開發(fā)靶向治療性蛋白質(zhì)的大環(huán)結(jié)合劑（例如大環(huán)肽），通常依賴于大規(guī)模篩選方法，這種方法資源消耗大，且對(duì)結(jié)合模式的控制很少。盡管蛋白質(zhì)設(shè)計(jì)領(lǐng)域已取得重大進(jìn)展，但目前仍缺乏從頭設(shè)計(jì)結(jié)合蛋白質(zhì)的大環(huán)化合物的可靠方法。
2025 年 6 月 20 日，諾貝爾獎(jiǎng)得主、蛋白質(zhì)設(shè)計(jì)先驅(qū)、華盛頓大學(xué) David Baker 教授團(tuán)隊(duì)在 Nature 子刊 Nature Chemical Biology 上發(fā)表了題為：Accurate de novo design of high-affinity protein-binding macrocycles using deep learning 的研究論文。
該研究開發(fā)了一種從頭設(shè)計(jì)大環(huán)肽的新框架——RFpeptides，實(shí)現(xiàn)了精確的從頭設(shè)計(jì)與目標(biāo)蛋蛋白質(zhì)具有高親和力的大環(huán)肽。
大環(huán)肽（Macrocyclic peptide）為開發(fā)介于小分子藥物和大分子生物制劑之間的新型治療藥物提供了一條充滿希望的途徑。生物制劑雖然能夠以高親和力和高選擇性結(jié)合多種治療靶點(diǎn)，但由于其體積大且極性高，通常無(wú)法穿過(guò)細(xì)胞膜，因而僅限于細(xì)胞外靶點(diǎn)。相反，小分子能夠進(jìn)入細(xì)胞內(nèi)靶點(diǎn)，但對(duì)于缺乏深疏水口袋的蛋白質(zhì)而言，它們并非理想的靶向選擇。原則上，介于小分子和蛋白質(zhì)之間的大環(huán)肽，可以調(diào)控傳統(tǒng)治療手段無(wú)法觸及的分子靶點(diǎn)。開發(fā)靶向蛋白質(zhì)的蛋白質(zhì)結(jié)合大環(huán)肽，將會(huì)有許多診斷和治療方面的應(yīng)用。
傳統(tǒng)上，肽類藥物的研發(fā)依賴于天然產(chǎn)物的發(fā)現(xiàn)，或者利用展示技術(shù)對(duì)數(shù)以萬(wàn)億計(jì)的隨機(jī)肽進(jìn)行高通量篩選以尋找與靶點(diǎn)結(jié)合的肽。然而，天然產(chǎn)物的發(fā)現(xiàn)面臨諸多挑戰(zhàn)，尤其是合成困難、穩(wěn)定性差以及已發(fā)現(xiàn)的活性物質(zhì)對(duì)突變的耐受性低等問(wèn)題。盡管高通量篩選方法十分強(qiáng)大，但其耗時(shí)、耗資且費(fèi)力，并且只能涵蓋大環(huán)化合物豐富化學(xué)和結(jié)構(gòu)多樣性中的一小部分。此外，由于要實(shí)現(xiàn)這些功能特性需要對(duì)結(jié)構(gòu)進(jìn)行精確控制，這類方法往往無(wú)法同時(shí)優(yōu)化多種生物物理特性，例如靶點(diǎn)結(jié)合、選擇性和膜通透性。
結(jié)構(gòu)導(dǎo)向設(shè)計(jì)方法為文庫(kù)篩選方法提供了一種互補(bǔ)途徑，能夠快速在計(jì)算機(jī)中探索大量化學(xué)和結(jié)構(gòu)多樣性，從而設(shè)計(jì)出靶向治療靶點(diǎn)的大環(huán)結(jié)合劑。
David Baker 團(tuán)隊(duì)之前開發(fā)了基于物理原理的方法，通過(guò)借鑒已描述的結(jié)合配體的基序或相互作用作為錨點(diǎn)，來(lái)設(shè)計(jì)靶向蛋白質(zhì)靶點(diǎn)的超穩(wěn)定約束肽、結(jié)構(gòu)化大環(huán)和結(jié)合劑。然而，盡管利用這些方法設(shè)計(jì)單體大環(huán)化合物時(shí)觀察到了很高的準(zhǔn)確性，但在設(shè)計(jì)蛋白質(zhì)結(jié)合大環(huán)化合物方面卻成果有限，僅獲得了中等的結(jié)合親和力，而且在很多情況下，實(shí)驗(yàn)測(cè)定的結(jié)構(gòu)與設(shè)計(jì)模型并不一致。
此外，近期還有研究利用 AlphaFold2 或其他基于深度學(xué)習(xí)的方法來(lái)預(yù)測(cè)大環(huán)化合物和大環(huán)-靶點(diǎn)復(fù)合物的結(jié)構(gòu)，以設(shè)計(jì)與蛋白質(zhì)靶點(diǎn)結(jié)合的肽類結(jié)合劑。然而，迄今為止，這些方法尚未得到廣泛的結(jié)構(gòu)驗(yàn)證，也未顯示出能夠穩(wěn)健地對(duì)與各種蛋白質(zhì)靶點(diǎn)形成復(fù)合物的環(huán)肽結(jié)構(gòu)進(jìn)行原子級(jí)精度的從頭設(shè)計(jì)。僅利用蛋白質(zhì)的結(jié)構(gòu)或序列信息就能從頭準(zhǔn)確設(shè)計(jì)出高親和力大環(huán)結(jié)合劑的計(jì)算方法，對(duì)于更廣泛的治療應(yīng)用是必需的。
研究團(tuán)隊(duì)認(rèn)為，近期生成式人工智能領(lǐng)域的突破，可被用于實(shí)現(xiàn)對(duì)大環(huán)結(jié)合劑的準(zhǔn)確且高效的設(shè)計(jì)。諸如 RFdiffusion 之類的蛋白質(zhì)設(shè)計(jì)擴(kuò)散模型經(jīng)過(guò)訓(xùn)練，能夠從隨機(jī)初始化的氨基酸殘基作為起點(diǎn)生成多樣化的蛋白質(zhì)結(jié)構(gòu)，并在設(shè)計(jì)蛋白質(zhì)單體、結(jié)合劑以及中大型蛋白質(zhì)的對(duì)稱寡聚體方面取得了顯著成功。
然而，盡管基于人工智能的蛋白質(zhì)設(shè)計(jì)方法在近期取得了相當(dāng)大的進(jìn)展，但這些方法并不容易應(yīng)用于設(shè)計(jì)大環(huán)肽。由于用于訓(xùn)練此類模型的實(shí)驗(yàn)數(shù)據(jù)有限，從零開始開發(fā)類似的肽設(shè)計(jì)方法一直頗具挑戰(zhàn)性。
為應(yīng)對(duì)這些挑戰(zhàn)，研究團(tuán)隊(duì)擴(kuò)展了 RoseTTAFold2（RF2）結(jié)構(gòu)預(yù)測(cè)網(wǎng)絡(luò)和 RFdiffusion 蛋白質(zhì)骨架生成框架，以納入循環(huán)相對(duì)位置編碼，進(jìn)而推出了 RFpeptides，這是一個(gè)基于去噪擴(kuò)散（denoising diffusion）的流程，用于從頭設(shè)計(jì)靶向目標(biāo)蛋白的大環(huán)肽。
研究團(tuán)隊(duì)針對(duì)四種不同蛋白質(zhì)（MCL1、MDM2、GABARAP 和 RbtA）分別測(cè)試了不超過(guò) 20 種設(shè)計(jì)的大環(huán)肽，并對(duì)所有靶標(biāo)均獲得了中高親和力的結(jié)合劑。 其中，對(duì)于 RbtA，僅基于預(yù)測(cè)的靶標(biāo)結(jié)構(gòu)就設(shè)計(jì)出了高親和力結(jié)合劑（Kd < 10 nM）。
進(jìn)一步結(jié)構(gòu)解析線索，從頭設(shè)計(jì)的大環(huán)肽結(jié)合的 MCL1、GABARAP 以及 RbtA 復(fù)合物的 X 射線晶體結(jié)構(gòu)均與計(jì)算模型高度吻合，相對(duì)于設(shè)計(jì)模型的 Cα 原子均方根偏差（Cα RMSD）小于1.5 Å。
合作咨詢
肖女士
021-33392297
Kelly.Xiao@imsinoexpo.com
2006-2025 上海博華國(guó)際展覽有限公司版權(quán)所有（保留一切權(quán)利）
滬ICP備05034851號(hào)-57
