可靠的计算工具。 2.3 基于机器学习的虚拟筛选、分子对接及ADMET评价在建立STING抑制剂分类模型和活性回归模型后，研究者进一步将其应用于Tao Shu L6810、TCMIO、TCMBank和HERB四个中药天然产物数据库，对大量天然化合物进行了高通量虚拟筛选。以预测pIC50≥7.0作为优先筛选标准，共获得1596个潜在STING抑制候选化合物。研究者指出，该阈值仅用于候选化合物的优先排序，并不意味着这些化合物已被证实具有STING抑制活性。随后，为评估候选化合物的化学空间分布及结构多样性，并避免天然产物中大量糖苷类化合物造成筛选偏倚，研究者对1596个候选化合物进行了Murcko骨架聚类分析，共得到493种不同的Murcko骨架，其中出现频率最高的30种骨架列于补充材料Table S10，说明筛选得到的候选化合物具有较好的结构多样性，而非集中于少数几个母核结构。进一步地，研究者采用Morgan Fingerprint（radius=2，2048 bits）计算所有候选天然产物与训练集中492个已知STING抑制剂之间的Tanimoto相似性，以评价模型对天然产物的适用性。结果显示，候选化合物与已知STING抑制剂的平均最大Tanimoto相似度仅为0.21±0.08，中位数为0.20，仅有7个化合物（约占0.4%）达到通常认为属于模型适用域的Tanimoto≥0.4标准，提示天然产物与训练集中人工合成STING抑制剂之间存在较大的结构差异。因此，研究者认为仅依赖机器学习预测尚不足以保证筛选结果的可靠性，仍需结合分子对接、分子动力学模拟及实验验证等多种方法进一步筛选和确认候选化合物。随后，研究者首先验证了分子对接流程的可靠性。通过将STING晶体结构（PDB ID：6MXE）中的共晶配体Compound 18重新对接至STING配体结合口袋，并将所得构象与晶体构象进行比较，结果显示二者之间的RMSD仅为0.382 Å，远低于通常认为能够准确重现晶体结合模式的2.0 Å阈值，说明所建立的分子对接体系具有较高的可靠性。同时，Compound 18与STING的结合自由能为−7.605 kcal/mol，进一步验证了该对接模型能够较准确地预测配体与STING之间的结合模式。图5 Compound 18及7种潜在新型STING抑制候选化合物的化学结构。（A）Compound 18；（B）Cassiaside；（C）Plantaginin；（D）Iristectorigenin B；（E）Parishin E；（F）Specnuezhenide；（G）Rubrofusarin gentiobioside；（H）Nor-rubrofusarin gentiobioside。在此基础上，研究者对机器学习筛选得到的1596个候选化合物进行了分子对接，并依据分子量小于700 Da、对接结合能低于−7 kcal/mol、具有商业可获得性以及具有进一步研究价值等条件进行逐步筛选。最终，共筛选得到7种天然产物候选化合物，分别为Cassiaside、Plantaginin、Iristectorigenin B、Parishin E、Specnuezhenide、Rubrofusarin gentiobioside和Nor-rubrofusarin gentiobioside，其中Cassiaside、Plantaginin及Specnuezhenide此前已有一定的抗炎活性报道，因此被认为具有较高的研究价值。进一步分析这些化合物与STING蛋白之间的相互作用发现，所有候选化合物均能够稳定结合于STING经典配体结合口袋，其结合主要依赖于常规氢键作用，其中Ser162、Asp210、Thr263及Ser241是形成氢键的重要氨基酸残基。已有研究表明，Ser162是STING活化的重要功能位点，例如天然产物Cryptotanshinone正是通过结合Ser162并阻断STING由内质网向高尔基体转运而发挥抑制作用。本研究中，大多数候选化合物同样能够与Ser162形成稳定相互作用，提示其可能具有类似的作用机制。此外，不同化合物还通过π-σ相互作用、π-烷基相互作用及疏水相互作用进一步稳定蛋白-配体复合物，例如Iristectorigenin B能够与Pro264形成π-σ相互作用，而多数候选化合物均可与Tyr167、Pro264及Ala270形成疏水相互作用。研究者进一步指出，与目前报道的SN-011、C176及Licochalcone D等人工合成STING抑制剂相比，Cassiaside和Plantaginin表现出不同的结合特点，其结合稳定性主要来源于Ser162、Asp210等极性相互作用与Tyr167、Pro264等疏水相互作用的协同作用，这种结合模式不仅有助于提高结合稳定性，也可能降低脱靶效应。同时，天然产物来源的STING抑制剂具有结构新颖、安全性较高及多靶点调控潜力等优势，在炎症相关疾病治疗中具有良好的开发前景，但其作用机制仍需进一步实验验证。图6 候选化合物与STING蛋白的分子对接结果。（A）Compound 18；（B）Cassiaside；（C）Plantaginin；（D）Iristectorigenin B；（E）Parishin E；（F）Specnuezhenide；（G）Rubrofusarin gentiobioside；（H）Nor-rubrofusarin gentiobioside；（I）配体-蛋白二维相互作用示意图。为了进一步评价候选化合物的成药性和安全性，研究者采用SwissADME和ADMET相关预测平台对7种天然产物进行了药代动力学及毒性评价。根据Lipinski“五规则”分析，仅Iristectorigenin B完全符合Lipinski规则，Cassiaside和Parishin E各违反1项规则，其余化合物则因分子量较大及脂溶性不足而存在多项违规，这也是糖苷类天然产物的典型特征。在药代动力学方面，Iristectorigenin B表现出较高的胃肠道吸收能力，而其他候选化合物整体吸收能力相对较弱；Cassiaside和Iristectorigenin B则具有相对较高的预测口服生物利用度。毒性预测结果显示，所有候选化合物均具有较低的致突变风险，人肝微粒体毒性评分整体处于中低水平，其中Specnuezhenide和Parishin E具有最佳的预测肝脏安全性。研究者认为，虽然部分候选天然产物存在口服吸收较差及药代动力学性能不足等问题，但作为天然产物先导化合物仍具有较高的开发价值，未来可通过糖基修饰、前药设计或改变给药方式（如注射给药）等策略进一步优化其药代动力学性质，提高其临床应用潜力。 2.4 候选化合物的体外实验验证为进一步验证机器学习筛选所得候选化合物对STING信号通路的影响，研究者采用Western blot检测了7种候选天然产物对THP-1来源巨噬细胞中STING蛋白表达水平的影响。结果显示，在所有候选化合物中，仅Cassiaside和Plantaginin能够明显降低STING蛋白表达，而其余5种化合物即使在100 μM浓度下处理，对STING蛋白表达也未产生明显影响。其中，Cassiaside表现出非单调剂量-效应关系（non-monotonic dose-response），在10 μM和20 μM浓度时均能够明显降低STING蛋白表达，但当浓度进一步提高后，其抑制作用并未继续增强，甚至有所减弱。研究者推测，这一现象可能与化合物溶解度受限或高浓度条件下稳定性下降有关，但具体机制仍有待进一步研究。相比之下，Plantaginin则表现出较为稳定的剂量依赖性抑制作用，其对STING蛋白表达的抑制效果优于Cassiaside。进一步计算两种化合物对STING蛋白表达抑制的半数抑制浓度（IC50）发现，Cassiaside和Plantaginin的IC50分别为38.13 μM和24.08 μM，提示Plantaginin具有更强的STING表达抑制能力。图7 候选化合物对THP-1诱导巨噬细胞中STING蛋白表达及细胞毒性的影响。（A–H）Western blot检测不同候选化合物处理后STING蛋白表达水平，并采用ImageJ进行灰度分析（n=3）；（I–J）CCK-8法检测Cassiaside和Plantaginin对细胞活力的影响。数据以均值±标准差（Mean±SD）表示，采用单因素方差分析（One-way ANOVA）进行统计学分析，*P<0.05，**P<0.01，***P<0.001，**P<0.0001。随后，研究者将实验测得的IC50与机器学习模型预测结果进行了比较。结果发现，实验测得的IC50明显高于机器学习模型预测值。根据回归模型预测结果，两种化合物的预测pIC50均大于7.0，换算后对应的IC50约为0.1 μM，而实验测得的IC50分别为38.13 μM和24.08 μM，两者存在较大差异。研究者认为，这种差异主要源于机器学习模型训练数据与实验评价终点之间的不一致。具体而言，机器学习模型所采用的数据来源于已报道STING抑制剂的功能抑制活性（functional inhibition），而本研究实验检测的是STING总蛋白表达水平（total STING protein expression），两者虽然均与STING活性相关，但属于不同的药理学评价终点，因此不能直接进行数值对应。此外，在本研究所采用的未添加外源性cGAMP刺激的THP-1巨噬细胞模型中，细胞内cGAS-STING信号通路基础活性较低，磷酸化STING（p-STING）及磷酸化TBK1（p-TBK1）蛋白水平均低于Western blot的可靠检测限，因此无法进一步判断Cassiaside和Plantaginin是否能够直接抑制STING磷酸化或下游信号转导。研究者认为，未来应在外源性cGAMP刺激条件下或采用STING过表达细胞模型进一步验证两种化合物是否真正属于STING功能性抑制剂，而不仅仅是降低STING蛋白表达的调控剂。为了排除细胞毒性对实验结果的干扰，研究者进一步采用CCK-8法评价了Cassiaside和Plantaginin对THP-1来源巨噬细胞活力的影响。结果显示，两种化合物在100 μM及以下浓度处理后均未引起明显细胞毒性，细胞存活率始终保持较高水平，说明其降低STING蛋白表达的作用并非由细胞死亡或细胞损伤所致，而更可能来源于对STING自身表达或稳定性的调控。结合实验结果，研究者推测，两种化合物可能首先结合STING蛋白，随后通过诱导STING构象变化降低其稳定性，进一步促进泛素-蛋白酶体降解，或阻断STING由内质网向高尔基体的转运过程，从而最终导致STING蛋白表达下降。然而，上述机制目前仍停留于推测阶段，尚需进一步开展蛋白降解、泛素化修饰及亚细胞定位等实验加以验证。综合上述结果，研究者认为，虽然Cassiaside和Plantaginin尚不能直接证明属于STING功能性抑制剂，但二者均能够在无明显细胞毒性的情况下显著降低THP-1来源巨噬细胞中STING蛋白表达水平，证明机器学习模型具有较好的候选化合物筛选能力。其中，Plantaginin表现出较低的IC50、更稳定的剂量依赖性以及更显著的STING蛋白表达抑制作用，因此被选定为后续分子动力学模拟及细胞热迁移实验（CETSA）的重点研究对象。 2.5 分子动力学模拟及CETSA验证为进一步阐明Cassiaside和Plantaginin与STING蛋白之间的动态结合稳定性及相互作用机制，研究者以已知STING抑制剂Compound 18为阳性对照，对Cassiaside-STING、Plantaginin-STING及Compound 18-STING复合物分别进行了200 ns分子动力学（Molecular Dynamics，MD）模拟，并结合MM-PBSA方法计算结合自由能。研究者指出，200 ns模拟时间是当前蛋白-配体体系中广泛采用的模拟长度，通常能够使体系的均方根偏移（Root Mean Square Deviation，RMSD）达到稳定平台，从而较为可靠地评价配体与蛋白复合物的结构稳定性。首先，通过RMSD分析评价各体系整体构象稳定性。结果显示，游离STING蛋白（apo protein）的主链平均RMSD为0.144±0.015 nm，说明蛋白天然构象具有较高的热力学稳定性。结合配体后，各复合物主链RMSD均仅出现轻微增加，其中Cassiaside-STING、Plantaginin-STING及Compound 18-STING复合物的平均RMSD分别为0.159±0.018 nm、0.183±0.027 nm和0.171±0.024 nm，与游离蛋白相比变化较小，表明三种配体结合均未破坏STING整体折叠结构，复合物能够在整个模拟过程中保持稳定状态。进一步分析配体自身RMSD发现，Plantaginin的平均RMSD为0.435±0.036 nm，高于Cassiaside（0.176±0.035 nm）和Compound 18（0.139±0.030 nm），说明Plantaginin在结合口袋内具有更高的构象柔性，而Cassiaside和Compound 18则保持相对稳定的结合构象。图8 STING-化合物相互作用的分子动力学模拟及CETSA验证结果。（A–C）STING与不同配体复合物的RMSD变化；（D–F）STING与不同配体复合物的RMSF变化；（G–I）MM-PBSA结合自由能分析；（J–L）氨基酸残基能量贡献分析；（M–N）Plantaginin与STING相互作用的细胞热迁移实验（CETSA）结果。随后，研究者采用均方根波动（Root Mean Square Fluctuation，RMSF）分析评价配体结合后STING各氨基酸残基的柔性变化。结果显示，游离STING蛋白平均RMSF为0.114±0.059 nm，而Cassiaside-STING、Plantaginin-STING及Compound 18-STING复合物的平均RMSF分别升高至0.128±0.064 nm、0.146±0.082 nm和0.136±0.069 nm，说明配体结合后均不同程度提高了STING蛋白整体构象柔性。其中，Plantaginin诱导的柔性变化最为明显，尤其在154–335位氨基酸区域变化最为突出，该区域覆盖STING配体结合口袋及寡聚化结构域，是STING发挥生物学功能的重要区域。这一结果提示，Plantaginin结合后能够诱导STING发生更加明显的局部构象变化，与前述RMSD分析结果相一致，进一步证明Plantaginin与STING之间存在较强的动态相互作用。为了进一步评价不同配体与STING之间的结合能力，研究者利用MM-PBSA方法计算了复合物结合自由能及各能量组成。结果显示，Plantaginin与STING的结合自由能最低（ΔG_total＝−26.58 kcal/mol），略优于Cassiaside（ΔG_total＝−24.52 kcal/mol），而已知抑制剂Compound 18的结合自由能仅为−6.73 kcal/mol，说明Plantaginin和Cassiaside均具有比参考抑制剂更高的理论结合亲和力。进一步分析结合驱动力发现，Cassiaside与STING结合主要由范德华相互作用驱动，其范德华能（ΔE_vdw）达到−24.76 kcal/mol，表现出典型的疏水作用主导结合模式；相比之下，Plantaginin不仅具有较强的范德华作用（ΔE_vdw＝−25.00 kcal/mol），同时还具有显著的静电相互作用（ΔE_ele＝−18.92 kcal/mol），两种作用力共同促进其与STING稳定结合。而Compound 18虽然具有一定静电作用（ΔE_ele＝−16.48 kcal/mol），但由于范德华作用较弱（ΔE_vdw＝−5.88 kcal/mol），因此整体结合自由能明显低于前两种天然产物。为了进一步明确不同氨基酸残基对配体结合的贡献，研究者开展了MM-PBSA逐残基能量分解分析。结果显示，Cassiaside与STING之间的稳定结合主要依赖于TYR163（−2.07 kcal/mol）、SER162（−2.85 kcal/mol）、TYR167（−3.03 kcal/mol）及LEU159（−1.53 kcal/mol）等关键残基；Plantaginin则形成了更加广泛的相互作用网络，其中PHE221（−3.28 kcal/mol）、GLU260（−4.12 kcal/mol）及ASP210（−3.68 kcal/mol）等多个残基均对结合稳定性作出重要贡献；相比之下，Compound 18主要依赖PHE291（−2.22 kcal/mol）和GLY158（−1.18 kcal/mol）等少数残基维持结合，因此整体结合能力相对较弱。上述结果进一步解释了Plantaginin具有更高结合自由能和更稳定结合模式的分子基础。基于前述模拟结果，研究者最终选择Plantaginin开展细胞热迁移实验（Cellular Thermal Shift Assay，CETSA），以验证其是否能够直接结合STING蛋白。结果显示，与DMSO对照组相比，Plantaginin处理后STING蛋白具有更强的耐热稳定性。在DMSO组中，STING蛋白信号于65 ℃以上开始明显减弱，而经Plantaginin处理后，STING蛋白在70 ℃时仍保持较强信号，说明Plantaginin能够显著提高STING蛋白热稳定性。这一结果直接证明Plantaginin能够与STING发生物理结合，并与分子动力学模拟预测结果高度一致，为二者之间存在直接相互作用提供了独立的实验学证据。综合分子动力学模拟和CETSA实验结果，研究者认为，Cassiaside和Plantaginin均能够稳定结合STING蛋白，其中Plantaginin表现出更强的结合亲和力、更广泛的关键残基相互作用网络以及更加显著的STING蛋白表达抑制作用。在细胞实验中，Plantaginin使STING蛋白表达降低约43%，而Cassiaside约降低33%，其生物学活性与模拟预测结果保持一致。此外，参考化合物Compound 18在模拟过程中表现出符合预期的结合模式，也进一步验证了整个计算流程的可靠性。研究者进一步指出，Plantaginin具有拟二聚体（pseudo-dimeric）结构特征，而已有研究表明，天然产物二聚体或拟二聚体结构通常比相应单体具有更高的生物活性，其原因在于二聚体结构能够更充分地占据STING对称性的配体结合口袋，增加蛋白-配体之间的埋藏表面积，从而形成更多稳定相互作用。因此，Plantaginin较高的结合亲和力及更优的STING抑制活性，很可能与其拟二聚体结构密切相关，同时也为今后设计新型STING小分子抑制剂提供了重要的结构优化思路。 END

2026-07-14

·天然药物发现和计算药物设计

【文献阅读|基于机器学习和分子模拟的天然产物来源 USP7 抑制剂筛选及其抗癌治疗潜力研究】

点击蓝字关注我们汇报人：卢嘉杰研究生一年级今天分享的文献题目为《Screening of Natural Product-Derived USP7 Inhibitors for Cancer Therapy via Integrated Machine Learning and Molecular Simulations》，2026年发表于Current issues in molecular biology。泛素化是一种关键的细胞蛋白调控过程，与包括癌症在内的多种疾病密切相关。去泛素化酶能够逆转泛素化过程，因此为疾病治疗提供了一种潜在策略。USP7 是一种去泛素化酶，由于其在 p53 调控中的作用，已成为肿瘤学领域的重要治疗靶点。针对 USP7 的小分子抑制剂可能恢p53 活性，并抑制肿瘤生长。在本研究中，作者整合了基于机器学习的筛选方法、分子对接以及分子动力学模拟，以识别潜在的 USP7 小分子抑制剂。机器学习筛选从包含 2301 个天然化合物的化合物库中识别出 22 个预测活性分子。在这 22 个活性化合物中，只有 15 个符合类药性标准。随后，分子对接根据结合亲和力和配体-蛋白相互作用筛选出 3 个潜在抑制剂，分别为 PubChem 162957515、PubChem 114917 和 PubChem 442879。进一步地，研究者采用分子动力学模拟和 MM-PBSA 分析来评估这些复合物的稳定性及动态行为。MM-PBSA 结合自由能计算结果显示，PubChem 114917 和 PubChem 162957515 具有较强结合亲和力，结合自由能分别为 −20.98 kcal/mol 和 −18.68 kcal/mol。这表明这两个化合物可能成为有前景的 USP7 抑制剂，并可作为抗癌治疗药物开发的候选化合物。 1 研究背景 STING（Stimulator of Interferon Genes，干扰素基因刺激因子）是天然免疫反应中的关键枢纽蛋白，而cGAS-STING信号通路则是机体识别胞质异常双链DNA（double-stranded DNA，dsDNA）的核心先天免疫通路。当病原体来源或宿主受损细胞释放的异常dsDNA被胞质DNA感受器cGAS识别后，cGAS可催化合成第二信使环状GMP-AMP（cGAMP），随后激活STING，并进一步启动下游信号级联反应，诱导Ⅰ型干扰素（Type I interferons）及多种促炎细胞因子的产生。因此，该信号通路在机体抵御病原体感染及肿瘤免疫监视过程中发挥着至关重要的作用。然而，越来越多的研究表明，cGAS-STING通路的异常激活或持续过度激活同样是多种疾病发生发展的重要机制，包括自身免疫性疾病、慢性炎症性疾病以及部分恶性肿瘤。例如，Trex1核酸酶功能缺失突变可导致胞质自身DNA持续积累，进而持续激活cGAS-STING信号通路，引发严重炎症反应，是Aicardi-Goutières综合征及系统性红斑狼疮的重要致病机制之一。此外，STING获得性功能突变可导致婴幼儿起病STING相关血管病（STING-associated vasculopathy with onset in infancy，SAVI）这一严重自身炎症性疾病。与此同时，异常激活的cGAS-STING信号还与炎症性肠病（Inflammatory Bowel Disease，IBD）及结肠炎相关性结直肠癌（Colitis-associated colorectal cancer，CAC）的发生密切相关。基于STING在多种疾病中的关键作用，其已成为当前极具潜力的治疗靶点之一，开发高选择性的小分子STING抑制剂也逐渐成为近年来药物研发领域的重要研究热点。目前，小分子STING抑制剂的开发主要围绕三种不同的作用机制展开。第一类通过竞争性结合STING配体结合口袋，阻断天然配体cGAMP与STING结合，代表性化合物包括Astin C和SN-011。第二类则通过抑制STING在高尔基体中的棕榈酰化修饰发挥作用，例如靶向STING蛋白Cys88/Cys91位点的C176和H151，可有效阻断STING活化过程。第三类策略则通过抑制STING寡聚化（oligomerization）发挥作用。由于STING寡聚化是其激活过程中不可缺少的重要步骤，因此阻断该过程能够有效抑制STING信号传导。近年来研究进一步发现，Cys148是维持STING寡聚化的重要氨基酸残基，共价抑制剂BB-Cl-amidine和Licochalcone D（LicoD）均能够通过干扰STING寡聚化而有效抑制STING信号。值得注意的是，Licochalcone D并非通过传统结构设计方法发现，而是利用TransformerCPI人工智能模型，在无需预先确定结合位点信息的情况下成功筛选获得，并进一步证实其能够显著缓解结肠炎及结肠炎相关结直肠癌动物模型中的STING介导炎症反应。这一研究不仅验证了以STING寡聚化作为药物研发靶点的可行性，也充分体现了先进计算方法在发现新型STING变构抑制剂中的巨大应用潜力。尽管近年来STING抑制剂研究取得了显著进展，但传统小分子药物研发仍然面临研发周期长、成本高等问题。一种新药从发现到最终获批上市通常需要10～20年时间，总研发投入约为18亿美元。造成这一问题的主要原因在于传统实验筛选效率较低，难以快速评价海量候选化合物。随着计算机辅助药物设计（Computer-Aided Drug Design，CADD）的快速发展，机器学习（Machine Learning，ML）逐渐成为现代药物研发的重要组成部分。机器学习算法能够高效处理复杂的生物学及化学数据，深入挖掘分子结构与生物活性之间的构效关系（Structure–Activity Relationship，SAR），并准确预测未知化合物的潜在活性。对于STING抑制剂的发现而言，将机器学习与计算机辅助药物设计相结合，不仅能够显著提高筛选效率、降低实验成本，而且能够加速从海量化合物中发现具有潜力的新型先导化合物。中药（Traditional Chinese Medicine，TCM）是天然产物的重要来源，具有丰富的化学结构类型及多样化的生物活性。已有大量研究表明，来源于中药的天然化合物具有显著的免疫调节及抗炎作用。然而，由于缺乏高效的筛选策略，目前针对中药来源STING抑制剂的研究仍十分有限。基于此，研究者建立了一个高性能机器学习模型，用于预测STING抑制剂活性，并进一步利用该模型对多个中药化合物数据库进行虚拟筛选。随后结合分子对接、ADMET性质预测、实验验证以及分子动力学（Molecular Dynamics，MD）模拟，对筛选得到的候选化合物进行了系统评价。最终，从中药天然产物中筛选获得了两个具有代表性的STING表达抑制候选化合物——Cassiaside和Plantaginin。两种化合物均表现出稳定的STING结合能力以及显著的STING蛋白表达抑制作用。研究结果表明，该研究建立了一套稳健、高效的STING抑制剂计算筛选平台，同时为STING靶向药物的研发提供了新的天然产物先导化合物。 2 研究结果 2.1 STING抑制剂机器学习分类模型的建立与评价分子指纹（Molecular Fingerprints）是机器学习药物活性预测中的核心输入特征，其质量直接决定模型预测性能。因此，研究者首先比较了不同分子指纹及其组合方式对LightGBM分类模型预测能力的影响，并采用十折交叉验证对独立测试集进行了系统评估（表1）。结果显示，在单一分子指纹中，CDK Fingerprint表现最佳，其分类准确率（Accuracy）达到90.63% ± 2.23%，F1值达到0.9060 ± 0.0222。研究者认为，这主要归因于CDK指纹能够较全面地描述化合物的分子结构特征及原子连接方式，因此能够更加准确地捕获影响STING抑制活性的关键结构信息。进一步将CDK Fingerprint、CDK Extended Fingerprint以及Substructure Fingerprint三类分子指纹进行组合后，模型性能进一步提升，总特征数达到2355维，获得了最佳预测效果，其准确率、精确率（Precision）及F1值分别达到92.23% ± 1.92%、92.35% ± 2.05%和0.9220 ± 0.0192。值得注意的是，当进一步加入Substructure Count Fingerprint后，模型性能反而略有下降。研究者分析认为，新增特征可能引入了较多冗余信息，增加了模型复杂度，并提高了模型发生过拟合（Overfitting）的风险。因此，后续所有分类模型均采用CDK + CDK Extended + Substructure Fingerprint作为最佳输入特征组合。随后，研究者利用独立测试集进一步验证了模型性能。结果显示，该模型的ROC曲线下面积（ROC-AUC）达到0.9649，PR曲线下面积（PR-AUC）达到0.9589，说明模型不仅具有极高的分类能力，而且在正负样本识别之间保持了良好的平衡性。为了进一步排除模型性能来源于随机相关性的可能性，研究者进行了100次Y-randomization（标签随机置换）验证。结果显示，随机模型平均ROC-AUC仅为0.4657 ± 0.0310，平均PR-AUC仅为0.4601 ± 0.0239，均显著低于原始模型（P < 0.001）。这一结果充分证明，该模型能够真正学习STING抑制剂的结构特征，而非依赖随机关联获得较高预测性能。图2 STING抑制剂分类模型性能评价。（A）最优LightGBM分类模型的混淆矩阵（Confusion Matrix）。（B） LightGBM与Random Forest、KNN、MLP、Decision Tree及Logistic Regression等多种机器学习算法的预测性能比较。随后，研究者采用最佳分子指纹组合，对LightGBM与Random Forest（RF）、K-Nearest Neighbor（KNN）、Multi-Layer Perceptron（MLP）、Decision Tree（DT）以及Logistic Regression（LR）等六种机器学习算法进行了系统比较。结果表明，LightGBM模型获得了所有算法中最高的F1值，综合预测性能明显优于其他传统机器学习算法。因此，研究者最终选择LightGBM作为后续STING抑制剂活性预测回归模型的核心算法。 2.2 机器学习回归模型的建立与评价在完成分类模型构建后，研究者进一步建立了用于预测STING抑制剂活性的LightGBM回归模型，并系统评估了不同分子指纹组合对模型预测能力的影响（表2）。结果显示，在单一分子指纹中，CDK Fingerprint与CDK Extended Fingerprint均表现出较好的预测能力。其中，CDK指纹对应模型的决定系数（R²）达到0.811，平均绝对误差（MAE）为0.381，均方根误差（RMSE）为0.481；而CDK Extended指纹所得模型性能与其基本相当。这说明，高质量的单一分子指纹已能够较好地提取影响STING抑制活性的关键结构信息。进一步整合多种分子指纹后，模型预测性能继续提升。其中，以CDK Fingerprint与Substructure Count Fingerprint组合构建的模型表现最佳，总特征数为1331维，在独立测试集上获得R² = 0.826 ± 0.012、MAE = 0.361 ± 0.013以及RMSE = 0.462 ± 0.016，因此被确定为后续回归模型的最优输入特征。随后，研究者进一步比较了模型在训练集与独立测试集上的预测效果。结果显示，在训练集上，模型取得了R² = 0.923、MAE = 0.206及RMSE = 0.303；而在独立测试集中，模型仍保持较高预测精度，分别达到R² = 0.834、MAE = 0.357以及RMSE = 0.452。训练集与测试集之间仅存在较小性能差异，说明模型具有良好的泛化能力，并未出现明显的过拟合现象。图3 LightGBM回归模型预测性能。（A）训练集中预测pIC50值与真实pIC50值的相关性。（B）独立测试集中预测pIC50值与真实pIC50值的相关性。为了进一步阐明模型预测依据，研究者分析了LightGBM模型中特征的重要性（Feature Importance）。结果显示，SubFPC306是模型贡献最大的分子特征，提示该结构特征与STING抑制活性之间存在较强相关性。此外，其余多个重要特征同样来自CDK指纹及Substructure Count指纹，共同决定了模型最终的预测能力。研究者随后进一步比较了LightGBM、Random Forest、KNN、PLS、LASSO以及XGBoost等多种机器学习算法在最优参数下的预测性能。结果表明，LightGBM不仅获得最高的R²，同时具有最低的RMSE，整体预测性能优于所有对比算法，再次证明其在STING抑制剂活性预测方面具有明显优势。图4 LightGBM回归模型特征分析及算法比较。（A）回归模型中贡献度最高的10个关键特征。（B）不同机器学习算法预测STING抑制剂活性的性能比较。综上所述，研究者成功构建了基于LightGBM算法的STING抑制剂分类模型和活性回归模型。分类模型在独立测试集上的准确率达到90.2%，ROC-AUC达到0.9649；回归模型则取得R² = 0.826的预测性能，表明所建立的机器学习模型能够较准确地识别STING抑制剂，并预测其潜在活性，为后续大规模天然产物虚拟筛选提供了可靠的计算工具。 2.3 基于机器学习的虚拟筛选、分子对接及ADMET评价在建立STING抑制剂分类模型和活性回归模型后，研究者进一步将其应用于Tao Shu L6810、TCMIO、TCMBank和HERB四个中药天然产物数据库，对大量天然化合物进行了高通量虚拟筛选。以预测pIC50≥7.0作为优先筛选标准，共获得1596个潜在STING抑制候选化合物。研究者指出，该阈值仅用于候选化合物的优先排序，并不意味着这些化合物已被证实具有STING抑制活性。随后，为评估候选化合物的化学空间分布及结构多样性，并避免天然产物中大量糖苷类化合物造成筛选偏倚，研究者对1596个候选化合物进行了Murcko骨架聚类分析，共得到493种不同的Murcko骨架，其中出现频率最高的30种骨架列于补充材料Table S10，说明筛选得到的候选化合物具有较好的结构多样性，而非集中于少数几个母核结构。进一步地，研究者采用Morgan Fingerprint（radius=2，2048 bits）计算所有候选天然产物与训练集中492个已知STING抑制剂之间的Tanimoto相似性，以评价模型对天然产物的适用性。结果显示，候选化合物与已知STING抑制剂的平均最大Tanimoto相似度仅为0.21±0.08，中位数为0.20，仅有7个化合物（约占0.4%）达到通常认为属于模型适用域的Tanimoto≥0.4标准，提示天然产物与训练集中人工合成STING抑制剂之间存在较大的结构差异。因此，研究者认为仅依赖机器学习预测尚不足以保证筛选结果的可靠性，仍需结合分子对接、分子动力学模拟及实验验证等多种方法进一步筛选和确认候选化合物。随后，研究者首先验证了分子对接流程的可靠性。通过将STING晶体结构（PDB ID：6MXE）中的共晶配体Compound 18重新对接至STING配体结合口袋，并将所得构象与晶体构象进行比较，结果显示二者之间的RMSD仅为0.382 Å，远低于通常认为能够准确重现晶体结合模式的2.0 Å阈值，说明所建立的分子对接体系具有较高的可靠性。同时，Compound 18与STING的结合自由能为−7.605 kcal/mol，进一步验证了该对接模型能够较准确地预测配体与STING之间的结合模式。图5 Compound 18及7种潜在新型STING抑制候选化合物的化学结构。（A）Compound 18；（B）Cassiaside；（C）Plantaginin；（D）Iristectorigenin B；（E）Parishin E；（F）Specnuezhenide；（G）Rubrofusarin gentiobioside；（H）Nor-rubrofusarin gentiobioside。在此基础上，研究者对机器学习筛选得到的1596个候选化合物进行了分子对接，并依据分子量小于700 Da、对接结合能低于−7 kcal/mol、具有商业可获得性以及具有进一步研究价值等条件进行逐步筛选。最终，共筛选得到7种天然产物候选化合物，分别为Cassiaside、Plantaginin、Iristectorigenin B、Parishin E、Specnuezhenide、Rubrofusarin gentiobioside和Nor-rubrofusarin gentiobioside，其中Cassiaside、Plantaginin及Specnuezhenide此前已有一定的抗炎活性报道，因此被认为具有较高的研究价值。进一步分析这些化合物与STING蛋白之间的相互作用发现，所有候选化合物均能够稳定结合于STING经典配体结合口袋，其结合主要依赖于常规氢键作用，其中Ser162、Asp210、Thr263及Ser241是形成氢键的重要氨基酸残基。已有研究表明，Ser162是STING活化的重要功能位点，例如天然产物Cryptotanshinone正是通过结合Ser162并阻断STING由内质网向高尔基体转运而发挥抑制作用。本研究中，大多数候选化合物同样能够与Ser162形成稳定相互作用，提示其可能具有类似的作用机制。此外，不同化合物还通过π-σ相互作用、π-烷基相互作用及疏水相互作用进一步稳定蛋白-配体复合物，例如Iristectorigenin B能够与Pro264形成π-σ相互作用，而多数候选化合物均可与Tyr167、Pro264及Ala270形成疏水相互作用。研究者进一步指出，与目前报道的SN-011、C176及Licochalcone D等人工合成STING抑制剂相比，Cassiaside和Plantaginin表现出不同的结合特点，其结合稳定性主要来源于Ser162、Asp210等极性相互作用与Tyr167、Pro264等疏水相互作用的协同作用，这种结合模式不仅有助于提高结合稳定性，也可能降低脱靶效应。同时，天然产物来源的STING抑制剂具有结构新颖、安全性较高及多靶点调控潜力等优势，在炎症相关疾病治疗中具有良好的开发前景，但其作用机制仍需进一步实验验证。图6 候选化合物与STING蛋白的分子对接结果。（A）Compound 18；（B）Cassiaside；（C）Plantaginin；（D）Iristectorigenin B；（E）Parishin E；（F）Specnuezhenide；（G）Rubrofusarin gentiobioside；（H）Nor-rubrofusarin gentiobioside；（I）配体-蛋白二维相互作用示意图。为了进一步评价候选化合物的成药性和安全性，研究者采用SwissADME和ADMET相关预测平台对7种天然产物进行了药代动力学及毒性评价。根据Lipinski“五规则”分析，仅Iristectorigenin B完全符合Lipinski规则，Cassiaside和Parishin E各违反1项规则，其余化合物则因分子量较大及脂溶性不足而存在多项违规，这也是糖苷类天然产物的典型特征。在药代动力学方面，Iristectorigenin B表现出较高的胃肠道吸收能力，而其他候选化合物整体吸收能力相对较弱；Cassiaside和Iristectorigenin B则具有相对较高的预测口服生物利用度。毒性预测结果显示，所有候选化合物均具有较低的致突变风险，人肝微粒体毒性评分整体处于中低水平，其中Specnuezhenide和Parishin E具有最佳的预测肝脏安全性。研究者认为，虽然部分候选天然产物存在口服吸收较差及药代动力学性能不足等问题，但作为天然产物先导化合物仍具有较高的开发价值，未来可通过糖基修饰、前药设计或改变给药方式（如注射给药）等策略进一步优化其药代动力学性质，提高其临床应用潜力。 2.4 候选化合物的体外实验验证为进一步验证机器学习筛选所得候选化合物对STING信号通路的影响，研究者采用Western blot检测了7种候选天然产物对THP-1来源巨噬细胞中STING蛋白表达水平的影响。结果显示，在所有候选化合物中，仅Cassiaside和Plantaginin能够明显降低STING蛋白表达，而其余5种化合物即使在100 μM浓度下处理，对STING蛋白表达也未产生明显影响。其中，Cassiaside表现出非单调剂量-效应关系（non-monotonic dose-response），在10 μM和20 μM浓度时均能够明显降低STING蛋白表达，但当浓度进一步提高后，其抑制作用并未继续增强，甚至有所减弱。研究者推测，这一现象可能与化合物溶解度受限或高浓度条件下稳定性下降有关，但具体机制仍有待进一步研究。相比之下，Plantaginin则表现出较为稳定的剂量依赖性抑制作用，其对STING蛋白表达的抑制效果优于Cassiaside。进一步计算两种化合物对STING蛋白表达抑制的半数抑制浓度（IC50）发现，Cassiaside和Plantaginin的IC50分别为38.13 μM和24.08 μM，提示Plantaginin具有更强的STING表达抑制能力。图7 候选化合物对THP-1诱导巨噬细胞中STING蛋白表达及细胞毒性的影响。（A–H）Western blot检测不同候选化合物处理后STING蛋白表达水平，并采用ImageJ进行灰度分析（n=3）；（I–J）CCK-8法检测Cassiaside和Plantaginin对细胞活力的影响。数据以均值±标准差（Mean±SD）表示，采用单因素方差分析（One-way ANOVA）进行统计学分析，*P<0.05，**P<0.01，***P<0.001，**P<0.0001。随后，研究者将实验测得的IC50与机器学习模型预测结果进行了比较。结果发现，实验测得的IC50明显高于机器学习模型预测值。根据回归模型预测结果，两种化合物的预测pIC50均大于7.0，换算后对应的IC50约为0.1 μM，而实验测得的IC50分别为38.13 μM和24.08 μM，两者存在较大差异。研究者认为，这种差异主要源于机器学习模型训练数据与实验评价终点之间的不一致。具体而言，机器学习模型所采用的数据来源于已报道STING抑制剂的功能抑制活性（functional inhibition），而本研究实验检测的是STING总蛋白表达水平（total STING protein expression），两者虽然均与STING活性相关，但属于不同的药理学评价终点，因此不能直接进行数值对应。此外，在本研究所采用的未添加外源性cGAMP刺激的THP-1巨噬细胞模型中，细胞内cGAS-STING信号通路基础活性较低，磷酸化STING（p-STING）及磷酸化TBK1（p-TBK1）蛋白水平均低于Western blot的可靠检测限，因此无法进一步判断Cassiaside和Plantaginin是否能够直接抑制STING磷酸化或下游信号转导。研究者认为，未来应在外源性cGAMP刺激条件下或采用STING过表达细胞模型进一步验证两种化合物是否真正属于STING功能性抑制剂，而不仅仅是降低STING蛋白表达的调控剂。为了排除细胞毒性对实验结果的干扰，研究者进一步采用CCK-8法评价了Cassiaside和Plantaginin对THP-1来源巨噬细胞活力的影响。结果显示，两种化合物在100 μM及以下浓度处理后均未引起明显细胞毒性，细胞存活率始终保持较高水平，说明其降低STING蛋白表达的作用并非由细胞死亡或细胞损伤所致，而更可能来源于对STING自身表达或稳定性的调控。结合实验结果，研究者推测，两种化合物可能首先结合STING蛋白，随后通过诱导STING构象变化降低其稳定性，进一步促进泛素-蛋白酶体降解，或阻断STING由内质网向高尔基体的转运过程，从而最终导致STING蛋白表达下降。然而，上述机制目前仍停留于推测阶段，尚需进一步开展蛋白降解、泛素化修饰及亚细胞定位等实验加以验证。综合上述结果，研究者认为，虽然Cassiaside和Plantaginin尚不能直接证明属于STING功能性抑制剂，但二者均能够在无明显细胞毒性的情况下显著降低THP-1来源巨噬细胞中STING蛋白表达水平，证明机器学习模型具有较好的候选化合物筛选能力。其中，Plantaginin表现出较低的IC50、更稳定的剂量依赖性以及更显著的STING蛋白表达抑制作用，因此被选定为后续分子动力学模拟及细胞热迁移实验（CETSA）的重点研究对象。 2.5 分子动力学模拟及CETSA验证为进一步阐明Cassiaside和Plantaginin与STING蛋白之间的动态结合稳定性及相互作用机制，研究者以已知STING抑制剂Compound 18为阳性对照，对Cassiaside-STING、Plantaginin-STING及Compound 18-STING复合物分别进行了200 ns分子动力学（Molecular Dynamics，MD）模拟，并结合MM-PBSA方法计算结合自由能。研究者指出，200 ns模拟时间是当前蛋白-配体体系中广泛采用的模拟长度，通常能够使体系的均方根偏移（Root Mean Square Deviation，RMSD）达到稳定平台，从而较为可靠地评价配体与蛋白复合物的结构稳定性。首先，通过RMSD分析评价各体系整体构象稳定性。结果显示，游离STING蛋白（apo protein）的主链平均RMSD为0.144±0.015 nm，说明蛋白天然构象具有较高的热力学稳定性。结合配体后，各复合物主链RMSD均仅出现轻微增加，其中Cassiaside-STING、Plantaginin-STING及Compound 18-STING复合物的平均RMSD分别为0.159±0.018 nm、0.183±0.027 nm和0.171±0.024 nm，与游离蛋白相比变化较小，表明三种配体结合均未破坏STING整体折叠结构，复合物能够在整个模拟过程中保持稳定状态。进一步分析配体自身RMSD发现，Plantaginin的平均RMSD为0.435±0.036 nm，高于Cassiaside（0.176±0.035 nm）和Compound 18（0.139±0.030 nm），说明Plantaginin在结合口袋内具有更高的构象柔性，而Cassiaside和Compound 18则保持相对稳定的结合构象。图8 STING-化合物相互作用的分子动力学模拟及CETSA验证结果。（A–C）STING与不同配体复合物的RMSD变化；（D–F）STING与不同配体复合物的RMSF变化；（G–I）MM-PBSA结合自由能分析；（J–L）氨基酸残基能量贡献分析；（M–N）Plantaginin与STING相互作用的细胞热迁移实验（CETSA）结果。随后，研究者采用均方根波动（Root Mean Square Fluctuation，RMSF）分析评价配体结合后STING各氨基酸残基的柔性变化。结果显示，游离STING蛋白平均RMSF为0.114±0.059 nm，而Cassiaside-STING、Plantaginin-STING及Compound 18-STING复合物的平均RMSF分别升高至0.128±0.064 nm、0.146±0.082 nm和0.136±0.069 nm，说明配体结合后均不同程度提高了STING蛋白整体构象柔性。其中，Plantaginin诱导的柔性变化最为明显，尤其在154–335位氨基酸区域变化最为突出，该区域覆盖STING配体结合口袋及寡聚化结构域，是STING发挥生物学功能的重要区域。这一结果提示，Plantaginin结合后能够诱导STING发生更加明显的局部构象变化，与前述RMSD分析结果相一致，进一步证明Plantaginin与STING之间存在较强的动态相互作用。为了进一步评价不同配体与STING之间的结合能力，研究者利用MM-PBSA方法计算了复合物结合自由能及各能量组成。结果显示，Plantaginin与STING的结合自由能最低（ΔG_total＝−26.58 kcal/mol），略优于Cassiaside（ΔG_total＝−24.52 kcal/mol），而已知抑制剂Compound 18的结合自由能仅为−6.73 kcal/mol，说明Plantaginin和Cassiaside均具有比参考抑制剂更高的理论结合亲和力。进一步分析结合驱动力发现，Cassiaside与STING结合主要由范德华相互作用驱动，其范德华能（ΔE_vdw）达到−24.76 kcal/mol，表现出典型的疏水作用主导结合模式；相比之下，Plantaginin不仅具有较强的范德华作用（ΔE_vdw＝−25.00 kcal/mol），同时还具有显著的静电相互作用（ΔE_ele＝−18.92 kcal/mol），两种作用力共同促进其与STING稳定结合。而Compound 18虽然具有一定静电作用（ΔE_ele＝−16.48 kcal/mol），但由于范德华作用较弱（ΔE_vdw＝−5.88 kcal/mol），因此整体结合自由能明显低于前两种天然产物。为了进一步明确不同氨基酸残基对配体结合的贡献，研究者开展了MM-PBSA逐残基能量分解分析。结果显示，Cassiaside与STING之间的稳定结合主要依赖于TYR163（−2.07 kcal/mol）、SER162（−2.85 kcal/mol）、TYR167（−3.03 kcal/mol）及LEU159（−1.53 kcal/mol）等关键残基；Plantaginin则形成了更加广泛的相互作用网络，其中PHE221（−3.28 kcal/mol）、GLU260（−4.12 kcal/mol）及ASP210（−3.68 kcal/mol）等多个残基均对结合稳定性作出重要贡献；相比之下，Compound 18主要依赖PHE291（−2.22 kcal/mol）和GLY158（−1.18 kcal/mol）等少数残基维持结合，因此整体结合能力相对较弱。上述结果进一步解释了Plantaginin具有更高结合自由能和更稳定结合模式的分子基础。基于前述模拟结果，研究者最终选择Plantaginin开展细胞热迁移实验（Cellular Thermal Shift Assay，CETSA），以验证其是否能够直接结合STING蛋白。结果显示，与DMSO对照组相比，Plantaginin处理后STING蛋白具有更强的耐热稳定性。在DMSO组中，STING蛋白信号于65 ℃以上开始明显减弱，而经Plantaginin处理后，STING蛋白在70 ℃时仍保持较强信号，说明Plantaginin能够显著提高STING蛋白热稳定性。这一结果直接证明Plantaginin能够与STING发生物理结合，并与分子动力学模拟预测结果高度一致，为二者之间存在直接相互作用提供了独立的实验学证据。综合分子动力学模拟和CETSA实验结果，研究者认为，Cassiaside和Plantaginin均能够稳定结合STING蛋白，其中Plantaginin表现出更强的结合亲和力、更广泛的关键残基相互作用网络以及更加显著的STING蛋白表达抑制作用。在细胞实验中，Plantaginin使STING蛋白表达降低约43%，而Cassiaside约降低33%，其生物学活性与模拟预测结果保持一致。此外，参考化合物Compound 18在模拟过程中表现出符合预期的结合模式，也进一步验证了整个计算流程的可靠性。研究者进一步指出，Plantaginin具有拟二聚体（pseudo-dimeric）结构特征，而已有研究表明，天然产物二聚体或拟二聚体结构通常比相应单体具有更高的生物活性，其原因在于二聚体结构能够更充分地占据STING对称性的配体结合口袋，增加蛋白-配体之间的埋藏表面积，从而形成更多稳定相互作用。因此，Plantaginin较高的结合亲和力及更优的STING抑制活性，很可能与其拟二聚体结构密切相关，同时也为今后设计新型STING小分子抑制剂提供了重要的结构优化思路。 END

2026-05-16

·逻辑神经科学

专家点评 JNI 综述︱中南大学阳国平/邹婵团队系统梳理cGAS–STING神经免疫输出图谱

撰文︱刘蕙林审阅︱邹婵，阳国平点评︱张从刚（清华大学药学院），沈璐（中南大学湘雅医院神经内科），潘庆飞（美国圣裘德儿童研究医院）责编︱王思珍神经退行性疾病（neurodegenerative diseases，NDDs）中的慢性神经炎症，长期被视为神经元损伤后的伴随现象或继发反应；然而，越来越多研究提示，持续性免疫激活可能参与疾病进展，并在特定阶段成为推动神经元功能障碍和病理扩散的重要环节。阿尔茨海默病（Alzheimer’s disease，AD）、帕金森病（Parkinson’s disease，PD）、肌萎缩侧索硬化症（amyotrophic lateral sclerosis，ALS）和亨廷顿病（Huntington’s disease，HD）等疾病，虽然病理蛋白、遗传背景和临床表现不同，但常共同伴随线粒体功能障碍、DNA损伤、胶质细胞反应和持续性免疫激活。如何理解这些上游损伤信号与慢性神经炎症之间的共同分子枢纽，是当前神经退行性疾病机制研究中的重要问题。环GMP–AMP合成酶–干扰素基因刺激因子通路（cyclic GMP–AMP synthase–stimulator of interferon genes pathway，cGAS–STING pathway）是细胞质DNA感知的核心先天免疫通路，可将线粒体DNA（mitochondrial DNA，mtDNA）泄漏、核DNA损伤和微核破裂等应激信号转化为I型干扰素、NF-κB炎症因子及特定条件下的炎症小体相关反应。那么，在NDDs中，cGAS–STING究竟是致病驱动因素、炎症放大器，还是继发相关标志物，仍需系统梳理和审慎判断。近日，来自中南大学第三湘雅医院临床药理中心/中南大学湘雅药学院的阳国平教授、邹婵助理研究员团队，联合华南师范大学脑科学与康复医学研究院、湖南大学生物医学科学学院等合作团队，在Journal of Neuroinflammation在线发表了题为“Mechanistic insights and therapeutic potential of targeting the cGAS–STING pathway in neurodegenerative diseases” 的综述文章。该文系统总结了cGAS–STING通路在AD、PD、ALS和HD等神经退行性疾病中的结构基础、细胞类型偏向输出、疾病证据和治疗转化边界，并从证据分层角度讨论该通路在不同疾病情境中作为致病节点、炎症放大器或继发相关标志物的可能性。刘蕙林为第一作者，邹婵、阳国平为通讯作者。 cGAS–STING通路：连接DNA应激与神经炎症的核心枢纽 cGAS–STING通路的核心作用，是将细胞质DNA异常暴露转化为炎症信号。细胞质双链DNA被cGAS识别后，促进第二信使2′,3′-cGAMP合成；cGAMP进一步结合位于内质网上的STING，诱导其构象变化、寡聚化以及向内质网-高尔基中间体/高尔基体转运。随后，STING转运至ERGIC/高尔基体并发生棕榈酰化，形成有利于下游信号复合物组装的平台，进而招募并激活TBK1等分子，启动IRF3和NF-κB相关转录程序，从而诱导I型干扰素、干扰素刺激基因（interferon-stimulated genes，ISGs）和多种炎症介质。在慢性疾病情境下，该通路的重要病理意义可能不只在于启动炎症，还在于放大或延长局部免疫反应。cGAMP可经缝隙连接、LRRC8通道或溶质载体进入邻近细胞，使局部DNA损伤信号在一定条件下扩展为组织水平的“旁观者”炎症反应。与此同时，ENPP1介导的cGAMP水解、STING逆向转运、泛素化清除以及自噬相关负反馈，共同影响信号持续时间和作用范围。因此，作者将该通路概括为一个由“DNA应激触发—结构激活—信号平台组装—跨细胞传播—负反馈终止”构成的动态调控系统。图1 cGAS–STING经典信号通路及中枢神经系统中的潜在可干预节点（注：文中示意图均由作者团队基于综述内容原创绘制）二、细胞类型偏向输出：一种较有辨识度的分析框架本文较有辨识度的一点，是将cGAS–STING在不同中枢细胞中的“偏向性输出”置于同一框架下比较。既往研究多关注某一疾病或某一细胞类型中cGAS–STING是否被激活，而该综述进一步强调：同一条cGAS–STING核心通路，在小胶质细胞、星形胶质细胞、神经元和少突胶质谱系细胞中，并不一定产生完全相同的炎症或损伤反应。换言之，cGAS–STING并非统一输出炎症的单一开关，更适合被理解为一个受到细胞身份、疾病阶段和微环境共同塑造的神经免疫信号节点。图2 中枢神经系统不同细胞类型cGAS–STING输出差异的分析框架小胶质细胞是cGAS–STING介导神经炎症放大的关键执行细胞之一。在多种模型中，小胶质细胞通常表现出较强的免疫反应能力，其cGAS–STING输出多以I型干扰素/ISG程序为主，并伴随NF-κB促炎因子上调；在特定刺激和疾病阶段，还可与NLRP3炎症小体、IL-1β成熟和细胞焦亡等反应相互耦联。星形胶质细胞可能参与慢性炎症状态的维持和固化。与小胶质细胞不同，星形胶质细胞的cGAS–STING输出更偏向NF-κB/反应性胶质化、补体相关改变和衰老相关分泌表型（senescence-associated secretory phenotype，SASP）样程序。神经元虽然通常不是主要炎症执行细胞，但在持续线粒体损伤、DNA修复障碍、内质网应激或轴突运输异常背景下，可成为DNA应激和危险信号的重要来源，并通过cGAMP、ATP、HMGB1等信号非细胞自主地激活周围胶质细胞。少突胶质谱系细胞自身炎症放大能力相对有限，但对IFN富集炎症环境高度敏感，持续STING–IFN信号可能影响少突胶质前体细胞成熟、髓鞘修复和白质稳态。图3 不同中枢细胞中cGAS–STING下游炎症/损伤输出的相对占比因此，“细胞类型—输出占比图谱”是该综述较有特色的归纳方式之一。需要说明的是，该图谱主要基于现有文献进行概念性整合，并不等同于对不同细胞真实贡献比例的定量测量。该框架提示，神经退行性疾病中cGAS–STING的病理效应，并不只取决于通路是否被激活，还取决于哪一类细胞首先被激活、哪一类细胞参与放大、哪一类细胞维持炎症状态，以及哪一类细胞最终承受功能损伤。三、不同疾病中的cGAS–STING：共同通路与疾病特异性并存 AD中的cGAS–STING可能是连接多源DNA应激与小胶质细胞炎症放大的重要模块。Aβ、tau相关应激、mtDNA泄漏和核DNA损伤等多源输入，可共同激活DNA感知反应。其中，小胶质细胞IFN程序、补体介导的突触修剪以及星形胶质反应性维持，可能构成炎症放大回路。APOE、TREM2等遗传背景还可能改变该通路的激活阈值和持续性。 PD中的cGAS–STING更突出地与线粒体质量控制障碍相关。PINK1/Parkin、VPS13C等相关机制提示，受损线粒体清除失败可增加mtDNA暴露，并驱动STING相关炎症放大。不过，作者也强调，部分早期关于PINK1/Parkin与STING依赖性神经退行的结论已被重新评估，因此不宜将STING依赖性简单泛化为所有PD亚型的共同机制。 ALS和HD进一步说明，cGAS–STING在不同疾病中具有明显的遗传背景和阶段依赖性。在ALS中，TDP-43、SOD1、C9orf72、TBK1/OPTN等不同遗传背景，可通过线粒体损伤、核酸应激或STING周转障碍等方式汇入IFN放大网络。在HD中，突变亨廷顿蛋白可导致线粒体DNA与核DNA损伤双重输入，并可能因TOLLIP–STING调控失衡表现出细胞和区域异质性。图4 AD、PD、ALS和HD中cGAS–STING相关炎症放大模块四、靶向cGAS–STING：从通路抑制到精准调控靶向cGAS–STING的治疗策略，需要依据疾病阶段和细胞类型进行精准调控，避免将其简单理解为广谱“关闭通路”。作者将相关干预策略概括为四类：控制上游DNA应激来源，如减少mtDNA泄漏、改善线粒体质量控制或增强DNA清除；抑制cGAS催化活性，阻断cGAMP合成；直接拮抗STING，包括阻断配体结合、构象切换、转运或棕榈酰化平台形成；通过多靶点天然产物或复合递送系统，同时调节氧化应激、自噬、线粒体稳态和炎症输出。代表性化合物为cGAS–STING治疗转化提供了重要研究工具，但距离临床应用仍有明显距离。STING棕榈酰化抑制剂H-151、C-176，cGAS抑制剂RU.521，STING口袋拮抗剂SN-011，以及褪黑素、Withaferin A、Rhapontigenin等间接调节剂，在部分细胞或动物模型中提示了调节神经炎症/神经损伤相关表型的可能性。然而，中枢转化仍面临血脑屏障递送不足、长期免疫抑制风险、病毒和肿瘤免疫安全性、人类TMEM173/STING等位基因差异、动物模型外推性有限以及药效学生物标志物缺乏等挑战。图5 cGAS–STING靶向治疗策略及中枢转化限制五、总结与展望综合来看，该综述梳理出一个较清晰的“DNA应激—细胞类型偏向输出—多细胞炎症放大—治疗转化”框架。作者认为，cGAS–STING在神经退行性疾病中的作用具有明显的情境依赖性，其功能权重受到上游DNA应激来源、细胞类型、疾病阶段和遗传背景共同影响，更适合被理解为一个可被分层评估的神经免疫放大模块。该综述的一项主要贡献，在于将通路机制、细胞输出、疾病证据和治疗节点串联为同一逻辑链条。尤其是不同中枢细胞cGAS–STING输出占比的半定量框架，将小胶质细胞、星形胶质细胞、神经元和少突胶质谱系细胞置于同一坐标下比较，为理解不同模型间结论差异提供了新的解释角度，也为未来细胞类型特异性干预提供了可供检验的思路。该领域的局限在于，现有证据仍主要来自动物模型、细胞系统和人类相关性数据。不同疾病、不同诱因和不同阶段的STING依赖性可能存在明显差异。未来cGAS–STING靶向研究需要进一步回答“在什么阶段、针对哪类细胞、降低哪一种输出模块、保留哪些必要免疫功能”等问题。这一思路或将推动cGAS–STING从一个广泛相关的神经免疫通路，逐渐转化为一个可分层、可验证、需进一步评估安全边界的干预假设。专家点评张从刚（研究员，清华大学药学院） cGAS–STING信号通路是先天免疫系统感知胞质异常DNA的重要分子轴。过去十余年，该领域研究已从经典的抗病毒免疫和自身炎症疾病，逐步拓展至代谢异常、衰老、肿瘤免疫以及神经退行性疾病等多个方向。随着结构生物学和疾病模型研究的持续推进，学界对cGAS–STING的认识，也从相对线性的“DNA感知—干扰素诱导”通路，逐渐发展为一个具有复杂调控层级、细胞类型特异性和疾病情境依赖性的免疫信号网络。阳国平、邹婵团队的这篇综述并未停留于对不同神经退行性疾病中相关现象的简单梳理，而是聚焦一个更具机制意义的问题：同一条cGAS–STING通路，为何在中枢神经系统不同细胞中会产生不同的病理后果？文章系统整合了结构激活机制、信号终止、跨细胞传播、细胞类型偏向输出以及疾病证据层级，为理解神经退行性疾病中的cGAS–STING提供了有启发性的思路。这一视角提示我们，神经系统中的cGAS–STING可能并不是一个简单的炎症“开关”，而更像一个连接DNA损伤、线粒体应激与慢性神经炎症放大的关键免疫枢纽。来自动物模型的现有证据表明，持续的cGAS–STING活化可能推动I型干扰素、炎症因子、补体系统乃至衰老相关炎症程序的持续激活，从而加重神经元功能障碍和疾病进展。当然，该领域仍有若干关键问题尚待回答：cGAS–STING究竟是疾病驱动因素，还是病程放大器？不同细胞中的作用边界和时序关系如何界定？哪些患者群体可能真正从靶向干预中获益？这些问题将直接决定这一通路的转化前景。尽管如此，一个值得关注的方向正在逐渐清晰：靶向cGAS–STING通路调控神经炎症和神经退行性疾病，正在从概念探索进入更系统的临床前验证和转化评估阶段。不同于肿瘤免疫领域更多关注STING激活，中枢神经系统疾病中的治疗逻辑可能有所不同——如何精准调控异常持续的先天免疫信号，避免简单广谱抑制炎症，将成为未来研究中的重要问题。当然，血脑屏障穿透效率、长期用药安全性、可靠药效学生物标志物以及人类STING遗传多态性等转化挑战仍待解决。神经退行性疾病长期缺乏真正能够改变疾病进程的有效治疗手段，而位于DNA损伤、线粒体应激与先天免疫交汇点的cGAS–STING，仍值得持续关注。沈璐（教授，主任医师，中南大学湘雅医院神经内科）神经退行性疾病是老龄化社会面临的重要医学问题。AD、PD、ALS和HD虽然具有不同的临床表型和病理特征，但在长期病程中常伴随神经元损伤、胶质细胞反应、突触功能改变和慢性炎症反应。近年来，神经免疫机制在神经退行性疾病发生发展中的作用受到持续关注，其中如何将遗传风险、蛋白聚集、线粒体损伤和慢性炎症联系起来，是该领域值得深入研究的问题。阳国平、邹婵团队的这篇综述从cGAS–STING这一DNA感知通路切入，对神经退行性疾病中的相关神经免疫机制进行了系统梳理。文章的一个可取之处，是没有将cGAS–STING简单视为单一促炎通路，而是强调其在不同中枢细胞、不同疾病阶段和不同遗传背景下可能具有不同的功能权重。对于临床神经退行性疾病研究而言，这种分层视角有助于避免将某一通路的激活直接等同于统一的致病机制或治疗靶点。从临床转化角度看，靶向cGAS–STING目前更适合被理解为一种有待验证的机制假设和免疫分层思路。未来仍需进一步回答：哪些患者存在cGAS–STING相关炎症激活？这种激活发生在疾病早期还是晚期？它在不同疾病中是驱动因素、放大因素，还是继发性改变？长期抑制该通路是否会影响必要的抗感染和免疫监视功能？该综述提出的证据分层和细胞类型偏向输出框架，为后续设计更精细的临床前研究和转化研究提供了参考。潘庆飞（教授，美国圣裘德儿童研究医院）近年来，单细胞组学和空间组学技术的发展，使神经退行性疾病中的细胞异质性、细胞状态转换和细胞间通讯网络得以被更精细地解析。对于cGAS–STING这类先天免疫通路而言，仅判断其是否被激活，已经难以充分解释复杂中枢神经系统中的病理效应；更关键的问题在于，该通路在哪些细胞中被激活、诱导了何种下游程序、如何通过细胞间信号传递影响局部微环境，并最终参与疾病进展。阳国平、邹婵团队的这篇综述较好地抓住了这一问题。文章将cGAS–STING置于小胶质细胞、星形胶质细胞、神经元和少突胶质谱系细胞等不同细胞背景下进行比较，提出了“细胞类型偏向输出”的分析框架。这一框架对于理解神经退行性疾病中的神经免疫反应具有一定启发意义。它提示研究者在分析cGAS–STING相关数据时，应进一步关注细胞类型特异性、疾病阶段依赖性和信号网络重塑，而不应仅停留在通路整体上调或下调的层面。从系统生物学和单细胞数据分析角度看，未来该领域值得进一步结合单细胞转录组、空间转录组、蛋白组学和功能扰动实验，识别不同疾病模型和患者样本中真正驱动cGAS–STING异常输出的关键细胞群、调控节点和细胞间通讯路径。该综述提出的细胞类型输出图谱，为后续构建可验证的神经炎症调控网络、筛选药物靶点和建立患者分层策略提供了可供参考的概念基础。原文链接：hhttps://doi.org/10.1186/s12974-026-03815-1 通讯作者简介：阳国平，临床药理学博士，教授/主任药师（二级正高），博士生导师，中南大学湘雅药学院院长，中南大学药物临床评价研究中心主任，中南大学湘雅三医院临床试验研究中心学科带头人、Ⅰ期临床试验PI。长期从事临床药理学、创新药物临床评价、精准用药与药物研发转化研究，在创新药物研发转化和临床评价平台建设方面具有丰富经验。主持国家重大新药创制专项、国家重点研发计划课题、国家自然科学基金等纵向课题20余项，作为PI完成500余项药物Ⅰ期临床研究。近5年以通讯作者或第一作者在CPT、BMC Medicine、Briefings in Bioinformatics、Circulation: Genomic and Precision Medicine等期刊发表SCI论文60余篇。通讯作者简介：邹婵，博士，中南大学湘雅三医院助理研究员，本文通讯作者之一。曾在四川大学、中南大学及美国圣犹达儿童研究医院接受药学、临床药理和转化医学交叉训练。主要围绕神经炎症和炎症免疫开展新药开发及临床转化研究，关注NLRP3、STING、RIPK1等炎症免疫靶点。主持或参与国家级、省部级项目多项，以第一/通讯作者在MedComm、J Clin Immunol、J Inflamm Res、Investig New Drugs等期刊发表论文9篇。入选湖南省卫生健康高层次人才支持计划培育人才，现任《中国临床药理学杂志》首届千人新苗青年委员会委员，并受聘Precision Medication等英文期刊青年编委。基金支持：本研究受到国家自然科学基金（82474009、82204733）、湖南省自然科学基金（2023JJ40952、2024JJ6618）和湖南省卫生健康委科研项目（20254677）等资助。转载须知：“逻辑神经科学”特邀稿件，且作者授权发布；本内容著作权归作者和“逻辑神经科学”共同所有；欢迎个人转发分享，未经授权禁止转载，违者必究。【神经科学/脑科学/神经生物学科研服务系列汇总】【神经科学/脑科学/神经生物学科研培训系列汇总】（点击蓝色标题阅读全文）联系方式：15108204441（电话），Wang_Sizhen（微信） “逻辑神经科学”微信群：文献学习扫码添加微信，并备注：逻辑-文献-姓名-单位-研究领域-学位/职称（注：不按要求格式备注，则不通过好友申请）参考文献 [1] Liu H, Hu C, Liu H, et al. Mechanistic insights and therapeutic potential of targeting the cGAS–STING pathway in neurodegenerative diseases. Journal of Neuroinflammation. 2026. doi: 10.1186/s12974-026-03815-1. [2] Gulen MF, Samson N, Keller A, et al. cGAS–STING drives ageing-related inflammation and neurodegeneration. Nature, 2023, 620:374-380. [3] Udeochu JC, Amin S, Huang Y, et al. Tau activation of microglial cGAS–IFN reduces MEF2C-mediated cognitive resilience. Nature Neuroscience, 2023, 26:737-750. [4] Carling GK, Fan L, Foxe NR, et al. Alzheimer’s disease-linked risk alleles elevate microglial cGAS-associated senescence and neurodegeneration in a tauopathy model. Neuron, 2024, 112:3877-3896.e8. [5] Xie X, Ma G, Li X, Zhao J, Zhao Z, Zeng J. Activation of innate immune cGAS–STING pathway contributes to Alzheimer’s pathogenesis in 5×FAD mice. Nature Aging, 2023, 3:202-212. [6] Van Acker ZP, Perdok A, Hellemans R, et al. Phospholipase D3 degrades mitochondrial DNA to regulate nucleotide signaling and APP metabolism. Nature Communications, 2023, 14:2847. [7] Quan S, Fu X, Cai H, Ren Z, Xu Y, Jia L. The neuroimmune nexus: unraveling the role of the mtDNA–cGAS–STING signal pathway in Alzheimer’s disease. Molecular Neurodegeneration, 2025, 20:25. [8] Jiang S-Y, Tian T, Yao H, et al. The cGAS–STING–YY1 axis accelerates progression of neurodegeneration in a mouse model of Parkinson’s disease via LCN2-dependent astrocyte senescence. Cell Death & Differentiation, 2023, 30:2280-2292. [9] Marques C, Held A, Dorfman K, et al. Neuronal STING activation in amyotrophic lateral sclerosis and frontotemporal dementia. Acta Neuropathologica, 2024, 147:56. [10] Woo MS, Mayer C, Binkle-Ladisch L, et al. STING orchestrates the neuronal inflammatory stress response in multiple sclerosis. Cell, 2024, 187:4043-4060.e30. [11] Maimaiti M, Li C, Cheng M, et al. Blocking cGAS–STING pathway promotes post-stroke functional recovery in an extended treatment window via facilitating remyelination. Med, 2024, 5:622-644.e28. [12] Hancock-Cerutti W, Wu Z, Xu P, et al. ER-lysosome lipid transfer protein VPS13C/PARK23 prevents aberrant mtDNA-dependent STING signaling. Journal of Cell Biology, 2022, 221:e202106046. [13] Sliter DA, Martinez J, Hao L, et al. Retraction Note: Parkin and PINK1 mitigate STING-induced inflammation. Nature, 2025, 644:1116. [14] Germeys C, Vandoorne T, Davie K, et al. Targeting EGLN2/PHD1 protects motor neurons and normalizes the astrocytic interferon response. Cell Reports, 2024, 43:114442. [15] Sun X, Liu L, Wu C, et al. Mutant huntingtin protein induces MLH1 degradation, DNA hyperexcision, and cGAS–STING-dependent apoptosis. Proceedings of the National Academy of Sciences of the United States of America, 2024, 121:e2313652121. 编辑︱王思珍本文完

100 项与 C-176 相关的药物交易

登录后查看更多信息