引言
Lipinski及其同事在輝瑞公司發表的開創性著作強調了分子在經過高通量篩選（HTS）后具有的缺點，即有缺陷的理化特性導致分子具有明顯的親脂性和/或高度芳香的特性。因此，Ro5的基本原理是基于“評估溶解度和滲透性”的想法進行評估的，并具有實測的理化數據。物理化學性質是多參數優化和評分算法的關鍵組成部分，正在取代基于規則的簡單方法。理解如何控制和預測理化性質將使藥物化學家能夠更好地與這種人工智能的結果合作。理想的藥物性質應包括：保持活性、減少代謝、降低毒性，實現滲透并達到溶解度最大化。
類藥5規則（Rule of 5）
輝瑞公司資深藥物化學家Lipinski在2001年提出的篩選類藥分子的五條基本法則，簡稱，Rule of 5(Ro5),其內容是：分子量小于500，氫鍵供體的數量不超過5個，氫鍵受體的數量不超過10個，化合物的油水分配系數的對數值 (clogP) 不超過5。在USAN藥物中，驚訝地發現高MW和高logP的組合僅占1%。在口服活性藥物數據集中，少有批準的口服藥物違反兩個或更多的參數。作者考慮數據的其他注釋，在以下各節中討論五規則背后的行為模式、改進及含義，借此來為藥物發現提供新見解并建立原則。
親脂性
化合物在正辛醇和水中的分配系數比值的對數值已成為評估親脂性的既定方法，這對脂蛋白而言是一個很好的折中方案。親脂性估計是一種非常有用的模型，在藥物發現中具有一定的影響和實用性。就分配系數而言，log P是最可靠的預測參數，適用于沒有可電離中心或具有堿性和/或酸性基序的中性形式的化合物。在后一種情況中，log DpH是給定pH的分配系數，代表在正辛醇/水相之間化合物的所有形式的分布，通常在pH7.4下記錄。log P和log DpH都是尋找化合物行為模式或生成QSAR時要考慮的重要指標。需要注意的是，任何預測模型都僅與它所基于的經驗數據一致，且測得的親脂性數據的質量是可變的。GSK對測量數據的分析表明OW系統在評估難溶性化合物的親脂性時存在缺陷，而色譜數據對于不同溶解度的化合物均有較好表現。因此，基于經驗數據的時間建模，可獲得高質量的Chrom log D的計算模型（log DpH 的色譜圖）。使用計算和測量的log P數據來表示Ro5，并使用計算的log P值進行分析。經驗表明，精心處理的Pomona數據和色譜測量能提供最可靠的分配（log P）和分布（log DpH）估計。
分子量
分子量是可以被準確計算的描述符，通常來說，隨著MW的增加，親脂性也增加。但Shultz口服藥物數據集沒有顯示出這種趨勢。當MW超過300時，隨著MW增加，親脂性的均值沒有明顯變化。占較低比例的高親脂性分子得以發展。
氫鍵供體與受體
在HBD超過5和/或HBA超過10的分子中，大多是 是與天然產物相關的糖基化分子或氨基酸。將HBD值設置為5顯然對需要穿過血腦屏障或任何膜的分子來說要求過高，Shultzs數據集分析顯示90%的HBD值為4。HBA的數量隨著分子量的增加呈明顯增加的趨勢。HBA和HBD的值能影響晶格能和熔點，進而影響溶解度。大分子中，分子內氫鍵與滲透性相關。
溶解性
將一般溶解性方程（GSE）計算的預測溶解度分布與實驗觀察的結果比較得到了溶解度預測指數，它是基于親脂性加上芳環數（#Ar）的溶解性的概率指標。聯合色譜測量結果產生了一個具有更廣泛影響的指標“屬性預測指數”（PFI=Chrom log D7.4 + #Ar），該指數與GSE預測結果的潛在一致性說明了其價值?；谙湫蛨D統計數據，PFI能比clog P更好地區分結果。盡管觀察到有很大比例的高PFI值化合物具有較好的可溶性，PFI分布卻向較低的值移動，這可能受所測得的溶解度數據的影響。這種使芳香性和親脂性最小化的有用且經濟的原理已得到GSK等組織的公認。芳香性和親脂性對溶解度有深遠影響，分子量卻對溶解度沒有明顯的影響，結合有關MW的觀察結果及PFI與clog P的對比，很明顯，在預測溶解度時可以通過改善兩個關鍵的Ro5參數來進行調整。
滲透性
化合物透過生物膜是一個復雜的過程，且是一個充滿爭議的話題。通過使用高質量的親脂性測量，觀察到滲透率與親脂性（由測得的Chrom log D7.4表示）之間存在明顯的雙線性關系，與1979年報道的一組口服滲透藥物的模式一致。這些分析表明log D7.4可能是關鍵參數。
親脂性（由log D7.4表示）和大?。ㄓ捎嬎愕哪栒酃饴蔯mr表示，通常與MW成正比）是用來評估4盒模型中一組代表性口服藥物的參數。在Ro5的背景下，可靠的log D7.4 值和大小似乎可以解決通透性對口服生物利用度的影響。通過繪制各種嘗試通過親脂性和分子量來定義化學空間的分析中給出的閾值，Hann 和Keseru結合這些閾值，為符合Ro5的藥物發現提供了一個“最佳點”。它可以在最小化親脂性以保證溶解度和當吸收機制不太可能時確?；衔镉辛己玫臐B透性。
圖1. Hann 和Keseru找出的“最佳點”
圖片來源：JMC
形狀與柔性
在溶解性和滲透性方面，柔性和拓撲可能是另外兩個重要參數。柔性可由可旋轉鍵的數量進行量化，是一種可改善溶解性但限制口服性的特性。邏輯上，考慮化合物的分子形狀/拓撲結構對滲透性很重要，但無相關研究證明了此種影響。
混雜性
制劑可以解決溶解度和滲透性的問題，但是更多的親脂性化合物在其他可開發性方面存在代謝缺陷。用51種檢測方法對GSK的擴展交叉篩選數據進行了分析，結果顯示，隨著親脂性和芳香性的增加，混雜和脫靶傾向的風險正不斷增加。
5規則之外
人們一直對Ro5之外的化學空間感興趣，因為一些難藥靶標往往具有較大的高親脂性/極性和柔性/相對平坦的結合位點。增加分子量可能導致logP，HBA/HBD的增加和溶解性的降低，這表明在Ro5空間之外的操作可能會給項目的成功帶來風險。從Shultz口服藥物組中可以看到，大多數藥物實現全部暴露均符合HBD<5和clog P<5準則。
通過分析違反Ro5規則的分子，Doak及同事提出了進一步細分的建議，擴展五規則化合物（eRo5）具有以下特征：MW：500~700 Da，clog P=0~7.5，HBD≤5，HBA≤10，PSA≤200?2 ，NRB≤20；超越五規則化合物（bRo5）的特征為：MW>500 Da和MW：700~3000 Da，clog P<0 或>7.5，HBD>5，HBA>10，PSA>200?2 。這些定義進一步描述了接近Ro5限制條件的分子，以及超越Ro5指導原則但仍實現了口服暴露的分子。
Ro5之外的分子設計的難處在于如何緩解隨著分子量的增加而升高的親脂性。需要控制適當的親脂性來實現溶解度和滲透性之間微妙的平衡。為了滿足這些要求，一種新興的策略是設計一種分子，使其具有采用離散構象以適應極性和非極性環境的能力，稱為動態親脂性。這可以通過使用有效的PSA（測量值）或3D PSA（預測值）來量化此參數。
通過分析眾多AbbVie的項目中eRo5和bRo5化合物的藥代動力學數據，得出了一個有用的預測參數AB-MPS，由clog D7.4 -3的絕對值加上芳香環的數量（#Ar）加上可旋轉鍵的數量（NRB）得到，這三項均與口服生物利用度有關。當AB-MPS的值小于14時，觀察到口服暴露的機會增加。NRB能降低滲透率，影響動態親脂性。GSK化合物中計算的人工膜滲透分數AMP與AB-MPS分數在各MW范圍內區別較明顯，中位數AB-MPS隨著MW的增加而增加。這些特定作用于bRo5的參數是度量被動滲透的有用預測因子。對轉運蛋白的bRo5分子的作用了解甚少。eRo5化合物具有類似于Ro5化合物的溶解度和滲透率模式，bRo5化合物與Ro5的溶解度模式總體相似，但平均溶解度較小，值分布較寬。bRo5的滲透率看起來有很大不同，該領域需要進一步探索。
總結
本文重新評估了Ro5并證明了其價值，Ro5大大提高了藥物開發的效率但不是萬無一失的。其中最需要注意的是clog P可能存在缺陷，log D7.4 是影響力最大的參數。MW總是超出Ro5定義且對溶解度影響較小，顯得并不那么重要。eRo5和bRo5同樣也能為藥物發現提供見解。重要的是需要用事實如理化數據及其揭示的模式來建立信息性原則而不是嚴格的規則來指導藥物發現。
參考文獻
C.P. Tinworth, R.J. Young, Facts, Patterns, and Principles in Drug Discovery: Appraising the Rule of 5 with Measured Physicochemical Data. Journal of Medicinal Chemistry. April 23 2020. https://doi.org/10.1021/ acs.jmedchem.9b01596