张力螺杂环作为药物发现中具有价值的三维生物电子等排体，正日益受到重视。这些刚性的三维分子框架为制药行业提供了一种潜在的解决方案，以“逃离平面化”困境。与传统的平面芳香族化合物相比，它们提供的骨架能更好地与复杂的生物结合位点互补。尽管螺[3.3]庚烷的有益特性已得到广泛证实，但其低级同系物螺[2.3]己烷——一种由三元环与四元环通过共享螺碳原子稠合而成的张力子集，由于合成难度大且生物学数据有限，在很大程度上仍未被开发。
这是一个被错失的机会，因为除了刚性的几何结构外，这些张力螺环系统还能诱导增强靶点选择性、改善溶解度、提高代谢稳定性并减少脱靶效应。此外，它们还在此前无法触及的化学空间中提供了新的知识产权优势。
研究人员如何才能更好地获取这些基序，以了解潜在的靶点-配体相互作用，并预测哪些三维候选物在药物开发中最具前景？为了回答这个问题，由意大利巴里大学“A. Moro”的 Renzo Luisi 教授领导的科学家团队开发了一种合成九种螺[2.3]己烷类似物的新方法，并利用 CAS BioFinder® 中新的人工智能驱动预测分析来评估它们作为生物活性化合物的潜力。该项目获得了欧盟“地平线欧洲”框架计划下 SusPharma 项目（授权协议 101057430）的资助。这项研究的完整结果最近已作为 《德国应用化学》（Angewandte Chemie International Edition）上的一篇研究文章发表。
该方法通过实现基于文献的快速 计算机模拟 配体-靶点相互作用和药理潜力评估，成为加速该领域研究的一种实用途径，从而有助于从这一未被充分探索的化学领域中发现一类新的治疗相关分子。
螺[2.3]己烷的优势与合成挑战
“逃离平面”（escape from flatland）和“构象限制”概念表明，增加候选药物中 sp³杂化碳中心的比例，与化合物从发现阶段到临床获批过程中更高的成功率相关。张力大、 sp³含量高的螺环骨架满足这些标准，使其成为药物发现中极具价值的结构基元，并受到药物化学家的青睐。
迄今为止，药物化学家已将大量精力投入到含杂原子的螺[3.3]庚烷（两个螺环稠合的四元环）的研究中，并正在探索将其作为哌嗪或吗啉等传统非张力杂环的生物电子等排体替代物。这些研究已经 表明 ，引入此类张力大、 sp³含量高的基元，可以获得理化性质得到改善并能进入临床试验的化合物。
对 CAS SciFinder® 中的出版物数据进行分析后发现，螺[3.3]庚烷具有很高的实用价值，这得益于已报道的大量合成衍生物，以及围绕该骨架的大量专利申请和学术出版物（见图 1）。尽管其低级同系物螺[2.3]己烷在过去五年中引起了越来越多的学术关注，如图 2 中相关出版物数量的增加所示，但对其生物电子等排潜力的系统性研究仍然缺乏。尽管它们具有相当的理化性质和已报道的生物活性（包括对 HDAC1/3 的抑制作用），但情况依然如此。 和 HIPT1.
表1中呈现的综合 CAS SciFinder 数据展示了文献中报道的九种不同螺[2.3]己烷结构基序的普遍性。值得注意的是，大多数螺[2.3]己烷的杂环类似物仍未得到充分开发，学术报告有限，且几乎没有或完全没有发现相关的专利申请。
![Figure 1 - Prevalence of spiro[3.3]heptanes in literature Bar chart comparing the prevalence of spiro[3.3]heptane scaffolds and heteroatom-containing analogues across academic publications and patent literature, sourced from CAS SciFinder.](https://cdn.prod.website-files.com/650867962272bf8f15c1034b/69cd614238a95ceede861a8e_download.avif)
![Figure 2 — Publication trend for spiro[2.3]hexane Line graph showing a rising publication trend for spiro[2.3]hexane substructures over the past five years, indicating growing academic interest in this scaffold. Source: CAS SciFinder.](https://cdn.prod.website-files.com/650867962272bf8f15c1034b/69cd61887aa09736cca5bbf3_download.avif)
![Table 1 — Prevalence of spiro[2.3]hexanes in literature Table showing the prevalence of nine spiro[2.3]hexane structural motifs and heteroatom-containing analogues in academic and patent literature, with most heterocyclic analogues remaining underdeveloped.](https://cdn.prod.website-files.com/650867962272bf8f15c1034b/69cd61c3856a8a53d34269cd_download.avif)
与高效引入此类基序相关的合成挑战，加上化学反应性和稳定性数据的匮乏，很可能限制了它们在药物研究中的广泛应用。
螺[2.3]己烷的传统合成方法通常通过环氧化、氮杂环丙烷化或环丙烷化反应，将三元环安装在预先组装好的四元骨架上 [见方案 1A (i)]。然而，这些方法通常需要苛刻的条件，对官能团的耐受性较差，且缺乏模块化，因为改变三元环上的取代基需要重新合成前体。
最近出现了一种基于分子内 应变释放 的双环[1.1.0]丁烷反应，实现了对螺[2.3]己烷骨架的模块化构建 [见方案 1A (ii)]。然而，该方法仍依赖于活性中间体，且无法用于制备环丙烷和氧杂环丁烷衍生的螺环类似物。
为了解决上述缺陷并快速获取含杂原子的螺[2.3]己烷库，研究团队设计了新型含四元环的锍盐，这些盐可在温和条件下转移至一系列 π-亲电试剂（烯烃、羰基化合物和亚胺），通过 Johnson-Corey-Chaykovsky 型反应，以模块化方式组装出九种不同的螺[2.3]己烷基序，如方案 1B 所示。
A)
![Scheme 1A & 1B — Synthesis approaches Reaction scheme comparing traditional synthesis routes for spiro[2.3]hexanes with a novel modular approach using four-membered-ring sulfonium salts via Johnson-Corey-Chaykovsky-type reaction.](https://cdn.prod.website-files.com/650867962272bf8f15c1034b/69cd61ffb82e2069ad7c8e7b_download.avif)
B)
![Scheme 1A & 1B — Synthesis approaches Reaction scheme comparing traditional synthesis routes for spiro[2.3]hexanes with a novel modular approach using four-membered-ring sulfonium salts via Johnson-Corey-Chaykovsky-type reaction.](https://cdn.prod.website-files.com/650867962272bf8f15c1034b/69d657716a7b3d6abd3b4ef7_scheme_1_b.avif)
方案 1. A) 合成螺[2.3]己烷的现有技术方法。B) 以含四元环的锍盐为关键前体，构建螺[2.3]己烷骨架及其含杂原子类似物的合成方案。
螺[2.3]己烷的合成
为实现方案 1B 中所示的设计方案，开发了三种带有四元环的新型锍基试剂 1-3 （环丁烷、氧杂环丁烷和氮杂环丁烷）。研究发现，带有四元环的芳基硫醚是关键中间体，将其氧化为亚砜，再与 1,3,5-三甲氧基苯和三氟甲磺酸酐反应，转化为锍盐。该路线可扩展至多克级规模，且所得试剂为性质稳定的自由流动固体，这意味着它们在实验室中易于操作，为该方法增添了重要的实用性。制备的详细信息可 在原始文章中找到。
在优化所需的 Johnson-Corey-Chaykovsky 反应后，通过获取代表所有九种螺[2.3]己烷核心的 60 多种底物，展示了该合成策略的实用性和模块化，实现了所有预定目标。方案 2 展示了一些代表性示例。例如，与一系列缺电子烯烃（包括苯乙烯、乙烯基亚砜、丙烯酸酯和丙烯酰胺）反应，可得到所需的螺[2.3]己烷，并允许引入药物相关的核心，如来氟米特衍生物。锍盐对富电子和缺电子烯烃的不同反应性表明，该反应是通过叶立德的亲核攻击而非卡宾插入进行的。通过与酮和醛反应可获得相应的环氧化物衍生物，这适用于活性药物成分非诺贝特的引入。最后，通过锍盐与亚胺反应可获得含氮杂环丙烷的类似物 1-3 。该策略还通过亚胺氮的简便功能化，实现了将螺[2.3]己烷基序安装到复杂亚胺中。因此，成功合成了包含塞来昔布核心的螺氮杂环丙烷，以及同时带有塞来昔布和非诺贝特核心的螺氮杂环丙烷，证明了该方法能够提供具有螺[2.3]己烷基序的类药分子（见方案 2）。值得注意的是，无论四元环的性质如何，反应均能顺利进行，从而能够获得含杂原子的螺[2.3]己烷衍生物。
![Scheme 2 — Synthesis of spiro[2.3]hexanes Reaction scheme illustrating modular synthesis of over 60 spiro[2.3]hexane substrates, including drug-like molecules incorporating celecoxib and fenofibrate cores.](https://cdn.prod.website-files.com/650867962272bf8f15c1034b/69cd60e361448861e8d34a0b_48bdf1c5.avif)
螺[2.3]己烷类似物生物电子等排潜力的系统性评估
所有九种螺[2.3]己烷类似物的可获得性，使得对其生物电子等排潜力进行系统性研究成为可能，这与螺[3.3]庚烷的研究类似。迄今为止，尚未对这些 结构基元 进行彻底的系统性表征。
为了执行此项评估，我们开发了一种生物电子等排体识别策略，其三步工作流程如方案 3 所示。
第一步：基于聚类的方法识别具有共同理化性质的杂环：
首先，采用一种 无监督学习方法 ，将所有九种获得的（含杂原子）螺[2.3]己烷核心与一个包含 70 多种常用药物发现杂环的虚拟数据库进行比较，以确定螺[2.3]己烷与药物化学中常用杂环之间潜在的生物电子等排性。
因此，所有结构均经过 DFT 优化（ωB97XD3BJ/631++G(d,p)），以获得能量最小化的三维构象及其相关性质。我们选择并使用 RDKit 计算了一维（分子量、杂原子计数）、二维（类药性、logP、拓扑极性表面积）和三维（偶极矩、最佳拟合平面、非球形度）分子描述符，以实现理化性质的比较和类药性的评估。
为确保统计分析的稳健性，我们对描述符进行了人工检查，并排除了 log₁₀(VIF) ≥ 5 的描述符。通过主成分分析 (PCA) 和 k-Medoids 进行降维 聚类 实现了高维数据集的可视化。PCA 降低了化学空间的维度并评估了描述符的贡献，而 k-Medoids 聚类则基于轮廓系数分析确定了五个不同的簇 (k = 5)。
九个螺[2.3]己烷类似物中有八个与具有药学意义的杂环（异恶唑（见于来氟米特）和吡啶）聚在一起。尽管处于不同的簇中，哌啶在空间上仍表现出与螺[2.3]己烷核心的邻近性。在 3D PCA 空间中，哌啶和 5-氮杂螺[2.3]己烷的平均簇内距离分别为 3.20 ± 0.76 和 2.28 ± 1.11，而簇间距离仅为 1.69，证实了其理化性质的相似性。同样，螺[2.3]己烷的平均簇内距离为 3.59 ± 1.18，与哌啶的距离为 3.18。与哌啶相比，螺[2.3]己烷、5-氮杂螺[2.3]己烷和 5-氧杂螺[2.3]己烷表现出相似的分子体积（这对结合位点的相容性至关重要）以及更优的 3D 类药性指标 (PBF)。值得注意的是，5-氮杂螺[2.3]己烷表现出相当的偶极矩，但应变能有所增加。聚类的邻近性和分子描述符的相似性支持 5-氮杂螺[2.3]己烷作为一种有前景的张力哌啶生物电子等排体（见表 2）。
![Table 2 — Molecular properties comparison Table comparing molecular descriptors of spiro[2.3]hexane analogues against piperidine, with delta values in blue highlighting physicochemical similarities supporting bioisosteric potential.](https://cdn.prod.website-files.com/650867962272bf8f15c1034b/69cd63169a4113acea38b41c_download.avif)
第 2 步。利用人工智能驱动的靶点-配体相互作用预测，优化特定生物靶点的候选药物筛选：
在确定了 计算机模拟 与哌啶的潜在相似性后，我们通过一个实际案例验证了这一假设。哌替啶是一种含哌啶的 μ-阿片受体激动剂，因其与当前方法论的结构相容性以及对更安全替代药物的临床需求（考虑到有毒的去甲哌替啶代谢物的形成），被选为测试案例（见图 3a）。为了确定最有可能对 μ-阿片受体具有活性的类似物，并优先筛选用于 体外 测试的候选药物，我们采用了人工智能增强的预测分析。为此，我们选择了 CAS BioFinder。该平台实现了快速、数据驱动的 计算机模拟 通过对从科技文献中提取的经收录的化学-生物关系进行蛋白质-配体相互作用建模，来预测药理活性。应用迭代预测分析工作流程，评估了含有 5-氮杂螺[2.3]己烷核心的哌替啶类似物对人类 μ-阿片受体的作用（见图 3b）。
初始筛选（pAct 和置信度评分；表 3）确定了类似物 4 和 5 具有前景，其预测的 pAct 值分别为 6.54 和 5.92。经聚类分析确定为前景不佳的螺[2.3]己烷和 5-氧杂螺[2.3]己烷类似物（6 和 7）未显示出预测活性。在这些结果的指导下，通过调节酯侧链进一步探索了 5-氮杂螺[2.3]己烷衍生物。将乙酯替换为甲基（8）或异丙基（9）基团仅导致预测的 pAct 值略有下降（分别为 6.50 和 6.48）。有趣的是，引入氮杂环丁烷酯 （10）显著提高了预测活性（pAct 7.22），而氧杂环丁烷酯 （11）显示对评估靶点无预测活性。
![Table 3 — AI-driven target interaction predictions Table of AI-predicted activity values (pAct) and confidence scores for spiro[2.3]hexane analogues against the human μ-opioid receptor, generated using CAS BioFinder predictive analytics.](https://cdn.prod.website-files.com/650867962272bf8f15c1034b/69cd63aede6a3f875713e763_download.avif)
步骤 3。 体外 验证与所选靶点具有高相互作用概率的优先配体：
为了通过实验评估该预测分析方法，我们对针对 μ-阿片受体预测活性（pAct）最高的三个配体（化合物 4、 8以及 10) 被选中用于 体外 测试，同时使用螺[2.3]己烷 6 作为阴性对照。所有这些化合物均采用所开发的方法合成，并使用无标记结合测定法（EnSpire 平台，PerkinElmer）进行评估，该测定法采用了表达 μ-阿片受体的 SHSY5Y 神经母细胞瘤细胞。通过检测折射率变化的光学生物传感器对系列稀释液（0.03–150 μM）进行了分析，并使用已知的 μ-阿片受体激动剂 DAMGO 作为阳性对照。
剂量-反应分析显示所有受试化合物均具有微摩尔级的结合活性（10–39 μM），证实了其与 μ-阿片受体的结合（见图 4）。观察到的预测活性化合物（4、 8和 10）的结合情况与 计算机模拟 预测结果一致，验证了 5-氮杂螺[2.3]己烷核心作为取代哌啶生物电子等排体的适用性。类似物 10在 CAS BioFinder 上预测的 pAct 值最高，且表现出最佳的结合活性（10 μM）。
虽然无监督学习能够识别出普遍适用的生物电子等排骨架，但人工智能驱动的靶点预测有效地优先筛选出了用于实验验证的候选物。值得注意的是，化合物 6尽管在聚类分析中与哌啶结构接近，但被预测为无活性，然而它也显示出可测量的结合活性，这凸显了预测模型在应用于现有训练数据中代表性有限的骨架时存在的局限性。
![Figure 4 — In vitro binding activity results Dose-response graph showing micromolar binding activity (10–39 μM) of prioritized spiro[2.3]hexane ligands at μ-opioid receptors, validating AI-driven predictions from CAS BioFinder.](https://cdn.prod.website-files.com/650867962272bf8f15c1034b/69cd63f5b5c481c802e57b91_download.avif)
药物研发中生物电子等排体识别的新方法
开发了一种简单、通用且对官能团具有良好耐受性的策略，利用三种新型锍盐试剂合成此前未被充分探索的螺[2.3]己烷类似物。该合成平台被证明具有广泛的适用性，缺电子烯烃、羰基化合物（酮和醛）以及亚胺可分别作为有效的反应配体，用于形成螺环环丙烷、环氧化合物和氮杂环丙烷。研究共报道了超过 60 个实例，凸显了该方法的通用性和稳健性。
在合成开发之外，利用一个集成的 计算机模拟 工作流程，系统地评估了螺[2.3]己烷的生物电子等排潜力，该流程结合了无监督学习和人工智能增强的预测分析。CAS BioFinder 的应用实现了基于从科技文献中提取的收录化学-生物关系的蛋白质-配体相互作用的数据驱动预测。通过在短短几分钟内将候选化合物列表从 66 个缩小到 4 个潜在候选者，CAS BioFinder 仅在此单一项目中就节省了至少 15,000 美元的外部测试费用，并将从最初项目设计到生物验证的整体项目周期缩短至八个月。若无 CAS BioFinder，类似项目通常需要数年时间。
该分析根据 5-氮杂螺[2.3]己烷的预测结构和相互作用特征，将其确定为一种有前景的哌啶生物电子等排体。以产科镇痛中使用的含哌啶 μ-阿片受体激动剂哌替啶作为模型系统，该假设随后通过 体外 结合研究得到了验证。
总而言之，这项工作展示了现代人工智能驱动的预测工具（如 CAS BioFinder）如何通过指导目标导向的化合物选择，并加速从发现新化学空间到生物评估之间的时间线，从而对合成化学形成补充 体外。借助 CAS BioFinder 透明且有据可查的预测，合成化学家可以更轻松地识别出那些最初无法通过合理药物设计所设计的全新分子的目标。从 体外 测试开始，使用更短、经过预筛选的候选列表，通过预验证和聚焦，降低了 体外 测试的风险和成本。
预计本文所述的锍盐试剂将在有机合成中得到更广泛的应用，而这种通往螺[2.3]己烷的模块化路线，结合预测分析，将促进对这些基序作为药物化学中重要核心的进一步探索。
---
点击此处观看录像 在本次网络研讨会中，Natho 博士演示了一个实用的、由人工智能驱动的工作流程，该流程能更快速、更高效地找到合适的分子骨架。他们展示了灵活的新合成方法与人工智能驱动的预测分析相结合，如何在投入昂贵的实验室测试之前，快速识别出最有前景的候选药物。
---
P.Natho, A.Vicenti, F.Mastrolorito, F.De Franco, L.Walsh-Benn, M.Colella, E.Mesto, E.Schingaro, O.Nicolotti, A.Gioiello, R.Luisi, Angew. Chem. Int. Ed. 2026, 65, e21633. https://doi.org/10.1002/anie.202521633
