引言
Lipinski及其同事在辉瑞公司发表的开创性著作强调了分子在经过高通量筛选（HTS）后具有的缺点，即有缺陷的理化特性导致分子具有明显的亲脂性和/或高度芳香的特性。因此，Ro5的基本原理是基于“评估溶解度和渗透性”的想法进行评估的，并具有实测的理化数据。物理化学性质是多参数优化和评分算法的关键组成部分，正在取代基于规则的简单方法。理解如何控制和预测理化性质将使药物化学家能够更好地与这种人工智能的结果合作。理想的药物性质应包括：保持活性、减少代谢、降低毒性，实现渗透并达到溶解度最大化。
类药5规则（Rule of 5）
辉瑞公司资深药物化学家Lipinski在2001年提出的筛选类药分子的五条基本法则，简称，Rule of 5(Ro5),其内容是：分子量小于500，氢键供体的数量不超过5个，氢键受体的数量不超过10个，化合物的油水分配系数的对数值 (clogP) 不超过5。在USAN药物中，惊讶地发现高MW和高logP的组合仅占1%。在口服活性药物数据集中，少有批准的口服药物违反两个或更多的参数。作者考虑数据的其他注释，在以下各节中讨论五规则背后的行为模式、改进及含义，借此来为药物发现提供新见解并建立原则。
亲脂性
化合物在正辛醇和水中的分配系数比值的对数值已成为评估亲脂性的既定方法，这对脂蛋白而言是一个很好的折中方案。亲脂性估计是一种非常有用的模型，在药物发现中具有一定的影响和实用性。就分配系数而言，log P是最可靠的预测参数，适用于没有可电离中心或具有碱性和/或酸性基序的中性形式的化合物。在后一种情况中，log DpH是给定pH的分配系数，代表在正辛醇/水相之间化合物的所有形式的分布，通常在pH7.4下记录。log P和log DpH都是寻找化合物行为模式或生成QSAR时要考虑的重要指标。需要注意的是，任何预测模型都仅与它所基于的经验数据一致，且测得的亲脂性数据的质量是可变的。GSK对测量数据的分析表明OW系统在评估难溶性化合物的亲脂性时存在缺陷，而色谱数据对于不同溶解度的化合物均有较好表现。因此，基于经验数据的时间建模，可获得高质量的Chrom log D的计算模型（log DpH 的色谱图）。使用计算和测量的log P数据来表示Ro5，并使用计算的log P值进行分析。经验表明，精心处理的Pomona数据和色谱测量能提供最可靠的分配（log P）和分布（log DpH）估计。
分子量
分子量是可以被准确计算的描述符，通常来说，随着MW的增加，亲脂性也增加。但Shultz口服药物数据集没有显示出这种趋势。当MW超过300时，随着MW增加，亲脂性的均值没有明显变化。占较低比例的高亲脂性分子得以发展。
氢键供体与受体
在HBD超过5和/或HBA超过10的分子中，大多是 是与天然产物相关的糖基化分子或氨基酸。将HBD值设置为5显然对需要穿过血脑屏障或任何膜的分子来说要求过高，Shultzs数据集分析显示90%的HBD值为4。HBA的数量随着分子量的增加呈明显增加的趋势。HBA和HBD的值能影响晶格能和熔点，进而影响溶解度。大分子中，分子内氢键与渗透性相关。
溶解性
将一般溶解性方程（GSE）计算的预测溶解度分布与实验观察的结果比较得到了溶解度预测指数，它是基于亲脂性加上芳环数（#Ar）的溶解性的概率指标。联合色谱测量结果产生了一个具有更广泛影响的指标“属性预测指数”（PFI=Chrom log D7.4 + #Ar），该指数与GSE预测结果的潜在一致性说明了其价值。基于箱型图统计数据，PFI能比clog P更好地区分结果。尽管观察到有很大比例的高PFI值化合物具有较好的可溶性，PFI分布却向较低的值移动，这可能受所测得的溶解度数据的影响。这种使芳香性和亲脂性最小化的有用且经济的原理已得到GSK等组织的公认。芳香性和亲脂性对溶解度有深远影响，分子量却对溶解度没有明显的影响，结合有关MW的观察结果及PFI与clog P的对比，很明显，在预测溶解度时可以通过改善两个关键的Ro5参数来进行调整。
渗透性
化合物透过生物膜是一个复杂的过程，且是一个充满争议的话题。通过使用高质量的亲脂性测量，观察到渗透率与亲脂性（由测得的Chrom log D7.4表示）之间存在明显的双线性关系，与1979年报道的一组口服渗透药物的模式一致。这些分析表明log D7.4可能是关键参数。
亲脂性（由log D7.4表示）和大小（由计算的摩尔折光率cmr表示，通常与MW成正比）是用来评估4盒模型中一组代表性口服药物的参数。在Ro5的背景下，可靠的log D7.4 值和大小似乎可以解决通透性对口服生物利用度的影响。通过绘制各种尝试通过亲脂性和分子量来定义化学空间的分析中给出的阈值，Hann 和Keseru结合这些阈值，为符合Ro5的药物发现提供了一个“最佳点”。它可以在最小化亲脂性以保证溶解度和当吸收机制不太可能时确保化合物有良好的渗透性。
图1. Hann 和Keseru找出的“最佳点”
图片来源：JMC
形状与柔性
在溶解性和渗透性方面，柔性和拓扑可能是另外两个重要参数。柔性可由可旋转键的数量进行量化，是一种可改善溶解性但限制口服性的特性。逻辑上，考虑化合物的分子形状/拓扑结构对渗透性很重要，但无相关研究证明了此种影响。
混杂性
制剂可以解决溶解度和渗透性的问题，但是更多的亲脂性化合物在其他可开发性方面存在代谢缺陷。用51种检测方法对GSK的扩展交叉筛选数据进行了分析，结果显示，随着亲脂性和芳香性的增加，混杂和脱靶倾向的风险正不断增加。
5规则之外
人们一直对Ro5之外的化学空间感兴趣，因为一些难药靶标往往具有较大的高亲脂性/极性和柔性/相对平坦的结合位点。增加分子量可能导致logP，HBA/HBD的增加和溶解性的降低，这表明在Ro5空间之外的操作可能会给项目的成功带来风险。从Shultz口服药物组中可以看到，大多数药物实现全部暴露均符合HBD<5和clog P<5准则。
通过分析违反Ro5规则的分子，Doak及同事提出了进一步细分的建议，扩展五规则化合物（eRo5）具有以下特征：MW：500~700 Da，clog P=0~7.5，HBD≤5，HBA≤10，PSA≤200Å2 ，NRB≤20；超越五规则化合物（bRo5）的特征为：MW>500 Da和MW：700~3000 Da，clog P<0 或>7.5，HBD>5，HBA>10，PSA>200Å2 。这些定义进一步描述了接近Ro5限制条件的分子，以及超越Ro5指导原则但仍实现了口服暴露的分子。
Ro5之外的分子设计的难处在于如何缓解随着分子量的增加而升高的亲脂性。需要控制适当的亲脂性来实现溶解度和渗透性之间微妙的平衡。为了满足这些要求，一种新兴的策略是设计一种分子，使其具有采用离散构象以适应极性和非极性环境的能力，称为动态亲脂性。这可以通过使用有效的PSA（测量值）或3D PSA（预测值）来量化此参数。
通过分析众多AbbVie的项目中eRo5和bRo5化合物的药代动力学数据，得出了一个有用的预测参数AB-MPS，由clog D7.4 -3的绝对值加上芳香环的数量（#Ar）加上可旋转键的数量（NRB）得到，这三项均与口服生物利用度有关。当AB-MPS的值小于14时，观察到口服暴露的机会增加。NRB能降低渗透率，影响动态亲脂性。GSK化合物中计算的人工膜渗透分数AMP与AB-MPS分数在各MW范围内区别较明显，中位数AB-MPS随着MW的增加而增加。这些特定作用于bRo5的参数是度量被动渗透的有用预测因子。对转运蛋白的bRo5分子的作用了解甚少。eRo5化合物具有类似于Ro5化合物的溶解度和渗透率模式，bRo5化合物与Ro5的溶解度模式总体相似，但平均溶解度较小，值分布较宽。bRo5的渗透率看起来有很大不同，该领域需要进一步探索。
总结
本文重新评估了Ro5并证明了其价值，Ro5大大提高了药物开发的效率但不是万无一失的。其中最需要注意的是clog P可能存在缺陷，log D7.4 是影响力最大的参数。MW总是超出Ro5定义且对溶解度影响较小，显得并不那么重要。eRo5和bRo5同样也能为药物发现提供见解。重要的是需要用事实如理化数据及其揭示的模式来建立信息性原则而不是严格的规则来指导药物发现。
参考文献
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