从毒液到药物,AI如何帮助发现靶向神经离子通道的肽类分子?
从海洋芋螺的天然毒肽,到人工智能辅助的分子设计,一场关于神经信号与精准药物发现的探索正在展开。
图1 芋螺利用毒液捕食鱼类
图片来源:Weizmann Institute of Science(2019),How Cone Snail Venom Kills,https://wis-wander.weizmann.ac.il/life-sciences/how-cone-snail-venom-kills(访问日期:2026年10月21日)。
一、从一只芋螺开始:毒液中藏着什么秘密?
在热带海洋的珊瑚礁附近,生活着一类外表并不起眼、却拥有精密捕猎武器的软体动物——芋螺(cone snail)。它们不像鲨鱼那样拥有锋利的牙齿,也不像水母那样依靠触手捕猎。一些食鱼性芋螺会伸出特殊的吻部,通过形似鱼叉的齿舌将毒液注入猎物体内。毒液中的活性分子可以迅速干扰猎物的神经与肌肉活动,从而帮助芋螺完成捕食。
然而,真正吸引科学家注意的,并不仅仅是这种毒液的毒性,而是它对神经系统的精细调控能力。
芋螺毒液并非由单一毒素组成,而是包含种类丰富的生物活性分子,其中一大类被称为芋螺毒肽(conotoxins)。这些分子通常由数十个左右的氨基酸构成,不少具有独特的三维结构,能够识别神经系统中不同的离子通道或受体。[1,2]
有些毒肽影响钙离子通道,有些作用于钠离子通道,还有些能够调节神经递质受体。不同毒肽可能通过不同机制干扰神经信号,产生截然不同的生理效应。
这让科学家产生了一个有趣的想法,如果一种天然毒肽可以精准关闭某种神经信号,那么,我们是否也能利用它,有选择地关闭与疾病有关的异常信号?
于是,天然毒液开始成为生物医学研究的重要分子资源。而随着人工智能技术的发展,科学家不再只能依赖传统实验,从大量天然毒肽中逐个寻找目标,而是尝试让计算模型参与筛选,甚至帮助设计新的肽类分子。二、神经细胞的“电路”:离子通道为什么重要?
要理解毒肽为何可能成为药物,首先需要认识它们的主要作用对象——离子通道(ion channels)。人体神经系统能够感知疼痛、控制肌肉、协调运动,甚至支持记忆与思考,都离不开神经细胞之间复杂的信息传递,这种信息传递具有明显的电学特征。
可以将神经细胞的细胞膜想象成一道具有选择性的大门,而离子通道就是分布在膜上的特殊闸门,当通道开放时,钠离子(Na⁺)、钾离子(K⁺)、钙离子(Ca²⁺)等带电粒子可以沿着电化学梯度穿过细胞膜。离子的流动会改变细胞膜两侧的电位,进而影响神经细胞的活动。
但是,不同离子通道的任务并不相同,以疼痛信号为例,当皮肤受到有害刺激时,感觉神经末梢会产生电活动。钠通道参与动作电位的形成和传播,使这一信息能够沿着神经纤维向中枢传递;当电信号到达某些神经末梢时,电压门控钙通道开放,钙离子进入细胞,促进突触囊泡与细胞膜融合,使神经递质释放到突触间隙中。这些神经递质随后作用于下一个神经元,帮助疼痛相关信息继续传递。也就是说,神经系统中的电信号传导和化学信号传递,并不是相互独立的过程,而是由离子通道连接起来的连续事件。
所以,如果把神经系统比作一张庞大的通信网络,钠通道就像帮助电信号沿线路传播的装置,钙通道则可以参与控制信号从一个神经元传递到另一个神经元。因此,调节离子通道,相当于在神经信息传递的关键环节进行干预。
但问题也随之出现:人体内存在众多离子通道亚型,即使同属钠通道或钙通道,其组织分布和生理作用也可能截然不同。一种分子如果同时影响多种关键通道,虽然可能产生治疗效果,却也可能带来不希望出现的副作用,而药物研发真正追求的,不只是让通道受到影响,而是尽可能精准地影响目标通道。三、天然毒肽:为什么能成为精准的分子工具?
相比一些结构简单的小分子,毒肽具有一个重要特点:它们由氨基酸组成,可以通过不同的序列排列形成复杂的空间结构,这种结构使毒肽有机会识别离子通道表面的特定区域。例如,一些毒肽能够与离子通道的孔道区域相互作用,妨碍离子通过;另一些毒肽则结合电压感受结构域,改变通道开放或关闭的过程。
二者虽然都可能降低离子电流,却属于不同的作用机制,对于电压门控离子通道而言,这一区别尤其重要。通道不仅需要让离子通过,还需要感知细胞膜电位变化,并在适当的条件下发生构象改变。因此,某种毒肽即使没有直接堵住离子通过的孔道,也可能通过限制通道的构象变化影响其功能。
还有一项值得关注的特点,不少毒肽富含半胱氨酸(cysteine),两个半胱氨酸残基之间可以形成二硫键,使肽链中的不同位置连接起来,帮助维持较为稳定的空间结构。部分蜘蛛毒肽具有被称为抑制剂胱氨酸结(inhibitor cystine knot,ICK)的结构特征,它们的多个二硫键构成紧凑的空间骨架,使某些功能性氨基酸侧链能够以适当的方向呈现在分子表面。四、从致命毒素到镇痛药:齐考诺肽的故事
在毒肽药物研究史上,Conus magus是一个具有代表性的物种。科学家从这种芋螺的毒液中发现了ω-芋螺毒肽MVIIA。后来,其化学合成版本被开发为药物齐考诺肽(ziconotide),当齐考诺肽阻断Caᵥ2.2后,相关神经末梢的钙离子内流减少,从而抑制某些神经递质释放,影响疼痛信息的传递。相关研究最终促成了齐考诺肽的临床应用,成为天然毒肽发展为现代药物的经典案例。[3]
但齐考诺肽的成功并不意味着所有天然毒肽都能轻松成为药物,根据药品说明书,齐考诺肽主要用于需要鞘内治疗、且其他治疗方式无效或不能耐受的成年严重慢性疼痛患者。它需要通过鞘内输注给药,并存在需要严密监测的神经精神系统不良反应风险。五、AI登场:如何从成千上万条肽序列中寻找线索?
传统毒肽研究通常需要经历样本采集、毒液分离、肽类鉴定、分子合成或表达以及功能实验等步骤,这些方法能够提供可靠的实验证据,却也面临效率问题。
我们知道,肽是由氨基酸连接形成的分子,不同的氨基酸具有不同的化学性质,例如正负电荷、疏水性和侧链体积。如果将一条肽的氨基酸序列转化为计算机能够处理的数据,模型便可以分析其中的统计规律。模型可能发现某些已知的钠通道阻断肽具有相似的氨基酸组成,某些半胱氨酸排列模式则经常出现在特定毒肽家族中,研究者可以利用这些规律,为尚未研究的候选肽预测类别或功能。
2024年,Truong等人在《Toxins》发表了一项关于芋螺毒肽机器学习分类与靶点预测的研究。[4]
同年,Shoombuatong等人在《Scientific Reports》发表了针对电压门控钠通道阻断肽的预测研究,利用元学习策略整合不同模型和特征,提高计算识别的表现。[5]六、从计算到实验:一项蜘蛛毒肽研究带来了什么启示?
2021年,Lee等人在《International Journal of Molecular Sciences》发表了一项利用深度学习发现潜在蜘蛛神经毒肽的研究。[6]这项研究面对的问题具有代表性:天然毒肽的已知功能数据十分有限,而深度学习通常需要大量训练数据,研究人员采用数据增强方法,并使用卷积神经网络识别潜在的神经毒肽序列,也观察到它们在人神经母细胞瘤细胞系SH-SY5Y中具有神经调节相关效应。[6]七、2025年的研究案例:AI和计算方法能帮助改造毒肽吗?
相比单纯发现某种具有活性的天然肽,药物研发往往还希望进一步改善它的性能。研究者可能希望某条肽对目标通道的抑制作用更强,对其他通道的作用更弱,或者在生理环境中更加稳定。
2025年,Sharma等人在《FEBS Letters》发表了一项关于蜘蛛毒肽与Naᵥ1.7相互作用的研究,为这一思路提供了具体实例。[7]研究对象来自蜘蛛毒肽家族,与前面介绍的芋螺毒肽不同,部分蜘蛛毒肽可以作用于电压门控钠通道的电压感受结构域,从而影响通道门控过程。其中,Naᵥ1.7是疼痛机制及潜在镇痛药物研究中的重要靶点,研究人员首先分析已有的Naᵥ1.7抑制性蜘蛛毒肽序列,并利用序列比对和隐马尔可夫模型等生物信息学工具,在数据库中搜索具有相似特征的候选分子。这里采用的主要是计算序列筛选与理性设计方法,并不应将整项工作简单描述为深度学习直接生成新肽。
通过这种策略,研究者识别了此前缺乏充分功能表征的候选毒肽Cg4a,随后,他们通过重组表达获得该肽,并利用核磁共振等结构方法及全细胞膜片钳电生理实验,分析其结构与功能,实验确认Cg4a能够抑制人源Naᵥ1.7通道,但其抑制能力相对较弱,报告的IC₅₀约为9.22 μM,这也说明,计算筛选找到的候选分子,即便确实具有目标活性,其实际效力也未必达到最初预期,研究人员进一步通过定点突变,考察若干氨基酸残基对毒肽作用的影响。结果表明,一些关键位置以及药效团外围的残基变化,都可能影响毒肽的功能。[7]八、真正的关键实验:如何判断一条肽是否影响离子通道?
在人工智能预测之后,离子通道研究还需要可靠的实验验证,其中,膜片钳技术(patch-clamp)是研究离子通道电流与门控特征的重要方法。
可以将膜片钳实验理解为一种极其灵敏的电学测量,研究者使用微小的玻璃电极与细胞膜建立电学连接,在适当的实验条件下控制膜电位,并记录通过细胞膜的离子电流,如果某种肽能够抑制目标离子通道,那么在给药前后,研究者可能观察到电流幅度、激活特征或失活特征发生变化。九、从发现毒肽到设计新肽:未来还可以走多远?
如果人工智能能够识别某类天然毒肽的功能特征,那么研究者能否进一步让AI设计新的肽分子?
这正是计算蛋白质设计和肽类药物研究正在探索的方向之一。与传统筛选不同,生成式分子设计并不局限于从已有天然序列中寻找候选,而是尝试在一定约束下提出新的序列或结构。例如,研究者可以指定一个目标,希望获得能够调节Caᵥ2.2、同时尽可能降低其他钙通道作用的候选肽,在适当的数据与模型支持下,计算系统可以尝试提出具有不同氨基酸组成、结构骨架和表面化学特征的候选分子。十、AI并非万能:从天然毒肽到药物还有哪些障碍?
即使AI能够帮助研究者更快找到候选肽,真正的药物开发仍然存在一系列挑战。
第一个挑战,是数据质量,天然毒肽种类丰富,但拥有可靠功能实验记录的分子仍然有限,在已有数据库中,不同类别毒肽的数据量可能差异很大,实验条件和活性标注也未必统一。
第二个挑战,是结构与功能之间并不存在简单的一一对应关系。两条序列相似的肽可能具有不同的靶点,而相似的整体折叠也不能保证相似的药理活性,离子通道本身还具有动态构象和复杂的膜环境,这使单纯的静态结构预测难以完整解释真实的功能变化。
第三个挑战,是选择性与安全性。神经系统中的离子通道彼此联系,不同通道亚型可能承担不同的生理功能,即使候选肽能够显著抑制目标通道,也需要排查其对其他重要靶点的影响。
第四个挑战,是药物递送。许多肽类分子在体内可能受到蛋白酶降解,或者难以穿越某些生物屏障,对于需要作用于中枢神经系统的药物而言,血脑屏障可能进一步增加递送难度,这意味着,一条具有良好体外活性的毒肽,未必能够通过普通给药方式到达需要作用的部位,齐考诺肽的临床使用方式就说明,成功调节离子通道与实现方便、安全的临床治疗,是两个密切相关却并不相同的目标。十一、结语:当自然界的分子智慧遇见人工智能
回到最初的那只芋螺。
对于芋螺而言,毒液是一套帮助捕食和生存的化学武器;对于科学家而言,它却提供了观察神经系统、研究离子通道以及探索药物开发可能性的分子工具。过去,发现一种有价值的毒肽,往往需要经历漫长而复杂的天然产物分离与实验筛选。
但可以期待的是,未来毒肽研究的重点,可能不仅是发现自然界已经制造了哪些分子,还包括理解这些分子为什么能够发挥作用,并在此基础上探索自然界尚未提供的新设计。
在这一过程中,自然界提供丰富的分子多样性,人工智能帮助研究者探索庞大的可能性空间,而实验科学始终承担着检验假设、确认规律的关键任务。
一滴毒液中究竟隐藏着多少尚未被发现的药物线索?也许,答案就藏在那些尚未被充分研究的氨基酸序列和三维结构之中。参考文献
[1] Olivera, B. M. (2006). Conus peptides: biodiversity-based discovery and exogenomics. Journal of Biological Chemistry, 281(42), 31173-31177.
[2] McCleskey, E. W., Fox, A. P., Feldman, D. H., Cruz, L. J., Olivera, B. M., Tsien, R. W., & Yoshikami, D. (1987). Omega-conotoxin: direct and persistent blockade of specific types of calcium channels in neurons but not muscle. Proceedings of the National Academy of Sciences, 84(12), 4327-4331.
[3] Staats, P. S., Yearwood, T., Charapata, S. G., Presley, R. W., Wallace, M. S., Byas-Smith, M., ... & Ellis, D. (2004). Intrathecal ziconotide in the treatment of refractory pain in patients with cancer or AIDS: a randomized controlled trial. Jama, 291(1), 63-70.
[4] Truong, D. P., Monroe, L. K., Williams, R. F., & Nguyen, H. B. (2024). Machine learning framework for conotoxin class and molecular target prediction. Toxins, 16(11), 475.
[5] Shoombuatong, W., Homdee, N., Schaduangrat, N., & Chumnanpuen, P. (2024). Leveraging a meta-learning approach to advance the accuracy of Nav blocking peptides prediction. Scientific Reports, 14(1), 4463.
[6] Lee, B., Shin, M. K., Hwang, I. W., Jung, J., Shim, Y. J., Kim, G. W., ... & Sung, J. S. (2021). A deep learning approach with data augmentation to predict novel spider neurotoxic peptides. International journal of molecular sciences, 22(22), 12291.
[7] Sharma, G., Deuis, J. R., Jia, X., Crawford, T., Rahnama, S., Undheim, E. A., ... & Mobli, M. (2025). Refining the NaV1. 7 pharmacophore of a class of venom‐derived peptide inhibitors via a combination of in silico screening and rational engineering. Febs Letters, 599(12), 1717-1732.
[8] Zhang, H., Du, M., Xie, J., Liu, X., Sun, J., Wang, W., ... & Lerner, R. A. (2016). Autocrine‐Based Selection of Drugs That Target Ion Channels from Combinatorial Venom Peptide Libraries. Angewandte Chemie, 128(32), 9452-9456.
[9] Olivera, B. M., Cruz, L. J., De Santos, V., LeCheminant, G., Griffin, D., Zeikus, R., ... & Varga, J. (1987). Neuronal calcium channel antagonists. Discrimination between calcium channel subtypes using. omega.-conotoxin from Conus magus venom. Biochemistry, 26(8), 2086-2090.
[10] Wallace, M. S., Charapata, S. G., Fisher, R., Byas‐Smith, M., Staats, P. S., Mayo, M., ... & Ziconotide Nonmalignant Pain Study 96‐002 Group. (2006). Intrathecal ziconotide in the treatment of chronic nonmalignant pain: a randomized, double‐blind, placebo‐controlled clinical trial. Neuromodulation: Technology at the Neural Interface, 9(2), 75-86.
[11] Lewis, R. J. (2004). Conotoxins as selective inhibitors of neuronal ion channels, receptors and transporters. IUBMB life, 56(2), 89-93.