药物的解离常数（pKa）是药物发现过程中需重点考量的关键物理化学性质，因其对分子在生理pH条件下的电离状态起决定性作用。Schrödinger（薛定谔）提供多种pKa值预测、质子化状态分布分析及衍生性质计算的解决方案，可应用于从筛选到先导化合物优化的多个药物发现阶段。

背景

小分子在溶液中可发生电离，在不同的电离位点失去或获得质子（H⁺）。某一位点或分子通过结合/解离一个或多个质子发生电离的倾向，可通过pKa值量化表征。若pKa值针对特定电离位点，则为微观pKa（micro-pKa）；若针对整个分子，则为宏观pKa（macro-pKa）。

电离位点周围质子的特定排列构成了质子化状态，同一电荷水平下的不同质子化状态称为互变异构体（tautomer）。每种质子化状态均与其他状态处于热力学平衡，因此在该质子化状态集合中，各状态均对应特定的自由能。这些自由能可通过热力学方程由微观pKa值推导得出，或直接通过比较各状态的自由能获得。

在药物设计中，理解分子的不同质子化状态至关重要，因为它们会影响分子的溶解度、膜通透性和活性等关键性质。

pKa预测的挑战

无论通过实验还是计算方法，确定特定pH条件下占主导的质子化状态及其分布比例都是一项艰巨的任务。这是因为所有处于热力学平衡状态的质子化状态数量，会随着单质子化位点数量n的增加呈约2ⁿ倍增长。因此，具有多个可滴定位点的分子可能存在大量不同的质子化状态，而所有这些状态都需要进行枚举并进行能量评分。

在计算层面，Schrödinger采用两种主要方法对状态进行评分：1）利用微观pKa值求解热力学平衡方程；2）直接预测各状态的相对自由能。pKa值预测是计算状态分布的重要前提，进而能够预测其他原本难以获取的关键相关参数。

图注：宏观pKa、微观pKa、质子化状态、互变异构体之间的关联，以及对应的物种分布图（speciation diagram）

Schrödinger的解决方案

1. Epik Classic

Epik Classic前身为Epik（2007年发表），是一款快速准确预测配体在特定pH下微观pKa值及优势质子化状态的专业系统。其核心pKa预测技术基于经验哈米特-塔夫特线性自由能关系（Hammett-Taft LFER）：

• 首先识别电离基团，确定其基准pKa值，通过成键化学片段的扰动效应修正该值，并结合电荷分布计算得出有效微观pKa值。

• 随后，Epik Classic利用预测的pKa值枚举配体的质子化状态，按能量排序并返回占比最高的状态。

由于Epik Classic采用基于SMARTS模式的规则，计算速度足以满足高通量需求，不过它不能考虑构象效应和立体化学效应。

2. Epik 7

Epik 7是Epik的全新升级版（2023年发表），融合了Schrödinger强大的机器学习（ML）技术，在更广泛的化学空间内实现了更高的预测精度。该方法：

• 首先通过SMARTS模式识别电离基团，进而枚举一系列电离反应对应的质子化状态。

• 利用三层原子图卷积神经网络（GCNN）预测各状态中每个位点的微观pKa值，该网络可从电离原子径向延伸至六个化学键的范围。

• 随后，通过各状态的预测pKa值计算其相对能量，从而确定特定pH下的优势质子化状态并计算宏观pKa值。

这种基于拓扑结构的机器学习方法使得Epik 7与前代版本一样具备快速计算的优势，但同样也不考虑三维几何结构和立体化学信息。

3. Jaguar pKa

Jaguar pKa采用更偏向物理原理的方法预测配体的微观pKa值。它通过以下步骤计算目标配体中用户指定电离位点的pKa值：

• 首先生成共轭对，对其进行构象搜索以找到最低能量结构。

• 随后，基于密度泛函理论（DFT）进行几何优化和单点能计算。

• 这些经构象平均化的“原始”微观pKa值将通过经验参数化关系进行修正，最终得到准确的预测结果。

  
  

Jaguar pKa在非互变异构结构的预测中表现优越，其基于物理原理的特性使其能够考虑几何效应和立体化学效应，但因此计算速度会有所减慢。

4. Macro-pKa

Macro-pKa沿用了Jaguar pKa的核心设计理念，将基于物理原理的DFT计算与经验修正相结合，不过扩展了对互变异构配体的适用性，并采用更复杂的机器学习模型进行修正。Macro-pKa会：

• 自动识别电离位点，枚举质子化状态，并计算微观pKa值。其工作流程与Jaguar pKa类似，但采用了更完善的经验修正生成方案。

• 最终，计算得出的微观pKa值会用于按能量对质子化状态进行排序，返回用户指定pH条件下的优势状态，并确定该配体的宏观pKa值。

这种全面枚举的方法虽然覆盖性强，但相比Jaguar pKa，需要消耗更多的时间和计算资源。

总的来说，这些解决方案各有侧重、优势互补，攻克了pKa预测的核心挑战，为药物发现全流程提供了可靠支撑。具体的应用场景解析，敬请关注下一篇。

欢迎联系我们获取Schrödinger软件试算！

参考资料

1. Schrödinger solutions for small molecule protonation state enumeration and pKa prediction, www.schrodinger.com

2. Epik: A Software Program for pKa Prediction and Protonation State Generation for Drug-like Molecules. Shelley, J. C. et al. J. Comput. Aided Mol. Des. 2007, 21 (12), 681–691

3. Epik: pKa and Protonation State Prediction through Machine Learning. J. Chem. Theory Comput. 2023, 19 (8), 2380–2388

4. Multiconformation, Density Functional Theory-Based pKa Prediction in Application to Large, Flexible Organic Molecules with Diverse Functional Groups. Bochevarov, A. D. J. Chem. Theory Comput. 2016, 12 (12), 6001–6019.