Proliposomal Intravesical Paclitaxel

上一期，我们刚把药物与靶标之间的非共价作用力网络从头到尾捋了一遍。如果把分子间作用力看成一张精密的“能量网”，那今天要聊的氢键，就是这张网里数量最多、分布最广、同时也最让药物化学家又爱又恨的那类节点。 不少同学觉得氢键太基础了——无非就是“氢原子夹在两个电负性原子中间”嘛。但如果你只停留在这一步，那现代药物设计里氢键蕴含的大量信息和可操作性，你就很容易错过。 为什么结构相似的分子，亲和力差出上千倍？为什么有些抑制剂对同源蛋白的选择性可以超过1000倍？答案往往就藏在几个关键的氢键里。 点击文末阅读原文， 获取谱度众合专属分子动力学模拟相关实验方案~ 一、氢键是什么？—— 远不止是“偶极吸引” 经典定义我们都熟：氢原子跟一个电负性强的原子（供体，D）形成共价键之后，又跟另一个电负性原子或者π电子体系（受体，A）产生非共价吸引。最典型的D/A组合就是N–H···O=C和O–H···O。 但在药物-蛋白界面，我们需要用更精细的几何与能量语言来理解它： 1. 几何标准 在分子动力学模拟和晶体结构解析里，氢键通常要同时满足两个条件才算数： 距离： 重原子D到A的距离 < 3.5 Å（部分软件采用3.0–3.2 Å更严格标准） 角度： D–H···A 夹角 > 120°（越接近180°越理想） 2. 强度分层 参考《Journal of Medicinal Chemistry》上大量结合自由能分解的工作，蛋白-配体界面的氢键大致能分成三类： 中性-中性氢键： 例如酰胺–酰胺之间，单个氢键对结合自由能的贡献一般在0.5–1.5 kcal/mol。看似很弱，但当配体形成3–5个这样的氢键，就能贡献10倍以上的亲和力差异。 电荷辅助氢键： 当供体或受体带有形式电荷时（如羧酸根–胍基），单个氢键的贡献可以飙升至3–6 kcal/mol，甚至达到共价键强度的十分之一。盐桥就是一种极端的电荷辅助氢键，我们会在后面专门讲。 弱氢键： C–H···O、C–H···π 等，强度通常 < 0.5 kcal/mol，但在疏水口袋中大量累积后，对结合构象的预组织和选择性不可忽视。 3. 去溶剂化惩罚 —— 氢键的双面性 这是药物设计里最容易低估的一笔“隐性成本”。结合之前，配体的极性基团和蛋白的极性残基都泡在水里，靠氢键被水分子溶剂化。结合时，这些水分子要被排开，形成蛋白-配体氢键释放出的焓，首先得填上去溶剂化消耗的能量。很多氢键算下来净能量甚至“不赚不赔”，但它们能精准地锚定结合构象 —— 所以千万别简单粗暴地认为“氢键越多越好”。 二、如何计算氢键？—— 从晶体到动力学 在实际药物发现项目中，氢键并不是“画出来”的，而是计算和统计的结果。 1. 静态结构中的识别 最基础的是通过PDB晶体结构或对接pose，用几何判据来数氢键。PyMOL、VMD、MOE、Schrödinger Maestro这些软件都有内置工具。比如VMD的hbonds插件，默认用3.0 Å的距离和20°的角度偏离（也就是D–H···A > 150°）做标准。你还可以在模拟轨迹里统计某个氢键的占据率 —— 这个数字对判断它到底重不重要，非常关键。 2. 分子动力学模拟中的氢键分析 静态结构只是一张快照。一个氢键稳不稳定，要看它在100 ns甚至更长的MD模拟里，占有率有没有超过80%。典型的分析管线是：对MD轨迹的每一帧识别氢键 → 统计“氢键生存率” → 绘制氢键热图。有些晶体结构里看到的氢键，在溶液里占有率可能不到30%，那很可能只是结晶堆积的假象，不是真正驱动结合的力。 3. 能量分解 —— 氢键到底贡献了多少 在计算化学这边，SAPT（对称匹配微扰理论）和DFT能量分解可以把分子间相互作用拆成静电、交换排斥、色散和诱导项。氢键主要落在静电项上，但电荷转移的贡献经常被忽略。近年的ALMO-EDA等方法显示，某些强氢键里电荷转移能能达到2–5 kcal/mol，已经接近弱共价作用的范畴了。 4. 顺手列几个常用工具 MOE / Schrödinger： 一键生成配体-蛋白相互作用指纹，氢键会用不同颜色标出是主链还是侧链、中性还是电荷型。 PLIP (Protein-Ligand Interaction Profiler)： 免费网页工具，也有Python库，上传PDB就能自动识别氢键、卤键、π堆叠等。 BIOVIA Discovery Studio： 对新手友好，做高质量的二维相互作用图，发论文很实用。 三、氢键在药物设计中的三大核心角色 1. 结合稳定性 —— 锚定构象，驱动焓变 氢键对结合稳定性的贡献，最直观地体现在“突变-亲和力”实验里。如果蛋白侧链上一个关键氢键残基发生突变，配体亲和力掉个10–100倍，这类残基就被称为“热点”。 比如HIV蛋白酶抑制剂里，跟催化天冬氨酸（Asp25/25'）形成的氢键网络就是保守的稳定化核心，任何一个抑制剂要是少了跟Asp25的氢键，哪怕疏水部分填得再好，活性也会断崖式下跌。 经典案例：他汀类药物与HMG-CoA还原酶 所有他汀（比如阿托伐他汀）都带一个3,5-二羟基庚酸片段，羧基跟酶活性位点的Lys735形成电荷辅助氢键，旁边的羟基再跟Ser684的主链羰基形成一连串氢键。这个氢键网格提供了结合的核心焓驱动力，保证整个分子的长疏水尾部能精准地插进底物口袋。 2. 靶点选择性 —— 用氢键“指纹”区分同源蛋白 同一家族激酶的ATP结合口袋长得非常像，想设计高选择性抑制剂，最有力的策略之一就是利用非保守残基形成的独特氢键。 经典案例：COX-2选择性抑制剂 COX-1和COX-2的活性位点只有一个关键残基的差别：COX-1的523位是异亮氨酸，COX-2是缬氨酸。这个微小变化在口袋侧面多出一个亲水小囊。塞来昔布的磺酰胺基团恰好伸进这个囊里，跟Arg513和His90形成特有的氢键网络，而这些残基在COX-1里根本够不着。正是这组选择性氢键，让塞来昔布对COX-2的选择性达到COX-1的375倍，从而避免了传统非甾体抗炎药常见的胃肠道副作用。 引申：激酶抑制剂的“铰链区氢键”策略 几乎所有ATP竞争性激酶抑制剂都必须跟激酶铰链区的主链形成1–3个氢键，模拟腺嘌呤环的识别方式。这部分氢键保证了基础亲和力，而选择性则来自铰链区以外、跟周围特异残基形成的额外氢键。 比如伊马替尼，除了铰链区氢键，它的苯酰胺基团还能跟Abl激酶独有的Glu286形成关键氢键，再配合疏水作用，从而在茫茫激酶组里精准地抑制Bcr-Abl。 3. 药效发挥 —— 氢键的“开关”效应 氢键不仅贡献亲和力，某些情况下它直接决定了药物是激动剂还是拮抗剂。 经典案例：视黄酸受体（RAR）的配体诱导构象变化 全反式维甲酸（ATRA）与RAR结合时，其羧基与受体形成氢键网络，诱导螺旋H12发生“关盖”构象，招募共激活因子。而当某些拮抗剂结合时，虽然同样占据配体口袋，但其庞大的侧链阻碍了H12与配体间某个关键氢键的形成，导致H12采取不同构象，转而招募共抑制因子。一个氢键的有无，决定了转录机器的走向。 四、氢键驱动的分子优化案例 —— 两个真实案例 讲了这么多原理，我们看几个从靶标发现到临床药物的真实优化路径。 案例1：HIV蛋白酶抑制剂 —— 从肽类到口服药的氢键骨架跃迁 早期HIV蛋白酶抑制剂大多是拟肽分子，带着好几个酰胺键，能跟催化中心Asp25/Asp25′形成稳定的氢键，活性很高，但口服生物利用度差，还容易被降解。 后来研究人员用羟基乙胺这类过渡态模拟结构去替代易水解的酰胺键，在保留关键氢键的同时大幅提升了代谢稳定性。从沙奎那韦到安普那韦的优化过程中，引入四氢呋喃氨基甲酸酯片段，形成了更稳定的外围氢键网络，同时增加了分子刚性，最终改善了口服吸收和药代性质。 这个案例告诉我们，保持关键氢键的同时优化分子骨架和结合模式，完全有可能同步提升活性和DMPK性质。 案例2：奥希替尼 —— 在耐药突变中“夺回”氢键 EGFR发生T790M突变后，第一代EGFR抑制剂很容易失效，所以克服耐药就成了第三代药物设计的关键。奥希替尼没有死磕突变位点附近的相互作用，而是保留了跟EGFR铰链区Met793主链形成的关键氢键，同时引入丙烯酰胺基团，跟Cys797形成不可逆共价键，这样即使在突变体里也能保持较高的结合能力和抑制活性。 这个案例提醒我们，当关键结合环境发生变化时，与其固守原有氢键，不如重新构建整体结合模式，从而有效识别耐药突变体。 五、给药物设计者的实操建议 ❶ 不要迷恋“氢键数”—— 氢键多不等于药好。每增加一个极性氢键供体或受体，都要认真评估它带来的去溶剂化惩罚和透膜性损失。 ❷ 优先瞄准主链氢键：侧链容易突变产生耐药，而跟主链酰胺形成的氢键在靶标突变中通常更保守，是长效抑制剂的可靠根基。 ❸ 用“氢键占据率”代替“晶体里看到几个氢键”来做决策。在微秒级的全原子MD模拟里，只有占据率超过80%的氢键才可能成为真正的结合热点，值得投入合成资源去优化。 ❹ 巧用水分子介导的氢键：如果蛋白口袋某个区域总是“住”着一个稳定的水分子，不妨考虑让配体跟这个水分子形成氢键桥，而不是非得把它排走。这种策略有时候能带来意想不到的熵增收益。 ❺ 氘代的隐秘效应值得留意：近年研究表明，碳–氘键比碳–氢键更短，振动频率更低，在极少数体系里，氘代能微调C–H···O这类弱氢键的强度，从而影响选择性。虽然还属于前沿，但已经有好几篇《Science》报道过它在药物优化中的应用了。 结语 梳理下来，氢键的真实分量不取决于数量，而在于“位置”和“代价”—— 前者决定能否锚定关键残基，后者涉及去溶剂化惩罚与构象熵的取舍。 他汀、COX-2抑制剂和奥希替尼等案例反复印证：氢键设计贵在精准利用，而非盲目堆砌。然而，许多在晶体中看似完美的氢键，在液相环境中可能占据率极低，甚至只是结晶堆积的假象。因此，要真正将氢键转化为可控的设计工具，必须依赖动力学模拟来验证其稳定性，并结合能量分解明确其净贡献。 而“动态构象验证、结合能定量、残基级贡献解析”这些需求恰是当前药物研发中从“静态对接”迈向“动态精准”的关键瓶颈。为此，我们向您推荐： 推荐 谱度众合：分子动力学模拟解决方案 针对新药研发中动态构象验证与结合能定量的关键需求，谱度众合推出分子动力学模拟解决方案。 客户仅需提供靶标蛋白及小分子配体信息，即可获得生理环境下的全原子动态模拟（ns~μs级）、结合自由能精确计算及残基级热点分析，交付含高分辨率图表、中英文方法描述及轨迹动画的SCI即用报告。 核心优势速览： ✔ 结合稳定可验证：模拟液相动态构象变化，RMSD数据直观评估结合持久稳定性，优于传统静态对接。 ✔ 残基级热点定位：MM‑PBSA将结合自由能分解至每个氨基酸残基，明确有利与不利位点，精准指导结构优化。 ✔ 多维交叉验证：同步分析RMSD、RMSF、回转半径、SASA等参数，多维互证热力学平衡，避免单一指标误判。 ✔ SCI即用交付：提供高清可编辑图表、中英文方法描述段落及PDB轨迹动画，可直接引用或微调用于论文。 ✔ 数据真实可靠：全流程输入参数、运行日志、原始轨迹可追溯复现，独立存储与严格权限隔离，确保数据安全。 点击文末阅读原文， 获取谱度众合专属分子动力学模拟相关实验方案~ 下期预告 告别氢键这个最熟悉的角色，下一期我们把目光投向一个长期被低估的选手——卤键。它的本质是σ-hole驱动的方向性静电作用，在靶点选择性上有自己独特的优势。你会发现，一个溴原子或碘原子在骨架上的位置挪动哪怕几埃，最终的活性数据就可能差出三个数量级。下篇我们接着聊。 参考资料 1. Cross DAE, Ashton SE, Ghiorghiu S, et al. AZD9291, an irreversible EGFR TKI, overcomes T790M-mediated resistance to EGFR inhibitors in lung cancer. Cancer Discov. 2014;4(9):1046-1061. doi:10.1158/2159-8290.CD-14-0337 2. Mager PP, De Clercq E. Interactions of the dimeric triad of HIV-1 protease with reversible and irreversible inhibitors. Drug Des Discov. 2003;18(2-3):53-64. 3. Ghosh AK, Osswald HL, Prato G. Recent progress in the development of HIV-1 protease inhibitors for the treatment of HIV/AIDS. J Med Chem. 2016;59(11):5172-5208. doi:10.1021/acs.jmedchem.5b01697 4. Kurumbail RG, Stevens AM, Gierse JK, et al. Structural basis for selective inhibition of cyclooxygenase-2 by anti-inflammatory agents. Nature. 1996;384(6610):644-648. doi:10.1038/384644a0 点击下方“阅读全文” 获取资料

全切片图像（whole-slide image, WSI）的诊断是一个交互式的多阶段过程。面对一张千兆像素的切片，病理医生通常先在低倍率下建立全局印象，再逐级放大到可疑区域进行高倍分析，并在整张切片上反复穿梭、迭代地搜集证据，最终形成诊断结论。过去二十年，数字病理与人工智能（AI）深度交织，催生了第一代计算机辅助诊断工具；近年来，自监督病理基础模型与大语言模型、视觉语言模型（VLM）的兴起，把视觉理解与语言层面的推理结合起来，开启了 AI 病理智能体这一新前沿。 然而，能够自主导航视野、调整放大倍率并给出可解释诊断的实用型智能体系统始终未能出现。其根本原因在于，病理专家那种基于经验的、隐性的阅片行为，从未进入模型的训练数据。与编程或数学智能体不同，临床诊断无法由简单的规则化奖励来引导；智能体必须学会病理医生如何检查切片、以及针对每项任务应关注哪些区域。而现有数据集——无论是从互联网爬取的图像—标题对，还是临床 WSI 与报告的配对——普遍缺失病理医生的阅片行为。另一方面，现代数字病理系统虽会常规记录平移、缩放等导航事件，形成一条连续的行为记录，但这类「数字尾气」（digital exhaust）高频、嘈杂且极其冗长，只有经过精确捕捉、整理并转换为结构化、模型可读的表示，才能成为训练人类对齐智能体的可规模化监督来源。 2026 年 7月 24 日，宾夕法尼亚大学病理与实验医学系黄治（Zhi Huang）教授团队领衔，联合斯坦福大学、加州大学旧金山分校，在Nature Biomedical Engineering 发表题为 Pathology-CoT: learning visual chain-of-thought agents from expert whole-slide image diagnosis behaviour 的研究论文。该研究提出 Pathology-CoT 框架，通过三项核心贡献，将专家的视觉思维链行为转化为可规模化的智能体监督信号，并据此训练出人类对齐的病理智能体 Pathology-o3，在多项任务上显著超越当前最先进的视觉语言模型。王晟（Sheng Wang） 与 Ruiming Wu 为论文共同第一作者，黄治（Zhi Huang）为论文通讯作者。 图1. AI 阅片记录仪把连续、嘈杂的阅片日志，转化为离散的行为指令与标准化关注区域（ROI） 该研究开发了一款病理 AI 阅片记录仪（AI Session Recorder），可在标准 WSI 阅片软件中无感知地运行。受物理显微镜离散物镜的启发，它将混乱的事件流转化为紧凑的行为指令序列：每条指令被定义为低倍率的广域巡视（inspect）或高倍率的快速细看（peek），并配对一个标准化的 ROI 边界框；随后，记录仪利用这些专家标定的 ROI 提示视觉语言模型，由后者起草「为何查看该区域、可见哪些关键发现」的临床推理，再由两位病理医生核验与修改，汇聚为 Pathology-CoT 智能体训练数据集。 在结直肠癌（CRC）淋巴结 N 分期这一临床代表性任务上，团队使用标准阅片软件 nuclei.io，采集了斯坦福医学 8 位病理医生（4 位主治、2 位专科培训医师、2 位住院医师）的行为数据，覆盖 25 个病例、137 张切片，累计 10.6 小时阅片，最终形成 921 个会话、5222 轮对话。同步的眼动追踪实验证实，记录仪生成的 ROI 与病理医生的真实注视数据高度吻合，可作为视觉注意力的可靠代理。计时研究进一步表明，这一半自动的人在回路流程比打字标注快约 5–6 倍、比口述快约 3–4 倍，且约 80% 的 AI 生成文本无需任何编辑，构成了一台低成本、可规模化的数据采集引擎。 为验证行为数据的价值，该项目设计了任务条件化智能体 Pathology-o3。它首先通过一个在离散行为指令上训练的行为预测器，在新切片上提出诊断性 ROI；随后执行行为引导的推理——对每个区域自动裁切高分辨率视野，向提示中注入任务上下文（病例级目标与信息、ROI 级意图），再由视觉语言模型生成逐区推理，并综合为病例级总结。该设计将「学到的人类观看策略」与「强大的推理模型」结合，使智能体能够为任一 WSI 输出可解释、可核验的分步视觉思维链。 结果显示，在淋巴结转移基准上，Pathology-o3 取得 84.5% 精确率、100% 召回率与 75.4% 准确率，次优的 OpenAI o3 为 46.7% / 87.5% / 57.8%。不具备思维链能力的视觉语言模型表现明显更差，且呈现失衡的权衡（如 GPT-4.1 召回率 91.7% 而精确率仅 42.3%，Llama-4 精确率 75.0% 而召回率仅 6.2%）。按肿瘤负荷分层的分析显示，性能差距在「困难边缘病例」上最为悬殊：面对直径 0.2 毫米的孤立肿瘤细胞，常规视觉语言模型纷纷失效，而本文智能体依靠主动放大维持了稳健的敏感性。 跨foundation model模型的对照实验进一步剥离出行为数据本身的贡献。相比无行为引导的基线，由学到的观看策略引导使精确率提升 17.0%、召回率提升 11.4%；而由资深主治医师真实行为引导（可视为实践上限）的提升为 17.9% 与 10.4%——学到的行为已弥合了与真实行为之间的大部分差距。这意味着，无需持续、大规模的专家数据采集，只需在有限数据上训练一个紧凑高效的行为预测器，即可蒸馏出专家的观看策略，成为可为任意视觉语言模型提供人类对齐引导的可规模化资产。 作者随后检验了所学策略的稳健性与导航本身的重要性。置换 ROI 的呈现顺序（正序、逆序、随机）后，智能体性能变化极小，说明其能有效综合证据而不依赖固定序列；而随着可查看的 ROI 数量上限放宽（类比思维链长度），性能稳步提升，召回率增益尤为显著。最关键的检验是撤除行为预测器、让视觉语言模型自行选取 ROI，并对照一位具有 12 年经验的资深胃肠道主治病理医生的真实路径。结果显示，无引导的视觉语言模型 ROI 选择零散且低产，而 Pathology-o3 集中于与主治医师真实行为高度重叠的临床显著位点。 这一结果揭示了「分析—导航鸿沟」（analysis–navigation gap）：视觉语言模型强大的分析能力源自海量静态、预先裁切的图像语料；而其导航失败，则源于缺少刻画「与复杂环境持续、视觉引导式交互」的数据。这印证了本文以数据为中心的核心主张——构建有效的病理智能体，必须先把专家导航中隐性的、程序性的知识，数字化为适合学习的结构化形式。 为检验泛化性，在斯坦福数据上训练的 Pathology-o3 与行为预测器被直接迁移到完全独立的外部结肠腺癌淋巴结转移数据集 LNCO2（来自瑞典，321 张 WSI，使用不同扫描仪与倍率）。即便存在明显的域偏移，该智能体仍取得 69.4% 准确率、62.9% 精确率与 97.6% 的近乎完美召回率，其精确率是次优模型 Gemini（23.5%）的两倍以上。文章认为，这表明在「如何看、看哪里」层面上的监督，能够产生比像素级监督更能抵抗图像外观域偏移的可迁移观看策略。 为进一步验证框架的通用性，团队将 Pathology-CoT 拓展至组织结构与诊断挑战均迥异的皮肤病理。该任务不仅要求检出肿瘤，还需将其分为基底细胞癌（BCC）、鳞状细胞癌（SCC）与黑色素细胞肿瘤。重新训练后的 Pathology-o3 在外部皮肤病理队列上二分类肿瘤检出的召回率达 100.0%；在最具挑战的黑色素细胞肿瘤亚型判别上，零样本的 Pathology-o3 取得 88.9% 召回率，超过了在全量数据上完全监督训练的最佳多示例学习（MIL）模型（CONCH-ABMIL，66.7%）。定性分析表明，性能增益源自智能体复现了专家级的主动视觉：它学会主动放大至真皮—表皮交界处、异型细胞巢等解剖学标志，从而分辨出 BCC 的周边栅栏状排列、SCC 的角化珠等在低倍率下不可见的细微形态特征。 此外，作者还评估了该智能体框架与传统多示例（multiple instance learning, MIL）学习（基于 UNI、PLIP、MUSK、CONCH 等病理基础模型）的关系。在低数据场景下，单样本 MIL 基线常常无法召回任何阳性实例，而零样本的 Pathology-o3 依然稳健；更进一步，把行为预测器作为一种「硬注意力」机制来筛选输入图块，可将数据处理量削减 60% 以上，而性能与遍历全切片的基线持平，在细粒度任务中甚至因剔除背景干扰而准确率更高。 总体而言，该研究直面数字病理智能体发展的核心瓶颈——如何获得既具临床意义又可规模化的数据。通过把常规阅片日志转化为任务条件化的行为监督，并与低成本、专家核验的推理配对，Pathology-CoT 为现有架构演化为强大的、人类对齐的智能体提供了所需的监督信号，是迈向行为奠基、临床可信的计算病理 AI 系统的关键一步。 本研究由宾夕法尼亚大学黄治（Zhi Huang）教授指导完成并担任通讯作者，王晟（Sheng Wang）、Ruiming Wu 为共同第一作者，合作单位包括加州大学旧金山分校与斯坦福大学。 原文链接： https://www.nature.com/articles/s41551-026-01739-y 代码与数据：https://github.com/zhihuanglab/Pathology-CoT 制版人： 十一 学术合作组织 （*排名不分先后） 战略合作伙伴 （*排名不分先后） · 推荐直播 · 转载须知 【非原创文章】本文著作权归文章作者所有，欢迎个人转发分享，未经作者的允许禁止转载，作者拥有所有法定权利，违者必究。 BioArt Med Plants 人才招聘 点击主页推荐活动 关注更多最新活动！