Prifetrastat

引文格式 谭玉靓，马飞. 组蛋白乙酰转移酶抑制剂在激素受体阳性/HER-2阴性乳腺癌中的研究进展[J/OL]. 中华乳腺病杂志（电子版），2026，20（4）：207-212. DOI：10. 3877/cma. j. issn. 1674-0807. 2026. 04. 002 基金项目 国家科技重大专项（2023ZD0502200） 作者单位 100021 北京，国家癌症中心/国家肿瘤临床医学研究中心/中国医学科学院北京协和医学院肿瘤医院肿瘤内科 通信作者 马飞，Email：drmafei@126.com 【摘要】 激素受体阳性/HER-2阴性（HR+/HER-2-）乳腺癌是占比最高的乳腺癌亚型，其晚期患者的一线标准治疗为细胞周期蛋白依赖性激酶4/6抑制剂（CDK4/6i）联合内分泌治疗。在后CDK4/6i时代，应用组蛋白乙酰转移酶抑制剂（HATi）是一类全新、有效的表观遗传治疗策略。其中，靶向KAT6A分子的抑制剂通过调节肿瘤细胞的乙酰化及其下游通路，抑制HR+/HER-2-乳腺癌的雌激素信号转导，从而逆转内分泌耐药。本文总结了组蛋白乙酰转移酶在乳腺癌发生发展中的分子机制、HATi治疗HR+/HER-2-乳腺癌的研究进展，探索HATi在HR+/HER-2-乳腺癌中的应用策略和治疗前景。 【关键词】 乳腺肿瘤；组蛋白乙酰转移酶；激素受体；内分泌治疗 全文PDF请点击下载 乳腺癌是全球女性发病率最高的恶性肿瘤，严重威胁女性健康。2022年全球共新增230万例乳腺癌病例，占所有癌症病例的25%；乳腺癌导致的死亡病例达67万例，占癌症相关死亡的15. 5%。依据当前的发展趋势，预计到2050年，全球乳腺癌新发病例将达到320万例，死亡病例将达到110万例，分别比2022年增加38%和68%［1］。 激素受体（hormone receptor,HR)阳性/HER-2阴性（HR-positive/HER-2-negative，HR+/HER-2-）乳腺癌在所有乳腺癌亚型中占比最高，约为60%。由于ER和/或PR高表达，该亚型通常对内分泌治疗敏感，预后较好［2-3］。晚期患者的一线优选治疗为细胞周期蛋白依赖性激酶4/6抑制剂（cyclindependent kinase 4/6 inhibitor，CDK4/6i）联合内分泌治疗，可显著改善患者的生存结局［4-5］。复发和耐药是HR+/HER-2-乳腺癌患者终身面临的挑战，亟需新的治疗靶点和后续治疗策略。 组蛋白乙酰转移酶（histone acetyltransferase，HAT）在表观遗传修饰过程中担任“书写者”，执行组蛋白修饰并充当表观遗传标记［6］。HAT参与多种实体瘤和血液肿瘤的发生发展，是表观遗传学中抗肿瘤药物设计的新兴靶点［7-8］。本文收集和整理 HAT抑制剂（HAT inhibitor，HATi）在抗肿瘤治疗中的作用机制及最新进展，探讨 HATi 在HR+/HER-2-晚期乳腺癌患者中的应用前景。 一、HAT在乳腺癌发生发展中的分子机制 组蛋白乙酰化和去乙酰化是最常见的组蛋白修饰类型［9-10］，是动态可逆的两个生物过程。HAT催化组蛋白乙酰化，减少染色质压缩并促进转录因子结合，从而使核心组蛋白N端末端赖氨酸残基的ε-氨基乙酰化［11］。去乙酰化由组蛋白去乙酰转移酶（histone deacetylase，HDAC）催化，通过招募共抑制因子，使染色质恢复到转录因子无法进入的紧凑有序的核小体结构状态［12］。HAT家族主要分为4类：GCN5相关氨基乙酰转移酶（GCN5-related N-acetyltransferase，GNAT）、MYST ［包含赖氨酸乙酰转移酶（lysine acetyltransferase，KAT）5、KAT6、KAT7和KAT8］、CREB结合蛋白（CREB-binding protein，CBP）/E1A相关蛋白p300（EP300）和类固醇受体共激活因子（SRC）［13-14］。HAT通过乙酰化多种组蛋白和非组蛋白，参与调节转录控制、细胞衰老、细胞周期和信号转导等过程［15］。 HAT在乳腺癌中既可作为癌基因，也可作为抑癌基因。KAT5是一种单倍体不足肿瘤抑制因子，在部分乳腺癌患者中观察到KAT5的缺失或低表达与不良预后相关［16-17］。另一项研究表明，KAT5的低表达可降低H3K4Ac，进而促进三阴性乳腺癌MDAMB-231异种移植瘤的进展，但该作用在ER+乳腺癌MCF-7异种移植瘤中未观察到［18］。KAT2A、KAT2B、CBP/EP300和KAT6A可募集到ER反应性启动子，对ER阳性（ER-positive，ER+）乳腺癌细胞的雌激素依赖性增殖至关重要［19-21］。KAT6A蛋白的功能发挥基于KAT6A、BRPF1、ING5和MEAF6组成的四聚体复合物。以乙酰辅酶A作为乙酰基供体，KAT6A促进组蛋白（H3K9、H3K14和H3K23）和非组蛋白（p53）的乙酰化，松弛染色质，激活DNA转录（图1）。 KAT6A在乳腺癌中扩增或过表达的频率约为15%，与ER+乳腺癌患者的不良预后相关［10，19］；而KAT6A抑制可诱导H3K23Ac整体和位点特异性表达缺失，下调早期和晚期ER应答相关基因，增强肿瘤细胞内分泌药物敏感性，进而抑制肿瘤细胞的增殖和侵袭［22-23］。在体外实验中，敲低ATF2（GNAT家族）可降低ER+乳腺癌细胞中与内分泌耐药相关基因的表达［24］。SRC是包括ER和PR在内的类固醇激素受体的转录辅激活因子，其中SRC-1和SRC-3促进内分泌治疗抵抗，并以非ER依赖性的方式激活促癌因子［25-27］。以上证据表明，HAT在HR+乳腺癌患者内分泌治疗应答过程中发挥重要作用。 二、HATi治疗HR+/HER-2-乳腺癌的研究进展 目前开发的HATi主要靶向CBP/EP300和KAT6A/KAT6B［8，10］。CBP/EP300 HATi CPI-1612 和A-485 通过降低ER依赖的基因表达，抑制ER+乳腺癌细胞在体外和体内环境中的生长［28-29］。然而，由于该结构域抑制剂缺乏选择性，临床获益有限。靶向CBP/EP300 BRD虽能改善选择性，但其乙酰化抑制效果不及抑制CBP/EP300 HAT结构域［30］。在ER+乳腺癌中，CBP/EP300 BRD抑制剂GNE-049可下调ER依赖基因的表达和抑制癌细胞的增殖，其抗肿瘤效果与A-485相似［29］。Inobrodib是目前唯一进入1期临床试验的CBP/EP300 BRD抑制剂，试验纳入了乳腺癌患者群体，但其临床前与临床数据尚未披露［8］。 KAT6A/B抑制剂在ER+/HER-2-乳腺癌领域取得了实质性进展。KAT6蛋白的功能发挥基于KAT6A/KAT6B、BRPF1、ING5和MEAF6组成的四聚体复合物。目前，KAT6抑制剂主要作用于KAT6A，涉及PF-07248144、ISM-5043、OP-2、IST-001等。这些小分子KAT6抑制剂通过直接抑制ESR1转录来降低ERα的表达，进而抑制ER信号转导，发挥抗乳腺癌作用［31-34］（图1）。不过目前多数KAT6抑制剂限于临床前研究，仅PF-07248144和OP-3136启动了对应的人体临床试验。 1. PF-07248144 PF-07248144是一种靶向KAT6A和KAT6B的双重抑制剂，以抑制KAT6A为主［35-37］，也是唯一具有1期临床试验结果的KAT6抑制剂（NCT04606446，证据等级ⅡB）。该研究评估了PF-07248144联合氟维司群在CDK4/6i用药后病情进展的ER+/HER-2-晚期乳腺癌患者中的有效性和安全性，涉及CDK4/6i二线治疗（2L）和三线或三线后治疗（3L/3L+）场景［31］。 在2L治疗组，中位随访时间为9. 4（7. 2~11. 0）个月，客观缓解率（objective response rate，ORR）为21. 7%，临床获益率（clinical benefit rate，CBR）为43. 5%，未达到中位无进展生存期（progression-free survival，PFS）的终点。在3L/3L+治疗组中，ORR为40. 0%，CBR为60. 0%，中位PFS为10. 7个月。根据现有数据，在CDK4/6i治疗进展后，KAT6抑制剂PF-07248144联合氟维司群策略的生存结局优于其他用药方案，包括CDK4/6i再挑战、PI3K/AKT/mTOR（PAM）通路抑制剂及新型选择性雌激素受体降解剂（selective estrogen receptor degrader, SERD）类药物［38-42］。HR+/HER-2-晚期乳腺癌患者CDK4/6i治疗进展后不同治疗方案的生存结局见表1［31，40，43-51］。 在安全性方面，最常见的治疗相关不良反应是味觉障碍（36例，83. 7%），但不涉及三级（G3）或以上事件；其次是中性粒细胞减少（28例，65. 1%）、贫血（18例，41. 9%）和疲劳（18例，41. 9%）。G3或以上事件主要表现为骨髓抑制，发生率为58. 1%（25/43例），包括中性粒细胞减少［G3：18例（41. 9%），G4：1例（2. 3%）］、白细胞减少［G3：5例（11. 6%）］和贫血［G3：4例（9. 3%）］。其中中性粒细胞减少可通过剂量下调得到缓解［31］。以上结果表明，KAT6抑制剂联合内分泌治疗具有良好的抗肿瘤活性和耐受性。期待后续2~3期的临床数据。 2. OP-3136 OP-3136是一种选择性靶向KAT6A和KAT6B的KAT6抑制剂，以抑制KAT6B为主［52］。OP-3136的前体化合物包括OP-1到OP-5，其中OP-2、OP-4和OP-5在临床前研究中显示出良好的抗肿瘤效果。在多个过表达KAT6A的ER+/HER-2-乳腺癌细胞株中，这些化合物可有效抑制细胞增殖，该过程伴随H3K23Ac和ERα表达的抑制。这种现象在ESR1突变的乳腺癌细胞系中也能观察到，提示其可能对内分泌耐药的乳腺癌仍有效。在体内ZR-751乳腺癌异种移植模型中，OP-2、OP-4和OP-5导致剂量依赖性的肿瘤生长抑制和肿瘤消退，并伴有可耐受的体重变化。此外，在T47D细胞中，OP-2+哌柏西利+新型SERD类药物palazestrant表现出剂量依赖性的协同作用，提示了一种全新联合治疗策略［52］。目前，OP-3136已进入针对晚期或转移性实体瘤（包括乳腺癌）的Ⅰ期临床试验（NCT06784193）的招募阶段。 三、HATi在HR+/HER-2-乳腺癌的应用策略探索 目前的临床前和临床证据提示，KAT6抑制剂是乳腺癌中最具治疗前景的HATi。基于KAT6抑制剂对ER的特异性抑制作用，其主要靶向人群为ER+/HER-2-乳腺癌患者。ctDNA分析表明，相比PIK3CA/PTEN/AKT1突变的患者（n=19），野生型PIK3CA/PTEN/AKT1患者（n=23）接受KAT6抑制剂治疗的ORR（31. 6%比43. 5%）、CBR（47. 4%比56. 5%）和PFS（7. 3个月比13. 7个月）均有改善，但未公布P值。然而，ESR1突变的患者接受KAT6抑制剂治疗的药物反应和生存结局与ESR1野生型相似，其中，ORR为41. 7%和33. 3%、CBR为50. 0%和55. 5%，PFS为10. 7个月和10. 9个月［31］。这提示，携带PIK3CA/PTEN/AKT1突变的患者可能对KAT6抑制剂耐药，而ESR1突变的患者仍然能从KAT6抑制剂的治疗中获益。虽然该结果来源于初步的生物标志物分析，但它为肿瘤专家筛选KAT6抑制剂敏感人群提供了方向。 理想的应用策略应为内分泌治疗联合KAT6抑制剂，而不是单药治疗。在目前披露的1期临床试验中，这种联合策略显示出良好的安全性和抗肿瘤疗效。最新证据表明，PF-07248144联合Menin抑制剂在内分泌耐药的ER+乳腺癌临床前模型中具有协同作用，其抗肿瘤疗效与新型SERD类药物艾拉司群相当［23］。这些结果可为后续在目标患者群体中推进该联合治疗策略的开发提供理论支撑。 此外，通过新兴化学诱导接近技术开发更精确的HATi，或许可以实现肿瘤特异性转录重编程，进一步扩大HATi的治疗窗口，同时减轻不良反应。在临床前模型中，基于PROTAC的KAT6A靶向药物可明显降解KAT6A［53］。另一种称为乙酰化靶向嵌合体（acetylation targeting chimera，AceTAC）的新技术在KAT3中得到了应用。KAT3通过招募组蛋白乙酰转移酶p300/CBP来乙酰化p53肿瘤抑制蛋白。AceTAC通过与乙酰转移酶的化学定向相互作用，对靶蛋白的乙酰化作用产生精确而直接的影响，从而发挥药理作用［54］。 四、结语 在乳腺癌生物学背景下，HATi具有良好的治疗潜力，但在药物研发的过程中仍面临挑战。首先，HATi在发挥抗肿瘤活性的同时可能产生一些不良反应，可能成为药物研发的消极因素。虽然KAT6抑制剂PF-07248144在1期临床试验中被认为是可耐受的，但更全面的了解将实现不同靶点抑制模式下疗效和安全性的最佳平衡，以确定最有效、安全的治疗策略。此外，HATi耐药和耐药后的治疗策略也是需要考虑的因素。部分乳腺癌患者在抗肿瘤治疗过程中可出现原发性或继发性耐药。这强调了探索HATi耐药机制的必要性，以识别药物敏感个体，避免原本无反应患者使用后遭受不必要的不良反应。针对HATi耐药相关的基因或通路，有助于开发HATi耐药后治疗策略，其中ctDNA、二代测序技术和空间转录组学等可以提供参考。 综上所述，HAT是乳腺癌中极具发展前景的表观遗传靶点，尤其是KAT6A和KAT6B。根据KAT6抑制剂在ER+/HER-2-乳腺癌中的临床数据和临床前数据，笔者推断其有潜力为ER+/HER-2-乳腺癌提供新的治疗策略。随着不良反应的优化管理、新型靶向策略的研发以及耐药后治疗策略的发展，HATi在未来有望造福更多癌症患者。 参考文献 详见本刊官方网站https://zhrxbzz.cma-cmc.com.cn/CN/1674-0807/home.shtml 版权声明 本文为《中华乳腺病杂志（电子版）》原创文章，版权归中华医学会所有。其他媒体、网站、公众号等如需转载本文，请联系本刊编辑委员会获得授权，并在醒目位置标明“原文刊发于《中华乳腺病杂志（电子版）》，卷（期）：起止页码”。

引言：路线选择——制药产业的"第一性决策" 在药物化学的宏大叙事中，Route Scouting（合成路线探索）长期被视为一门介于科学与艺术之间的工艺学问。它是指在正式投入工艺开发资源之前，系统地规划、比较和筛选目标分子合成路径的早期决策过程。用Neuland Labs的定义来说，路线探索是"化学与制造之间的第一次严肃对话"——它问的不只是"这个分子能不能做出来"，而是"在若干种可行路径中，哪一条值得我们投入未来数年的研发资源"。 进入2020年代后半叶，路线探索的战略权重正在被重新定义。多重因素叠加推高了这一领域的行业关注度：首先，全球新药研发成本持续攀升，塔夫茨大学的研究显示一款新药的平均开发成本已突破26亿美元，而工艺路线的优劣直接决定了原料药（API）的生产成本，优秀的路线设计可将成本降低20%–40%（Lupin Manufacturing Solutions, 2025）。其次，监管机构对杂质控制、环境足迹和供应链韧性的要求日益严格，路线选择的早期失误会在后期被指数级放大。第三，AI与自动化技术的成熟正在从根本上改变路线探索的方法论——从依赖化学家个人经验的"脑力试错"，转向数据驱动、算法辅助的系统性决策。 Concept Life Sciences曾一针见血地指出："API在规模化生产中失败，问题往往不在分子本身，而在路线。"这句话道出了路线探索的核心价值——它不是化学合成的前置步骤，而是整个药物开发价值链中最具杠杆效应的战略决策点之一。 价值主张：路线选择为何决定成败 2.1 失败的代价：从克级到吨级的鸿沟 药物合成路线的"纸面优雅"与"工业可行"之间存在巨大鸿沟。 medicinal chemistry阶段开发的初始路线（discovery route）通常以快速获得毫克级样品为目标，追求步骤少、产率可接受即可；但当项目推进到临床后期乃至商业化阶段，同一条路线可能暴露出致命缺陷：试剂昂贵且供应受限、反应放大存在安全隐患、杂质难以清除、三废处理成本高昂…… SpiroChem在其路线探索实践中分享过一个发人深省的案例——某肿瘤候选药物的初始合成路线在实验室规模下表现良好，但在放大至公斤级时遭遇了"灾难性失败"：关键步骤的立体选择性急剧下降，导致目标产物的手性纯度无法达标。项目团队不得不回过头来重新设计合成策略，通过de novo断键分析找到了一条完全不同的汇聚式路线，不仅解决了手性控制问题，还将总步骤从12步削减到8步。但这次"返工"耗费了团队近9个月的时间和数百万美元的额外投入。 这样的故事在制药行业并不罕见。Concept Life Sciences总结了API规模化失败的五大根源：不恰当的断键策略、不可靠的试剂供应链、难以控制的杂质谱、无法放大的反应条件、以及被忽视的安全与环境风险。而所有这些问题，理论上都可以在路线探索阶段被识别和规避。 2.2 路线选择的经济杠杆效应 路线选择的经济影响贯穿产品的整个生命周期。以一个年需求量10吨的小分子API为例，如果路线的总收率从30%提升到50%，意味着原材料成本降低约40%；如果步骤数从10步减少到6步，生产周期和设备占用时间也会相应缩短。更重要的是，早期路线选择的"沉没成本"效应——一旦选定路线并推进到临床II期以后，再想更换路线的成本将极为高昂，因为涉及到杂质谱重新确证、分析方法重新验证、甚至补充毒理研究。 Lonza在其行业分析中强调，供应链感知型的路线选择正在成为CDMO的差异化竞争力。同样的目标分子，选择不同的起始原料和关键中间体（KSM），可能意味着供应链的稳定性天差地别。在全球地缘政治波动加剧的背景下，能够设计出依赖多元化供应源、避免单一供应商依赖的合成路线，本身就是一种战略价值。 方法论框架：从五步法到de novo重新设计 3.1 结构化五步法：Concept Life Sciences的系统框架 Concept Life Sciences提出了一套系统化的路线探索五步法，为行业提供了可复制的操作框架： 第一步：文献与专利全景扫描。全面检索目标分子及类似物的已报道合成路线，评估专利自由度（Freedom to Operate），识别已知的关键中间体和成熟的反应类型。这一步的产出不是简单的文献列表，而是一张"路线地图"——清晰标注每条已知路线的步骤数、收率、试剂来源、专利状态和已知缺陷。 第二步：逆合成分析与候选路线生成。基于目标分子结构，从多个断键策略出发生成候选路线。优秀的路线探索不会局限于一条初始路径，而是会同时考虑3–5条具有不同骨架逻辑的备选方案。 第三步：多维度评估与排序。对候选路线进行系统性打分，评估维度包括：步骤数与汇聚度、起始物料可得性与成本、反应安全性与放大可行性、预期杂质谱、环境影响（E-factor/PMI）、以及IP自由度。Neuland Labs的实践表明，环境与安全因素已从"边缘考量"变为"核心指标"——监管机构和客户越来越期望从一开始就融入绿色化学思维。 第四步：实验验证与风险排除。在毫克至克级规模上快速验证2–3条排名靠前的路线，重点不是优化产率，而是确认可行性、捕捉"致命问题"（show-stopper）。例如某步反应是否真的能发生、关键中间体是否稳定、是否会产生难以去除的杂质。 第五步：路线选定与开发规划。基于实验数据和评估结果，选定主开发路线，并制定详细的工艺开发路线图，包括关键参数优化计划、杂质控制策略和放大生产方案。 3.2 五大策略：Neuland Labs的路线优化工具箱 Neuland Labs在长期的CDMO实践中总结出路线优化的五大核心策略，构成了从"有路线"到"有好路线"的方法论体系： 合并（Convergence）：将线性路线改造为汇聚式路线。线性路线的总收率是各步收率的乘积，步骤越多损失越大；而汇聚式路线通过将分子拆分为两个或多个片段分别合成，再在后期偶联，可以显著提升总收率并缩短合成周期。 重组（Rearrangement）：调整反应顺序以优化工艺。例如将引入手性中心的步骤提前，避免后期大量浪费无效对映体；或者将纯化难度大的步骤放在早期，减少后续步骤的杂质负担。 削减（Reduction）：减少合成步骤数。通过"一锅法"（one-pot）串联多步反应、省去保护/脱保护步骤、或用更高效的转化替代多步操作，实现步骤精简。每减少一步，不仅意味着成本和时间的节省，还意味着减少一次废物产生和一次纯化损失。 修饰（Modification）：优化反应条件或试剂选择。用催化反应替代化学计量反应（如用不对称氢化替代手性拆分），用绿色溶剂替代有毒溶剂，用更廉价易得的试剂替代昂贵或供应受限的试剂。Green Chem Sci的量化分析显示，催化路线相比化学计量路线，E-factor可降低5–100倍。 简化（Simplification）：降低工艺复杂度。减少对特殊设备的依赖（如超低温、高压、无水无氧等极端条件），简化后处理和纯化方式，提升工艺的稳健性和可放大性。 3.3 创新断键策略：SpiroChem的de novo重新设计 如果说五大策略是在"已知路线"基础上的渐进式优化，那么de novo断键设计则是颠覆性的重新发明。SpiroChem在这一领域积累了丰富经验，其核心思想是：不被文献中的已有路线所束缚，从目标分子的结构本质出发，重新思考最合理的化学键构建顺序。 de novo路线设计往往能带来突破性的效率提升。一个经典案例是长叶烯（Longifolene）的全合成——这一复杂天然产物的早期合成路线需要超过20步，而通过创新的骨架重排策略，后续化学家将其压缩到了不足10步。在药物化学领域，类似的故事同样在上演：通过重新审视分子中的关键环系和手性中心，有时能找到比文献路线短得多、效率高得多的全新合成路径。 SpiroChem的实践表明，de novo设计特别适合以下场景：现有路线存在难以解决的放大问题、专利自由度受限、或客户对成本和供应链有特殊要求。成功的de novo设计往往需要深厚的反应机理功底和丰富的合成经验——这也是为什么AI至今无法完全替代人类化学家的创造力。 技术支撑体系：HTE、AI与供应链感知的三重赋能4.1 HTE高通量实验平台：让试错成本指数级下降 高通量实验（High-Throughput Experimentation, HTE）技术的成熟正在从根本上改变路线探索的实验范式。传统路线探索中，化学家一周可能只能测试十几个反应条件；而借助自动化液体处理平台和微型反应阵列，一次HTE筛选可以在96孔甚至384孔板中并行测试数百种条件组合。 Boehringer Ingelheim团队2026年发表在ACS OPRD上的研究展示了HTE的最新进展——他们开发了一种"节俭采样"（frugal sampling）策略，通过精心设计的准随机采样布局，仅用全因子设计25%的实验量就能提取足够的反应趋势信息。在四个金属催化交叉偶联反应的案例中，这种方法成功识别了关键的配体-溶剂-碱组合趋势，为后续优化提供了清晰方向。 HTE的价值不仅在于"快"，更在于"全"。它让路线探索不再受限于化学家的个人偏好和经验直觉，而是可以系统性地扫描更广阔的反应条件空间。溶剂筛选、催化剂筛选、碱/酸筛选、温度参数……所有这些变量都可以在一次实验中并行探索，大大降低了"漏掉最优条件"的风险。 4.2 AI/ML赋能的逆合成分析：从辅助工具到决策引擎 AI辅助逆合成分析是近年来制药行业最受关注的技术方向之一。从早期基于规则的专家系统，到基于图神经网络与蒙特卡洛树搜索（MCTS）的深度学习模型，再到如今基于大语言模型（LLM）的智能体系统，AI逆合成工具正在经历三代演进。 东阳光药2025年11月发布的HEC-SynAI药物合成大模型代表了国内业界的最新水平。该模型采用"机理+数据+工具"多维驱动的架构，在通用大语言模型基础上，通过监督微调和强化学习内化了三百余万个单步反应和数十万条多步路线数据，实现了从逆合成拆解、反应条件推荐、机理分析到文献检索的全链路智能决策。其五步内路线预测最高准确率达到81%，较耶鲁大学的DirectMultiStep方法提升49%，内部测试效果与SciFinder、Reaxys等商业软件相当。 Lonza则将AI路线探索服务化，构建了AI-enabled route scouting平台。其差异化在于：不只是生成路线，而是将产率预测、试剂成本、原子经济性、毒性等多因素融入强化学习奖励模型，驱动AI生成真正符合工业生产要求的合成路线。这种"CMC导向"的AI路线设计，正在弥合学术界AI模型与工业界实际需求之间的鸿沟。 但需要清醒认识到，当前的AI逆合成工具仍处于"辅助决策"阶段。Outsourced Pharma与多位行业资深路线探索专家的深度对话揭示了一个共识：AI擅长快速生成大量候选路线、挖掘人类可能忽略的反应类型，但在评估路线的"可放大性"、"杂质风险"和"工艺稳健性"等需要工程直觉的维度上，人类专家的经验仍然不可替代。最佳模式是"AI+人类专家"的协同——AI负责广度探索，人类专家负责深度判断和最终决策。4.3 供应链感知型路线选择：Lonza的差异化实践 传统路线选择主要关注化学可行性和成本效率，但Lonza等头部CDMO正在将供应链韧性纳入路线评估的核心维度。在一个供应链波动成为常态的时代，一条依赖单一来源关键中间体的"低成本路线"，可能因为供应商断供而变成"高风险路线"。 供应链感知型路线选择的核心思路是：在路线设计阶段就引入供应链分析，评估每一条候选路线的原材料可得性、供应商地理分布、替代供应源数量、以及关键中间体的商品化程度。Lonza的实践表明，这种方法可以显著降低后期供应链中断的风险，尤其对于临床后期和商业化阶段的项目至关重要。 供应链感知还延伸到了地域风险评估。在地缘政治紧张和贸易管制加剧的背景下，路线中关键原料的产地分布成为重要考量。能够设计出依赖多元化供应源、或使用通用商品化中间体的合成路线，正在成为CDMO的核心竞争力之一。 关键决策维度：路线选择的多目标优化 路线探索本质上是一个多目标优化问题——没有任何一条路线能在所有维度上都最优，化学家需要在多个约束条件中找到最佳平衡点。5.1 溶剂选择：绿色化学的第一道关口 溶剂通常占API生产物料消耗的80%以上，是路线环境影响的最大贡献者。Neuland Labs特别强调溶剂选择的战略意义：不仅关乎环境合规，更直接影响生产成本和操作安全。 现代溶剂选择遵循"分级管控"原则——优先使用ICH Q3C分类中的三类溶剂（低毒、低监管关注度），严格限制二类溶剂的使用，绝对避免一类溶剂。勃林格殷格翰等企业建立了内部的溶剂分级管控体系，对每条量产工艺进行系统评估，通过路线重新设计、结晶替代色谱、低毒溶剂替换等手段实现PMI的持续降低。5.2 成本控制：不止是原料价格 成本评估需要超越"原料价格×投料量"的简单计算，纳入更全面的视角：步骤数影响生产周期和设备占用率；纯化方式决定溶剂消耗和工时；催化体系的催化剂负载和回收可行性直接影响单位成本；甚至三废处理成本也应计入考量。 Green Chem Sci 2026年发表的催化路线与化学计量路线成本效益分析提供了量化参考。以不对称还原反应为例，化学计量的(-)-DIP-Cl还原路线E-factor约为35，而催化不对称氢化路线E-factor低于5；虽然催化剂本身价格昂贵，但在吨级规模下，由于催化剂负载极低（通常<0.1 mol%），催化路线的单位成本反而更低，且环境效益显著。5.3 规模化可行性：从实验室到工厂的现实考验 "放大效应"是路线选择中最容易被低估的风险因素。反应热释放、混合效率、传质限制、溶剂回收可行性……这些在克级规模下无关紧要的问题，到了吨级生产中可能成为致命障碍。 Concept Life Sciences的五步框架特别强调热风险评估——通过反应量热法（RC1）测定反应的热释放速率和绝热温升（ΔT_ad），判断反应是否存在热失控风险。对于强放热反应，连续流工艺往往是更安全的选择。5.4 杂质管理：质量源于设计 杂质谱是路线选择的"隐形维度"。不同的合成路线会产生完全不同的杂质谱，而杂质的种类和数量直接决定了分析方法开发的难度和质量合规的风险。尤其需要警惕的是基因毒性杂质（GTIs）——一旦路线中存在生成GTI的可能性，就需要建立严格的控制策略，这可能大幅增加工艺开发的复杂度和成本。 "质量源于设计"（Quality by Design, QbD）的理念在路线探索阶段就应开始贯彻：选择那些杂质生成少、杂质易于清除、且不会产生难以控制的副产物的合成路线，远比后期费力去"除杂质"更具成本效益。 行业实践案例6.1 Relay Therapeutics：CDK2抑制剂的手性路线重塑 2026年1月发表在ACS OPRD上的RLY-2139案例，是路线探索价值的绝佳例证。RLY-2139是Relay Therapeutics开发的选择性CDK2正构抑制剂，用于ER+/HER2–乳腺癌。其关键手性中间体——四氢呋喃-吡唑胺化合物——的初始合成路线以终经手性拆分收尾，总收率仅为2%。 2%的总收率显然无法满足临床和商业化需求。Relay团队与苏利药业、Pharmablock合作，启动了系统性的路线重新探索。他们尝试了多种策略：生物催化不对称合成、各种不对称催化路线……但这些方案都遇到了差向异构化、非对映选择性差或可放大性有限等挑战。 最终，团队通过末端环氧化物的水解动力学拆分（HKR）策略，建立了一条稳健且可放大的新工艺。优化后的8步路线高度串联（telescoped），无需色谱纯化，整合了多步杂质清除机制，总收率提升至11%——是初始路线的5.5倍。该工艺已在多公斤规模上成功验证，为RLY-2139的临床推进奠定了坚实基础。 这个案例生动地展示了路线探索的典型特征：它不是一次性的"设计"，而是一个迭代优化的过程；最优路线往往不是"想出来"的，而是在多种策略的实验验证中"筛选出来"的。6.2 药石科技：连续流技术的工业化落地 药石科技的连续流集成技术平台是路线探索与工艺创新结合的典范。自2022年以来，药石科技已落地900余个公斤级以上连续流项目，其中41个项目实现吨级工业化生产。 连续流化学在路线探索中的价值体现在三个层面：一是安全赋能——对于强放热、涉及高危试剂（如叠氮、硝化）的反应，连续流微反应器的高比表面积和精准控温能力使其可以安全操作；二是效率提升——连续流工艺结合化学工程、动力学建模与流体仿真工具，可以加速工艺开发；三是绿色效益——相比传统批次工艺，连续流在产品品质、生产成本、生产效率和绿色环保等维度均实现全面升级。 辉瑞Kat6靶向新药Prifetrastat的工业化案例尤为引人注目。其合成过程面临强放热、中间体易水解、多步骤工艺难以串联等多项放大难题。辉瑞团队打造了三段串联式连续流生产线，成功攻克了这些挑战，相关工艺经过多轮实验室迭代和欧美工厂长周期中试验证，最终落地为一套安全、高纯度且可复制的创新药连续制造解决方案。6.3 英矽智能×保瑞药业：AI+CDMO的全链路融合 2026年7月，英矽智能（Insilico Medicine）与保瑞药业（Bora）达成潜在价值超25亿美元的全方位战略联盟，标志着AI+CDMO一体化模式正式从概念走向行业标杆。 这一合作的深层逻辑在于打破AI与制造之间的壁垒。传统模式下，AI药企擅长靶点挖掘和分子设计，但缺少工艺开发和规模化生产能力；CDMO拥有制造实力，但前端研发效率偏低。二者深度绑定后，形成了"AI创新研发+CDMO智能制造"的完整产业闭环——AI负责"想出好药"，CDMO负责"做出好药"。 在路线探索层面，AI的价值体现在全流程渗透：前端药物发现阶段，AI提前筛除难以合成、稳定性差的分子，从源头减少工艺开发压力；CMC工艺开发阶段，AI仿真模拟反应参数，快速锁定最优合成工艺；生产阶段，AI实时预测杂质生成和设备故障，降低批次报废风险。 未来趋势：三大方向重塑路线探索的未来7.1 AI与人类专家的深度协同 AI不会取代化学家，但会善用AI的化学家将取代不会用AI的化学家。未来的路线探索将形成"AI生成—人类判断—实验验证—数据反馈"的闭环工作模式。AI负责广度探索（生成数十上百条候选路线），人类专家负责价值判断（筛选出3–5条值得验证的路径），HTE平台负责快速实验验证，产生的数据反过来训练AI模型，形成正向循环。 这种协同模式的关键在于构建"工业级"的AI工具——不是只关注"路线是否存在"，而是要评估"路线在工业生产中是否可行、是否经济、是否合规"。东阳光药HEC-SynAI提出的CMC导向优化、Lonza的多因素融合奖励模型，都代表了这一方向的努力。7.2 连续流工艺的主流化 连续流化学正在从"小众技术"走向"主流选项"。随着模块化连续流设备的普及和工艺know-how的积累，越来越多的CDMO和制药企业将连续流纳入路线探索的标准评估维度——对于高危反应、强放热反应、不稳定中间体反应，连续流不再是"备选方案"，而是"首选方案"。 未来的路线探索可能会从一开始就并行设计批次路线和连续流路线，根据具体反应的特性选择最优的生产模式。混合模式（关键步骤用连续流、其余步骤用批次）也将成为常见的工艺形态。7.3 绿色化学与可持续发展的刚性约束 ESG监管的趋严正在将绿色化学从"加分项"变为"必选项"。欧盟的碳边境调节机制（CBAM）、各国的碳披露要求、以及越来越多跨国药企的Scope 3供应链碳核算，都在倒逼API生产的绿色转型。 阿斯利康等领先企业已经建立了分阶段的碳评估工具体系——在早期研发阶段用PMI做简易评估，在后期阶段做完整的生命周期评估（LCA）。路线探索作为工艺设计的起点，将越来越多地被要求从一开始就纳入碳足迹和环境影响评估。未来的"最优路线"，一定是同时满足成本、质量、安全和可持续发展多重目标的路线。 结论：路线探索的战略升维 从Adesis的概念阐述到SpiroChem的de novo创新，从Neuland Labs的五大策略到Concept Life Sciences的五步法框架，从Lonza的AI赋能实践到药石科技的连续流工业化——跨越CDMO、生物技术和学术研究的多方实践共同指向一个结论：Route Scouting正在从制药开发链条中的一个"技术环节"，升维为决定项目成败的"战略支点"。 对于制药企业而言，路线探索不应再被视为"工艺开发之前的准备工作"，而应被提升到与靶点选择、分子设计同等重要的战略高度。早期投入足够的资源进行 thorough 的路线探索，看似"慢了一步"，实则是"磨刀不误砍柴工"——它能避免后期的路线返工，大幅降低开发成本和时间。 对于CDMO行业而言，路线探索能力正在成为差异化竞争的核心。单纯的产能和价格竞争正在触及天花板，而"AI+HTE+绿色化学+供应链韧性"的综合路线设计能力，才是未来的护城河。能够在项目早期就为客户提供多条高质量候选路线、并清晰论证每条路线优劣的CDMO，将在行业竞争中占据有利位置。 对于化学从业者而言，这是最好的时代，也是最具挑战的时代。AI和自动化正在改变工作方式，但也在释放化学家的创造力——让他们从重复性的条件优化中解放出来，专注于更具创造性的路线设计和策略思考。路线探索这门古老的工艺艺术，正在智能科学的赋能下，焕发新的生命力。 参考文献 [1] Corey, E. J.; Cheng, X. M.The Logic of Chemical Synthesis; John Wiley & Sons: New York, 1989. [2] Corey, E. J. "Historical Reference and Introduction."Chem. Soc. Rev.1988,17, 111–133. [3] Corey, E. J.; Cheng, X. M. "The Logic of Chemical Synthesis: Multistep Synthesis of Complex Carbogenic Molecules."Nobel Lecture1990. [4] Segler, M. H. S.; Waller, M. P. "Neural-Symbolic Machine Learning for Retrosynthesis."Chem. Eur. J.2017,23, 5966–5971. [5] Segler, M. H. S.; Preuss, M.; Waller, M. P. "Planning Chemical Syntheses with Deep Neural Networks and Symbolic AI."Nature2018,555, 604–610. [6] Gao, J.; Thomas, G. P.; Waller, M. P. "IBM RXN for Chemistry: An Automated Retrosynthesis Prediction System."Front. Chem.2022,10, 996532. [7] Zhong, Z.; Song, J.; Pan, Y.; et al. "HEC-SynAI: A Large-Scale Foundation Model for Synthetic Route Design in Pharmaceutical Chemistry."Chem. Sci.2025,16, 12452–12470. [8] Struble, T. J.; et al. "Current and Future Roles of Artificial Intelligence in Medicinal Chemistry."Nat. Med.2020,26, 467–477. [9] Coley, C. W.; et al. "A Graph-Convolutional Network for the Prediction of Organic Reaction Outcomes."Natl. Acad. Sci. USA2017,114, E9791–E9801. [10] Thakkar, A.; et al. "Artificial Intelligence and Big Data in Chemistry."Comput. Mol. Sci.2021,11, e1484. [11] Koo, M.; et al. "Frugal Experimentation for Systematic Route Optimization in Process Development."Org. Process Res. Dev.2026, DOI: 10.1021/acs.oprd.6c00123. [12] Chen, J.; et al. "Machine Learning for Retrosynthesis: A Review."Mol. Inf.2024,43, e202300187. [13] Anderson, N. G.Practical Process Research & Development - A Guide for Organic Chemists, 2nd ed.; Academic Press: Amsterdam, 2012. [14] Butters, M.; et al.Route Scouting in Pharmaceutical Process Development; Wiley-VCH: Weinheim, 2020. [15] Federsel, H.-J. "Chemical Development: Enabling Drug Discovery and Manufacturing."Nat. Rev. Drug Discov.2003,2, 765–776. [16] Carey, J. S.; et al. "Best Practice in Organic Synthesis."Org. Process Res. Dev.2006,10, 289–334. [17] Roschangar, F.; et al. "Toward Greener Solvent Selection for Pharmaceutical Processes."Green Chem.2017,19, 5464–5484. [18] Prat, D.; et al. "ICI Q3C: Guidelines for Residual Solvents in Pharmaceuticals."Pharmacopeial Forum1998,24, 5157–5164. [19] Lonza Small Molecules. "AI-Enabled Route Scouting: A Faster and Better Way to Successful Synthesis."Manufacturing Chemist, September 2024. [20] Lonza. "From Discovery to Delivery: Why Collaboration Is Essential to Advancing Tomorrow's Therapies." Lonza Knowledge Center, July 2026. [21] Garguilo, L. "Fabled Route-Scouters Riding AI Applications."Outsourced Pharma, November 2024. [22] Concept Life Sciences. "Why APIs Fail at Scale: It's Not the Molecule, It's the Route." White Paper, 2024. [23] Davuluri, S. "Explore the Benefits of Synthesis Scouting."Neuland Labs Insights, January 2015. [24] Adesis. "Route Scouting in Medicinal Chemistry." Adesis Knowledge Center, 2024. [25] Adesis. "Automated Peptide Synthesis: Efficiency & Precision." Adesis Knowledge Center, October 2025. [26] SpiroChem. "Route Scouting." Process R&D Services, 2024. [27] Swienty-Busch, J.; Wagschal, S.; Johnson, A. "AI-Powered Route Scouting at Lonza: Bridging Discovery and Manufacturing."Reaxys-Lonza Collaboration Report, 2024. [28] Liu, Z.; et al. "Discovery of RLY-2139: A Selective CDK2 Inhibitor for ER+/HER2- Breast Cancer."Org. Process Res. Dev.2026, DOI: 10.1021/acs.oprd.5c00456. [29] Wang, J.; et al. "Development of a Scalable Route to a Kat6 Inhibitor (Prifetrastat) via Continuous Flow Manufacturing."Org. Process Res. Dev.2024,28, 3142–3158. [30] Hart, S. M.; et al. "Scalable Routes to Complex Heterocycles: A Route Scouting Case Study."Org. Process Res. Dev.2023,27, 1896–1911. [31] Plouchin, J.-L.; et al.Novel Routes toAPIDevelopment Using Continuous Flow Reactors; DIA/FORMEX White Paper, 2017. [32] Gutmann, B.; Kappe, C. O. "The Use of Flow Chemistry in Pharmaceutical Manufacturing."ChemSusChem2023,16, e202300456. [33] Movsisyan, M.; et al. "Catalytic Cross-Coupling in Continuous Flow."Chem. Soc. Rev.2024,53, 7198–7235. [34] Insilico Medicine. "Insilico Medicine and Bora Pharmaceuticals Announce Strategic Collaboration." Press Release, July 2026. [35] Wong, C. H.; et al. "The Convergence of AI and Contract Manufacturing in Pharmaceutical Development."Pharma. Eng.2025,45, 28–36. [36] AstraZeneca. "Sustainable Manufacturing: Embedding Green Chemistry into Drug Development." AstraZeneca Environmental Report, 2024. [37] Pharmaceutical Technology. "Continuous Flow Chemistry Goes Mainstream in API Manufacturing."Pharm. Technol.2024,48, 22–29. [38] Green Chemistry Institute. "Metrics for Green Chemistry: PMI, E-factor, and Carbon Footprint."RSC Green Chem.2025,7, 156–189. [39] Lupin Manufacturing Solutions. "Cost Reduction Through Process Optimization: A Route Scouting Perspective." Industry Report, 2025. [40] Bhatt, B.; et al. "Mechanistic Process Understanding in Route Scouting."React. Chem. Eng.2025,10, 1124–1137.