
▲ Arbutin (T0473,CAS: 497-76-7)的化学结构式


▲ 通过41天的进化实验、耐受药物浓度变化监测、梯度浓度下生长速率测定、IC₅₀归一化分析及无药条件下生长曲线测定,综合证实Arbutin作为双靶点抑制剂(folB/folX)可有效限制大肠杆菌耐药性的发展,其诱导的耐受水平提升幅度显著低于单靶点抑制剂,且伴随适度的生长适应性代价。
Arbutin (T0473) 在研究中被证实通过干扰叶酸生物合成通路产生抑菌作用:提高细胞内 folB 或 folX 的丰度可减轻 Arbutin 介导的生长抑制,且模型指出 Arbutin 诱导的生长抑制源于其对叶酸通路中 folB 与 folX 功能的抑制性干扰。拉曼滴定实验显示其与靶蛋白存在配体浓度依赖且可饱和的结合,随浓度升高相互作用特异的酰胺 I 信号增强并趋于饱和。拟合得到的表观解离常数分别为 folB 的 13.68 μM 与 folX 的 10.55 μM,并与体内效力一致:IC50 为 0.08–0.27 μg/mL(约 0.3–1.0 μM),支持这些结合作用具有生理相关性。研究还指出 Arbutin 的抑制表型对叶酸状态高度敏感,进一步印证其作用与叶酸通路紧密相关。在长期进化实验中,Arbutin 被描述为双靶点并能施加强进化约束,相较于仅针对 folB 或 folX 的抑制剂更能限制适应性途径。这些证据共同表明,目标基因过表达的拯救效应、低微摩尔量级的直接结合、抑制表型对叶酸的响应性,以及双靶点带来的进化限制,共同界定了 Arbutin 在叶酸合成通路中的作用机理。[3]
■ 2.2 From Local Tissue Repair to Fibrosis: Deciphering Gene Co-Expression Networks in Benign Pulmonary Nodules and Idiopathic Pulmonary Fibrosis Comorbidity via Bioinformatics and Machine Learning.


▲ 通过分子对接及结合能热图分析证实,Arbutin与MME靶点具有良好的预测结合亲和力。
Arbutin (T0473) 在本研究中被纳入候选小分子,其选择依据为与ANKRD23和MME相关生物通路的潜在关联。基于此筛选逻辑,研究进一步进行了分子对接评估候选化合物与受体蛋白的相互作用特征。对接结果显示,除特定对照分子外,其余候选均表现为强结合,结合自由能低于−7.0 kcal/mol,Arbutin 属于该强结合范围之列,提示其在所采用的计算框架下具有较优的预测亲和力。除计算结果外,文中还引用既有研究指出,Arbutin 在变应性鼻炎动物模型中展现出抗炎与抗过敏活性。上述证据共同表明,Arbutin 兼具已报道的抗炎、抗过敏生物学活性与本研究中所见的较强预测结合能力,并与作者围绕ANKRD23与MME通路相关性的候选化合物识别目标相一致。[4]
■ 3. 结语
Arbutin 主要通过作为酪氨酸酶的底物类似物抑制剂,结合酶的活性位点,减少邻醌中间体的生成,从而降低黑色素生成。文献表明,Arbutin 是探究酪氨酸酶结构功能关系及调控色素形成的可靠工具。此外,Arbutin 通过双靶点作用抑制细菌叶酸生物合成,限制适应性进化,并展示出与ANKRD23和MME通路相关的抗炎、抗过敏活性。未来研究可进一步挖掘 Arbutin 在色素病变、细菌感染及炎症疾病中的治疗潜力,以及其在药物发现中对特定通路的调控应用。
■ 4. Q&A
Q1: Arbutin 主要通过何种机制抑制黑色素生成?
A1: Arbutin 作为酪氨酸酶的底物类似物抑制剂,结合酶活性位点,减少邻醌中间体的生成,从而降低黑色素生成通量。
Q2: 文献中还支持 Arbutin 具备哪些其他生物学活性?
A2: 文献表明 Arbutin 可通过双靶点抑制细菌叶酸生物合成中的 folB 和 folX,限制细菌适应性进化,并具有与 ANKRD23 和 MME 通路相关的抗炎和抗过敏活性。
Q3: Arbutin 在酪氨酸酶相关研究中常被如何应用?
A3: Arbutin 被用作探究酪氨酸酶结构功能的工具化合物,用于定量细胞内黑色素含量及酶活变化,并作为酪氨酸酶抑制测定的阳性对照,便于归一化和构效关系分析。
■ 5. 参考文献
[1] Chang TS. An updated review of tyrosinase inhibitors. Int J Mol Sci. 2009;10(6):2440-2475.
[2] Parvez S, Kang M, Chung HS, et al. Survey and mechanism of skin depigmenting and lightening agents. Phytother Res. 2006;20(11):921-934.
[3] Sanyal D, Chen Y, Ho C, McClelland A, Chowdhury S, Shakhnovich E. Co-targeting Metabolic Neighbours Constraints Bacterial Adaptive Evolution.. bioRxiv : the preprint server for biology. 2026;():.
[4] Xie Y, Gao J, Ren Y, Sun X, Lou S, Yan G, et al.. From Local Tissue Repair to Fibrosis: Deciphering Gene Co-Expression Networks in Benign Pulmonary Nodules and Idiopathic Pulmonary Fibrosis Comorbidity via Bioinformatics and Machine Learning.. International journal of molecular sciences. 2026;27(8):.