Proliposomal Intravesical Paclitaxel

文献来源 • 论文题目： Automated Parallel Synthesis Accelerates Virtual Screening Hit Discovery • 作者： Sean M. McKenna、Martin Šícho、Cas van der Horst、Jesse Maasland、Edith van der Nol、Gianluca Turco、Andrius Bernatavicius、Gerard J. P. van Westen、Laura H. Heitman、Sebastian J. Pomplun • 主要机构： Leiden University、Oncode Institute 等 • 期刊：Journal of the American Chemical Society • 年份： 2026 • 代码： https://github.com/CDDLeiden/ combinaut一句话概括 这项工作构建了一个基于现有肽合成设备的自动化并行小分子合成平台，将2290万规模的可计算化学空间约束为具有明确反应路线的可执行化学空间，并通过CCR2前瞻性虚拟筛选、自动合成、结合实验和细胞功能实验，展示了从计算命中到活性拮抗剂的快速推进流程。 导读 虚拟筛选已经能够在数百万乃至数十亿分子中寻找候选配体，但筛选结束后，真正限制项目速度的往往是候选化合物能否快速合成和验证。本文提出COMBINAUT平台：作者整理715种实验室现有砌块，将八类药物化学常用反应转化为自动化程序，枚举出2290万种最长可在32小时内并行合成的分子。针对CCR2变构口袋，研究从虚拟库中选择100个候选，成功制得78个，验证出9个结合物，并进一步获得两个具有细胞活性的CCR2拮抗剂。论文的价值不只在于自动合成速度，更在于它把反应可执行性提前写入虚拟筛选空间，为计算设计、实验验证和迭代优化之间建立了更紧密的接口。读者可以获得什么 • COMBINAUT如何把固相合成、虚拟筛选和药理实验连接起来； • 2290万可合成化学空间是如何从715种砌块与15类骨架中构建的； • V-SYNTHES如何用约50万个代表分子近似筛选完整组合空间； • 9个CCR2命中与两个细胞活性拮抗剂的发现过程； • 自动化合成距离真正的自驱动药物发现实验室还有哪些关键缺口。 为什么这篇论文值得关注？ 过去几年，虚拟筛选的规模增长极快。 通过GPU加速分子对接、机器学习代理模型、片段或合成子分层搜索，研究者已经能够探索数亿甚至数十亿个候选分子。但计算规模扩大并不意味着实验发现速度同比提高。虚拟筛选得到的候选仍然需要经历采购、合成、纯化、质量控制和生物实验，任何一个环节都可能让计算端节省的时间重新消耗在实验端。 作者在论文中给出一个直观背景：虚拟筛选的实验命中率通常低于20%，不少研究甚至低于5%。这意味着，为获得少量可靠结合物，往往需要合成和测试数十至数百个计算候选。商业按需合成虽然扩大了可筛选空间，但交付周期通常以周计算，多个设计—合成—测试—分析循环叠加后，项目仍然可能持续数月。 因此，这篇论文处理的核心问题并不是怎样再提高一点对接分数，而是： 能否让虚拟筛选所搜索的每一个分子，都预先对应一条实验室内可快速、并行和自动执行的合成路线？ 这使研究重点从单纯扩大虚拟库，转向协调三种空间： 1. 计算可枚举空间：软件能够生成多少分子； 2. 化学可执行空间：实验设备能够稳定制备多少分子； 3. 生物可验证空间：有限时间和资源内能够测试多少分子。 COMBINAUT的主要价值，就在于尝试缩小这三者之间的断层。 虚拟筛选的瓶颈为什么逐渐转向合成与验证？ 传统虚拟筛选流程通常可以简化为： 商业数据库 → 分子对接 → 候选排序 → 下单或委托合成 → 等待交付 → 生物实验 这一流程面临三个问题。2.1 虚拟可得不等于实验可得 数据库中标记为可合成的化合物，通常只意味着供应商拥有对应反应模板和原料，并不意味着每个组合都已被实际制备。具体订单仍可能因反应失败、原料缺货、纯化困难或稳定性问题而无法完成。 常见的合成可及性分数也不能解决这一问题。SA score或类似指标只是在结构层面估计分子是否容易合成，并没有为每个候选指定反应物、反应顺序、设备程序和纯化方式。2.2 供应链时间与计算时间并不匹配 一次对接筛选可能在数小时至数天内完成，但商业按需合成和运输往往需要数周。如果首轮候选活性不足，第二轮结构优化又会重新经历同样的等待周期。 因此，真正需要优化的不是单次筛选时间，而是整个DMTA循环： Design → Make → Test → Analyze 其中Make通常是最难通过增加计算资源来直接缩短的一环。2.3 低命中率要求更高的实验吞吐量 虚拟筛选评分并不是结合自由能的精确求解。蛋白柔性、溶剂效应、质子化状态、构象熵和非特异性作用都可能导致假阳性。 当真实命中率只有几个百分点时，一个平台能否在同一时间窗口内制备20个、100个还是500个候选，将直接影响项目发现可靠命中的概率。 以往方案 现有方案大致可以分为三类。3.1 商业按需合成库 这类平台的优势是化学空间巨大、反应模板成熟、使用门槛较低。研究者可以直接针对REAL、Galaxi等空间开展大规模计算筛选。 问题在于，化合物并不位于研究团队自己的实验闭环中。合成排期、运输、价格、订单失败和原料状态都难以由项目团队控制。3.2 自动流动化学和专用合成机器人 自动化流动合成、模块化反应设备以及高度集成的化学机器人能够执行较复杂的反应，但通常依赖专用硬件、精细工程改造和特定反应开发。 它们适合制备少量结构明确的目标，未必适合同时合成数十至数百个结构差异较大的虚拟筛选候选。3.3 直接面向生物实验的组合化学 Direct-to-biology、DNA编码化合物库和微量平行合成能够获得很高吞吐量，但通常受到反应条件温和性、粗产物杂质、DNA兼容性或可检测浓度的限制。 这些方法更适合固定模板附近的组合扩展，不一定能够覆盖具有多个反应步骤和多样骨架的药物样小分子。 COMBINAUT选择了一条相对务实的路线：不重新制造一套高度复杂的合成机器人，而是改造实验室已经较成熟的平行固相肽合成设备，使其能够执行多类小分子药物化学反应。这篇论文的核心思想 COMBINAUT并不是一个新的人工智能模型，也不存在神经网络结构、训练损失或端到端学习目标。它是一套由四个模块组成的实验—计算协同平台： 1. 砌块与反应空间整理； 2. 可自动执行的组合化学库枚举； 3. 面向合成子空间的分层虚拟筛选； 4. 自动合成、实验验证和结构优化。 其中最关键的设计，是让虚拟库中的每个分子都与以下信息绑定： • 来自哪些真实存在的砌块； • 使用哪种反应模板； • 按什么顺序连接； • 能否在现有设备上执行； • 预计需要多长反应时间。 因此，COMBINAUT所定义的并非抽象分子集合，而是一个由实验室库存和可执行反应共同决定的化学空间。5. 方法细节：COMBINAUT到底是怎么工作的？5.1 第一步：整理715种真实可用的合成砌块 作者从多个化学实验室收集了五类砌块： 砌块类别 数量 主要用途 羧酸 185 酰胺偶联 磺酰氯 94 磺酰胺形成 Fmoc保护氨基酸 113 固相锚定、骨架和手性单元构建 伯胺 199 亲核取代、还原胺化和偶联 醛 124 还原胺化和杂环形成合计715 — 整理过程排除了重复砌块、不兼容的保护基组合、外消旋体以及过于特殊、难以组合扩展的结构。 作者还使用building-block rule of two进行粗过滤，主要考察： • 分子量不高于约200 Da； • 氢键供体不超过2个； • 氢键受体不超过4个； • logP不超过2。 这一规则的目的不是保证最终分子一定具有良好药代性质，而是避免多个偏大、偏油或极性过高的砌块组合后，系统性地产生超出常规药物样空间的分子。 随后，作者使用分子描述符和UMAP可视化各类砌块的化学分布，从不同区域选择代表性底物开展反应适用性测试。这里的UMAP不是预测反应成功率的模型，其作用主要是减少只在少量相似底物上验证反应条件所产生的偏差。 原文图2集中展示了砌块分布、代表性底物选择和各类反应的转化率，是理解COMBINAUT化学基础最重要的一张图。 5.2 为什么选择固相合成？ 固相合成的基本思想，是先将分子的一端固定在不溶性树脂上，然后依次执行： 反应 → 过滤 → 洗涤 → 脱保护 → 下一步反应 未反应的试剂和副产物可通过洗涤去除，固定在树脂上的中间体则被保留下来。与传统溶液相合成相比，它有三个适合自动化的特征： • 不需要在每一步分离中间体； • 可以使用过量试剂推动反应； • 过滤、加液、振荡、加热和洗涤都容易程序化。 但固相合成也有明确边界： • 反应必须与树脂和连接臂兼容； • 中间体不能在反应过程中从树脂脱落； • 强酸、强碱、高温和金属催化条件可能受到限制； • 固相上的空间位阻与溶液相不同，底物适用范围需要重新验证。 因此，作者没有简单把已有溶液反应直接搬到仪器上，而是先在手动固相体系中开发条件，再将其翻译为自动化程序。5.3 八类自动化反应如何建立？ 作者优先选择了药物化学中高频、对空气和水分相对不敏感的反应。酰胺偶联 使用HATU作为偶联试剂，将羧酸砌块连接到树脂上的胺基底物。代表性底物的转化率约为76%—95%。 酰胺键在药物分子中非常常见，底物和试剂体系成熟，是最容易迁移到自动固相平台的一类反应。磺酰胺形成 磺酰氯与伯胺或仲胺在THF和DIPEA条件下反应。代表性转化率约为43%—96%。 较大的转化率跨度说明，该反应虽然总体适用，但对磺酰氯电子性质、胺的亲核性和空间位阻较为敏感。还原胺化 醛与胺先形成亚胺或亚胺鎓中间体，再由氰基硼氢化钠还原。作者使用乙醇、1%乙酸和NaBH₃CN获得多数65%—74%的转化率。 部分醛—胺组合几乎不形成产物，这预示着仅根据官能团匹配枚举组合，会高估真实可合成空间。两种SNAr使用模式 作者测试了两种亲核芳香取代策略： • 改变缺电子卤代芳烃电亲试剂； • 固定含氟芳环，改变胺类亲核试剂。 第一种模式底物范围较窄，多种候选转化率很低；第二种模式表现更稳定，代表性胺底物转化率约为51%—92%。 这也是论文中非常诚实的一点：平台没有把所有形式上合理的反应都认定为可靠，而是根据底物范围重新调整可枚举模板。硝基还原 将芳香硝基还原为胺，为后续杂环形成提供中间体。代表性转化率为59%—92%。苯并咪唑杂环化 还原后的邻苯二胺类中间体与醛缩合形成苯并咪唑，代表性转化率约为54%—64%。 该路线能够增加骨架刚性和三维结构复杂度，但需要连续执行SNAr、还原和缩合，因此反应时间可达到31—32小时。SN2亲核取代 作者先引入溴乙酸形成电亲性连接位点，再与胺砌块反应。多数代表性底物转化率为53%—93%，但低亲核性胺可能完全失败。 这些实验说明，COMBINAUT并不是一个对所有砌块组合均有保证的合成引擎。它提供的是经过一定底物范围验证的反应模板，而非绝对的合成成功承诺。5.4 自动化设备与实际操作流程 作者将这些反应部署到一台Biotage Syro I平行肽合成仪上。 每个反应容器为带过滤结构的注射器，加入约60 μmol Rink官能化树脂。砌块和试剂预先配置为储备液，随后通过Syro XP软件编写自定义程序，自动完成： 1. 树脂溶胀； 2. 首个砌块固定； 3. 试剂添加与反应； 4. 树脂过滤和洗涤； 5. 正交脱保护； 6. 溶剂切换； 7. 后续砌块偶联； 8. 酸性条件下从树脂切割。 切割后的粗产物进入标准化反相色谱纯化流程，单次方法约18分钟；产物馏分冻干后，用于后续生物实验。 作者为一次合成是否成功设定了三个标准： • 分离产物质量不低于0.5 mg； • 254 nm紫外检测纯度不低于80%； • HPLC-MS检测到与目标结构相符的质量离子。 需要注意，匹配的质谱峰和80%色谱纯度足以支持早期快速筛选，却不能完全替代严格结构确证。因此作者对代表性化合物进行了¹H NMR分析，并对最终优化分子重新制备高纯批次，使用一维和二维NMR确认结构。5.5 平台到底能够合成多复杂的分子？ 作者首先制备了化合物4。该分子经过氨基酸固定、溴乙酸偶联、环丙胺亲核取代和磺酰胺形成等连续步骤，7小时内获得9.0 mg产物，分离收率36%。 随后又制备12个两砌块或三砌块组合的测试分子： • 简单酰胺或磺酰胺可在2—4小时完成； • 还原胺化和SN2路线通常需要4—7小时； • 多步苯并咪唑路线需要31—32小时； • 分离收率从个位数到80%以上不等。 这一结果应当从两个角度理解。 一方面，平台确实能够使用同一类设备获得结构差异较大的小分子，而不局限于肽或简单酰胺库。另一方面，不同骨架的收率差异很大，说明自动执行并不等于反应化学已经完全标准化。 原文图3展示了自动合成—纯化—样品制备流程以及13个代表性产物，是判断平台真实化学能力的关键证据。5.6 如何从反应模板枚举出2290万分子？ 作者将已验证的反应按照可组合顺序连接，构建15种通用骨架模板。每个模板中的可变位置分别由对应类型的砌块填充。 例如，一个三砌块模板的理论规模可近似表示为： 不同模板使用不同砌块类别，最终得到约2290万个明确结构。其中约1730万个，也就是75.5%，符合Lipinski规则；不同骨架的Lipinski合规比例约为60.7%—99.9%。 这里最值得关注的不是2290万这个数字本身，而是每个分子都能追溯到： • 一个具体骨架模板； • 一组库存中真实存在的砌块； • 一套已经写入自动化设备的反应顺序。 这与先生成分子、再使用合成可及性分数进行事后过滤存在本质差异。 原文图4给出了反应能力、15类骨架和总化学空间之间的对应关系。 6. CCR2虚拟筛选如何进行？6.1 靶点与口袋 作者选择C–C趋化因子受体2，即CCR2，作为验证靶点。 CCR2属于G蛋白偶联受体，与免疫细胞迁移和炎症过程有关。研究针对的是CCR2胞内变构口袋，而不是传统的正构配体结合区域。 对接结构来自配体结合状态的CCR2晶体结构PDB 5T1A。使用配体结合结构的优势是口袋边界和关键残基构象相对明确，但这也意味着方法尚未证明能够处理无配体结构、预测结构或高度柔性的隐蔽口袋。6.2 对接分数之外，再加入相互作用指纹 作者从ChEMBL收集已知CCR2变构配体，使用AutoDock Vina生成结合构象，再通过PLIP识别蛋白—配体相互作用。 PLIP根据距离和角度规则识别： • 氢键； • 疏水作用； • 芳香相互作用； • 盐桥； • 卤键等。 作者统计不同已知配体系列中反复出现的作用模式，将其构建为加权相互作用指纹分数。因此，候选排序同时考虑： 1. Vina对接能量； 2. 与已知CCR2配体相互作用模式的一致性； 3. 分子结构新颖性。 这种方法的合理性在于，对接总分可能被分子大小和疏水接触驱动，而关键相互作用指纹可以增加靶点特异性。 但它也存在明显偏置：如果真正的新型配体采用与已知配体不同的结合模式，相互作用指纹筛选可能降低其排名。 论文主文没有给出每类相互作用的具体权重和全部阈值，因此不宜对评分函数的精确形式作进一步推断。6.3 为什么不直接对接全部2290万分子？ 对2290万个分子逐一生成构象、对接和分析仍然需要较高计算成本。作者采用V-SYNTHES式合成子分层筛选进行加速。 其核心流程是：第一层：构建代表性合成子分子 对于三砌块分子，先保留其中两个真实砌块，将第三个位置替换为甲基、甘氨酸等小型占位基团。 这样，许多共享前两个砌块的完整分子可由一个代表性结构近似表示。对于本身只有两个砌块的骨架，则直接保留完整结构。 最终，2290万完整库被压缩为505,832个首轮对接分子。第二层：对接代表结构 对这些代表结构运行AutoDock Vina，并计算PLIP相互作用指纹。第三层：扩展优先合成子 对于排名较高且包含占位基团的结构，再枚举第三个真实砌块，生成完整分子并重新对接和评分。 作者估计，这种分层搜索相对于全库穷举对接提高了约30倍计算吞吐量。第四层：聚类与人工检查 筛选结果根据结构相似性聚类，约2000个候选结合构象进入人工检查，最终保留371个候选，再从中选择100个代表分子进行合成。 人工检查的原因非常具体：Vina和PLIP仍无法充分排除低质量构象，精度仍然有限，例如将高极性基团埋入疏水区域，但评分没有给予足够惩罚。 这说明COMBINAUT虽然实现了自动化合成，虚拟筛选部分仍不是完全自动决策系统。7. 从2290万分子到9个真实结合物 完整筛选漏斗如下： 阶段 化合物数量 主要操作 可枚举组合库 22,900,000 15类骨架与715种砌块组合 V-SYNTHES代表库 505,832 合成子占位与分层采样 人工检查候选 约2,000 检查对接构象与口袋匹配 初步入选 371 综合评分、聚类和新颖性 进入自动合成 100 覆盖9类骨架 合成及纯化成功 78 达到质量、纯度和质谱标准 实验验证命中 9 放射性配体置换率≥50% 深入优化系列 2 化合物21和25 细胞活性拮抗剂 2 化合物36和447.1 合成履约率为78% 100个候选中有78个达到预设质量控制标准。 失败主要集中于： • 某些醛和氨基酸组合的还原胺化不兼容； • 某些伯胺亲核性不足，无法有效发生SNAr； • 部分胺难以完成磺酰胺偶联。 这表明反应模板层面的可合成性并不等同于具体底物组合一定成功。未来平台需要的不只是枚举规则，还需要基于历史实验数据的反应成功率模型。7.2 实验命中率为12% 78个成功制备的分子在100 μM条件下进行放射性配体置换实验。若对标记配体的置换率不低于50%，则被定义为命中。 最终获得9个命中： • 相对于78个实际测试分子，命中率约为12%； • 相对于最初选择合成的100个候选，端到端成功比例为9%。 这些命中分布在5种不同骨架中，说明筛选结果并非集中于单一化学系列。 九个分子的亲和力表现为： • 6个分子的 K_i 为29.5—53.7 μM； • 化合物18的 K_i 为6.8 μM； • 化合物25的 K_i 为6.0 μM； • 化合物21达到0.9 μM。 从药物发现角度看，多数分子仍属于需要显著优化的早期命中，但首轮即获得亚微摩尔结合物21，证明该工作流不仅能找到弱结合片段。7.3 命中结构是否真的新颖？ 作者使用基于Morgan指纹的Tanimoto相似度比较命中与已知CCR2变构拮抗剂，最高相似度仅为0.30，整体范围为0.15—0.30。 化合物21保留了某些趋化因子受体变构配体中出现过的氯苯基磺酰胺药效团，但整体拓扑与已知配体仍然不同。这说明筛选能够保留已知关键相互作用，同时探索新的骨架连接方式。 命中分子的中位性质包括： • 分子量约382 Da； • 可旋转键约5个； • TPSA约82 Ų； • 氢键供体约1个； • 氢键受体约4个； • XlogP约3.4。 这些性质与CCR2变构口袋较小、较疏水的特点相符，但较高脂溶性也可能带来溶解度、非特异性结合和代谢稳定性问题。 原文图5完整展示了筛选漏斗、合成履约情况、单点置换实验和九个命中的剂量—反应曲线。8. 从虚拟筛选命中到细胞活性拮抗剂 作者选择化合物21和25进行结构—活性关系优化。8.1 化合物21系列 根据对接构象，化合物21可能通过以下方式结合： • 磺酰胺氧与Lys311、Phe312主链形成氢键受体作用； • 苯环与Tyr305、Phe312和Tyr315形成芳香或疏水作用网络； • 对位氯可能与Val63主链羰基形成卤键； • 环戊并噻吩占据由Leu81、Leu134和Ile245构成的疏水区域； • 酯羰基朝向Arg138附近。 作者围绕芳环取代、疏水基团和酯尾部制备22个类似物。单轮平行合成只需约2—3小时。 较大的取代基、桥连结构和额外极性基团大多降低活性；间位或双取代芳环则增强了与Leu67附近的疏水接触。最终得到优化化合物36。 高纯度批次中： 相对于起始化合物21的0.9 μM，亲和力提高约4倍。 8.2 化合物25系列 化合物25的对接构象显示： • 叔酰胺羰基可能与Lys311和Phe312主链形成作用； • 2-氯噻吩参与芳香和卤键作用； • 甲基环己基占据疏水口袋； • 丙氨酸侧链接触Val244； • 末端酰胺朝向溶剂区域。 作者首先改变丙氨酸和甲基环己基，但大多数改造降低活性。随后引入不同二氯噻吩羧酸砌块，制备11个类似物，整个平行合成过程约需5小时。 最终得到化合物44，高纯度批次的： 相对于化合物25的6.0 μM，亲和力提高约6倍。8.3 细胞功能实验 结合实验只能证明分子能够竞争性占据CCR2变构口袋，不能证明它能在细胞环境中抑制受体信号。 作者进一步使用U2OS-CCR2细胞开展Tango β-arrestin募集实验。细胞先与候选拮抗剂孵育，再使用CCL2激活CCR2，最后通过报告基因荧光读出β-arrestin募集程度。 结果为： • 化合物36：(IC_{50}=256) nM； • 化合物44：(IC_{50}=1.3) μM。 细胞功能活性与放射性配体结合数据总体一致，说明两个分子不仅能够结合受体，还能抑制CCL2诱导的CCR2信号。9. 如何评价这篇论文的实验证据？ 论文主张 主要证据 证据强度 常见药物化学反应可迁移到平行固相设备 八类反应底物范围、13个代表分子、NMR和HPLC-MS 较强 平台可快速制备多样虚拟筛选候选 100个候选中78个履约，最长反应32小时 较强 平台能够发现新的CCR2化学类型 9个实验命中、5类骨架、低Tanimoto相似度 较强 自动合成能够加速命中优化 两个系列分别合成22和11个类似物，亲和力提高4—6倍 较强 平台适用于几乎所有可成药靶点 仅在一个具有配体结合晶体结构的CCR2口袋验证 较弱 平台优于商业按需合成 缺少同一候选集、相同条件下的时间与成本对照 中等偏弱 总体而言，论文对CCR2案例的证据链比较完整： 计算筛选 → 自动合成 → 结合实验 → SAR优化 → 高纯复验 → 细胞功能实验 但从单个靶点推广到广泛药物发现平台，仍需要更多前瞻性案例。10. 这篇文章带来的五点启发10.1 虚拟筛选空间应由可执行化学定义 传统做法通常先建立巨大的结构数据库，再判断候选是否容易合成。COMBINAUT反过来从库存砌块、反应模板和设备能力出发定义化学空间。 这会牺牲部分空间规模，却显著提高候选进入实验的速度和确定性。10.2 合成约束不应只是末端过滤器 将合成约束放在排序之后，只能排除明显困难的结构；将合成路线直接写入枚举过程，则可以让每个候选天然携带实验执行方案。 对于生成式分子设计，这一思想同样重要：模型输出不应只有分子图，还应尽可能关联反应模板、原料和成功概率。10.3 自动化的价值主要体现在多轮迭代 制备一个简单酰胺并不需要机器人。自动化真正产生优势的场景，是围绕多个结构位点同时制备一组匹配分子对，并在每轮实验后迅速调整。 本研究中，21和25系列的优化比首轮命中验证更能体现平台价值。10.4 负结果也是可积累的数据资产 哪些醛—胺组合失败、哪些SNAr底物不反应、哪些结构改造降低亲和力，均可用于训练后续反应预测与活性模型。 当平台积累足够多的成功和失败数据后，可进一步采用主动学习选择最值得合成的候选。10.5 自动化合成并没有消除人工判断 约2000个对接构象需要人工检查，类似物设计也依赖药物化学分析。COMBINAUT自动化的是实验执行，不是完整的科学决策。 这一区分非常重要。当前平台更接近高吞吐量药物化学执行系统，而不是无人干预的自驱动实验室。11. 局限性11.1 仅验证了一个靶点 CCR2案例使用高质量、配体结合状态的晶体结构，并且口袋中已有已知配体可用于提取相互作用指纹。 对于以下场景，平台效果仍未得到证明： • 只有AlphaFold预测结构的靶点； • 高度柔性或诱导契合明显的口袋； • 缺乏已知配体的全新靶点； • 浅表、溶剂暴露或高极性结合位点； • 需要共价反应或金属配位的靶点。 因此，论文证明的是CCR2条件下的可行性，而不是跨靶点普适性。11.2 可枚举不等于一定可合成 虽然所有分子都符合预定义反应模板，但100个候选中仍有22个未达到履约标准。 失败具有底物组合依赖性，说明目前的库枚举仍主要基于官能团规则，没有充分建模： • 反应物电子效应； • 空间位阻； • 固相传质； • 树脂负载差异； • 中间体稳定性； • 纯化和溶解性。 未来需要为每个组合分配反应成功概率，而不是仅给出二元可合成标签。11.3 化学空间仍受15种骨架限制 2290万听起来很大，但与十亿级商业按需空间相比仍较有限。更重要的是，其多样性受到以下因素共同约束： • 715种现有砌块； • 固相连接方式； • 八类反应； • 15种预定义骨架； • 树脂和反应条件兼容性。 如果某类理想CCR2配体需要平台之外的环化、交叉偶联或复杂立体化学，虚拟筛选从一开始就无法发现它。11.4 对接流程仍存在明显人工环节 Vina与PLIP不能可靠排除所有错误构象，约2000个候选需要人工检查。 这会带来： • 专家依赖； • 主观选择偏差； • 难以扩展到大量并行项目； • 不同研究者之间可重复性下降。 下一步应引入构象质量模型、极性环境匹配、应变能和不确定性评估，降低人工筛选负担。11.5 早期筛选纯度可能影响活性判断 作者为提高吞吐量，允许纯度不低于80%的样品进入早期实验。这一策略适合快速排查，但杂质可能： • 产生假阳性或假阴性； • 改变实际化合物浓度； • 干扰放射性配体实验； • 导致错误的SAR结论。 化合物36在中等纯度和高纯度批次中的结果较接近，但化合物44的 (K_i) 从4.8 μM变化到1.0 μM，说明纯度和定量误差确实可能显著影响活性估计。 作者通过高纯复验和NMR确证降低了最终结论风险，但并未对全部九个命中进行同等强度的结构和纯度复验。11.6 对接构象只是作用机制假设 论文根据对接结果解释Lys311、Phe312、Leu67和Arg138等残基的作用，并据此设计类似物。 但没有共晶结构、冷冻电镜结构或系统突变实验直接验证这些结合模式。因此，SAR与对接解释相符，并不等于结合构象已经得到实验确认。11.7 药物开发性质尚未系统评价 研究尚未给出： • CCR家族亚型选择性； • 广泛脱靶筛选； • 水溶性与聚集风险； • 细胞毒性； • 渗透性； • 肝微粒体稳定性； • CYP抑制； • 血浆蛋白结合； • 动物药代动力学。 因此，化合物36和44应被视为细胞活性的早期工具分子或先导起点，而不是已经具备开发价值的候选药物。11.8 缺少完整成本与时间对照 论文清楚报告了反应时间，但没有系统比较： • 人工合成； • COMBINAUT； • 商业按需合成； 在同一批100个候选上的总成本、人工工时、纯化时间、失败率和端到端交付时间。 因此，平台显著缩短反应执行时间是可信的，但究竟能将完整DMTA周期缩短多少，仍需更标准化的经济性分析。12. 对AI制药与自动化药物发现的未来意义12.1 自动化合成将成为虚拟筛选的上游约束 未来的超大规模虚拟筛选不应只返回高分结构，还应同时返回： • 合成模板； • 所需砌块； • 反应顺序； • 预计成功率； • 预计纯化难度； • 合成时间与成本。 也就是说，合成系统不只是筛选完成后的服务部门，还应参与定义计算搜索空间。12.2 AI可以用于预测具体组合是否真正可行 COMBINAUT已经积累了底物组合、反应条件、转化率和失败数据。随着数据增加，可训练模型预测： 成功合成 反应模板、底物、条件、设备 这一概率可直接加入虚拟筛选目标： 综合效用 预测活性 合成成功概率 实验信息价值 这比简单的对接分数排序更接近真实药物发现决策。12.3 正负实验数据可形成主动学习闭环 平台每轮不仅产生有活性的分子，也产生： • 无活性分子； • 合成失败组合； • 低收率反应； • 难纯化样品； • 对接高分但实验阴性的候选。 这些数据可用于持续更新对接重评分模型、反应预测模型和候选选择策略，使下一轮优先合成最有信息量的分子。12.4 生成式模型必须面对实验可执行性 生成式AI常能产生结构新颖、预测得分较高的分子，但新颖性越高，越可能超出已有反应模板。 COMBINAUT提供了一种现实思路：让生成过程在由砌块和反应模板构成的空间中运行，或要求生成分子同时输出可执行合成路径。 这会限制结构自由度，却可能显著提高从生成结果到实验验证的转化率。12.5 距离真正自驱动实验室还缺少三个模块 完整闭环至少还需要： 1. 全自动纯化与质量控制； 2. 自动化生物实验与数据回传； 3. 根据实验结果自主选择下一批分子的决策算法。 COMBINAUT已经自动化了Make环节，并部分连接Design和Test，但尚未实现无人工干预的闭环学习。总结 这篇论文最值得关注的地方，不是作者又枚举了一个千万级分子库，也不是获得了一个纳摩尔级化合物，而是它重新处理了虚拟筛选中长期被低估的接口问题： 计算筛选出来的分子，如何在足够短的时间内被真实制备、测试并继续优化？ COMBINAUT通过715种现有砌块、八类自动化反应和15种骨架模板，建立了2290万规模的可执行化学空间。针对CCR2的前瞻性案例中，平台从100个计算候选出发，制得78个化合物，验证出9个结合物，并将其中两个系列优化为具有细胞功能活性的拮抗剂。

随着生成式人工智能的爆发，基于结构的小分子药物设计（SBDD）迎来了突破性进展。然而，当前的药物化学分子生成工具与亲和力评估工具往往是分离的：生成模型负责在口袋中“盲目”填补空间，而打分函数（如分子对接或自由能扰动FEP）则作为外部筛选器进行事后评估。这种“生成-打分”的断裂不仅带来了极大的计算开销，更导致了生成空间与评价空间的分布错配。 近日，发表在期刊 Nature Communications 上的研究提出了一种名为 FLOWR.ROOT 的全新基础模型（Foundation Model）。该模型基于 SE(3)等变流匹配（Flow Matching） 架构，首次在单一主干网络中完美统一了口袋感知的3D配体生成、多指标结合亲和力预测（pIC50, pKi, pKd, pEC50）以及基于pLDDT的置信度评估。大模型不仅能够胜任从头药物设计（De Novo Design），更具备强大的适配性，可无缝切换至骨架跃迁、碎片增长或局部替换等先导化合物优化任务，并通过参数高效微调（LoRA）实现项目特异性的SAR（结构-活性关系）景观对齐。一、 FLOWR.ROOT模型架构与全景框架 FLOWR.ROOT的核心设计思想是建立一个能够理解三维蛋白质-配体相互作用，并同时处理结构生成与活性预测的多任务大模型。该模型建立在SE(3)等变的流匹配主干上，通过连续和离散的混合输运映射，将先验分布（噪声或碎片锚点）逐步转化为蛋白质口袋内的目标配体三维三维结构。 该架构主要由两个核心组件构成： 1. 口袋编码器（Pocket Encoder）：通过等变自注意力层处理全原子蛋白质特征，提取出具备空间旋转平移不变性与等变性的双重表征。为了平衡计算效率与相互作用的覆盖度，研究采用结合位点周围 7 Å 的截断半径来提取口袋。 2. 配体解码器（Ligand Decoder）：利用等变自注意力捕捉配体内原子间的依赖关系，并通过交叉注意力机制动态整合口袋的上下文信息。 配体解码器后端接入了三个相互协作的预测输出头： • 结构头（Structure Head）：预测原子的三维坐标、原子类型、键级、部分电荷以及杂化状态。 • 多亲和力头（Multi-Affinity Head）：包含四个独立的预测器，分别对应 pIC50、pKi、pKd 和 pEC50。这种设计明确区分了不同实验测量体系的异质性，避免了传统模型将其混为一谈的弊端。 • 置信度头（Confidence Head）：输出基于 pLDDT 的不确定性估计，为生成的结构提供质量评估。 为了解决高质量蛋白质-配体复合物及亲和力数据的稀缺性，FLOWR.ROOT 采用了三阶段训练策略： • Stage 1（大规模预训练）：在15亿个小分子构象（ZINC3D、PubChem3D等）以及约250万个混合质量的蛋白质-配体复合物（含计算模型与实验结构）上进行训练，构建广泛的化学与空间几何先验。 • Stage 2（高保真度精调）：在精心清洗、结构准确的 SPINDR 和 HiQBind 晶体结构数据集上精调，使大模型掌握精准的原子级相互作用和亲和力定量关系。 • Stage 3（项目特异性适配）：利用推理端重要性采样进行多目标引导，或通过 LoRA 技术在项目私有数据上快速微调，对齐局部的SAR景观。 图1：FLOWR.ROOT 统一框架全景图 • Figure 1a：展示流匹配主干网络的计算流程，通过口袋编码器与配体解码器（交叉注意力）将噪声输运为口袋中的3D配体，并由结构、亲和力、置信度三头并行输出。 • Figure 1b：详细描绘三阶段训练流程，涵盖15亿配体构象的超大规模预训练、高保真晶体复合物精调以及基于LoRA或重要性采样的下游适配。 • Figure 1c：展现模型的多场景应用模式，包括从头设计、相互作用条件采样、骨架跃迁、碎片增长/替换以及直接的亲和力精准预测。二、 基础性能评估：HIQBIND与工业级FEP+基准测试 为了严格评估大模型的结构几何质量与亲和力预测准确度，研究团队采用了基于 Plinder 的严格数据集划分策略（综合考虑了序列相似性、口袋Jaccard相似性、PLIP相互作用以及配体Tanimoto相似性），彻底避免数据泄漏。 在 HIQBIND 测试集上，联合训练不仅没有损害配体的空间三维质量（PoseBusters通过率达到0.97），更在亲和力预测上展现出了极高的准确度。 图2：HIQBIND测试集上的亲和力预测表现 • Figure 2a：模型预测的 pIC50 与实验观测值之间的关联散点图（n=116）。 • Figure 2b：模型预测的 pKi 与实验结合活性的关联散点图（n=54）。 • Figure 2c：模型预测的 pKd 与实验数据的关联散点图（n=108）。 • Figure 2d：综合四种亲和力预测其中位数与实验总指标的关联性能表现（n=278），展现出极低的均方根误差。三、 推理端转向：重要性采样多目标引导 在实际药物研发中，仅仅生成高亲和力分子是不够的，还需要兼顾理化性质（如LogP、分子量）以及可合成性。FLOWR.ROOT由于在同一主干中融入了亲和力预测，使其可以在推理端利用**重要性采样（Importance Sampling）或序贯蒙特卡洛（SMC）**进行引导，无需外接打分函数即可将分子生成导向高活性、优良ADME(T)的特定化学空间。 图3：亲和力引导下的推理端定向生成表现 • Figure 3a：对比无引导（un-guided）与引入不同强度亲和力引导后，生成分子预测 pIC50 分布的显著提升。 • Figure 3b：基于PCA主成分分析展示无引导和强引导下生成的配体在化学空间上的分布漂移与富集。 • Figure 3c：通过2D UMAP流形可视化进一步印证引导后生成的分子成功收敛于高效力特征空间。 • Figure 3d：多维Violin图全面评估生成分子在MW, logP, HBD, HBA, TPSA, SA Score等关键理化性质及可合成性维度的描述性分布。四、 叫板物理方法：工业级基准测试表现 研究人员进一步将 FLOWR.ROOT 投放到由 Schrödinger 提供的工业级 FEP+/OpenFE 标杆数据集（包含881个复合物系统）上进行极限测试。令人惊叹的是，作为一个高通量的深度学习模型，FLOWR.ROOT 的预测精度直接比肩乃至超越了计算极其昂贵的物理自由能扰动（FEP）方法。 图4：FEP+/OpenFE 工业标杆基准上的预测对比 • Figure 4a：FLOWR.ROOT 预测亲和力（换算为 kcal/mol）与实验结合自由能的散点关联图（n=881），表现出卓越的线性关系。 • Figure 4b：柱状图对比，FLOWR.ROOT 的 Pearson 相关系数（高达0.86）和 RMSE 指标优于 FEP+、OpenFE、AEV-PLIG 以及联合折叠大模型 Boltz-2。五、 深入现实场景：私有药物研发项目中的LoRA适配 为了模拟真实的产业级应用，研究团队在4个完全未见过的内部药物研发项目（Project 1-3 拥有 pIC50 数据，Project 4 拥有 pEC50 数据）上测试大模型。药物研发项目往往饱含密集的局部高活性、活性断崖（Activity Cliffs）等微妙SAR信息，传统的全局大模型往往难以直接泛化。而 FLOWR.ROOT 凭借参数高效的 LoRA 策略，仅需少量本地测定数据即可完美对齐局部SAR景观。 图5：在四个未见内部研发项目上的LoRA微调与零样本预测对比 • Figure 5-Project 1~4：对比了 Boltz-2（零样本）与 FLOWR.ROOT 在LoRA微调前后的亲和力相关性表现，清晰表明LoRA微调极大地纠正了系统偏差，大幅提升了相关系数。六、 进阶案例研究：激酶多目标选择性设计与量子化学验证 在先导化合物优化中，克服同族激酶的选择性（如抑制CK2α的同时规避CLK3 off-target毒性）是一大顽疾。FLOWR.ROOT 支持在推理时同时启用 CK2α 正向引导和 CLK3 反向惩罚。 图6：针对 CK2α 和 CLK3 的亲和力引导选择性优化 • Figure 6：核密度估计（KDE）图，对比了单目标优化（仅最大化CK2α活性）与联合目标选择性优化（最大化CK2α且最小化CLK3）的效力分布，结果显示联合优化显著降低了CLK3的非特异性结合。 为了进一步巩固生成分子的可信度，研究团队使用高精度的量子化学方法（GFN2-xTB半经验QM结合隐式溶剂模型）对模型生成的选择性分子进行了非偏的结合能计算验证。 图7：选择性配体设计的量子化学（QM）验证与结合模式剖析 • Figure 7a：QM计算的 CLK3 vs CK2α 结合自由能散点图，大量点落在对角线下方，定量证实了分子的靶向选择性。 • Figure 7b：保留配体的QM结合能差值分布直方图，其偏态分布在约 -17.0 kcal/mol 处见顶，印证了CK2α更强的能量优势。 • Figure 7c：一个典型 CK2α 选择性分子的晶体级结合口袋相互作用口袋模式。 • Figure 7d：详细拆解并放大两个代表性配体与关键残基 H160 形成的空间相互作用细节。 • Figure 7e：少数偏向 CLK3 选择性的分子口袋相互作用机制分析。 最后，研究人员针对 TYK2、ERα 和 BACE1 三个极具代表性的先导化合物骨架延伸与片段局部替换（Scaffold Elaboration）任务进行了QM层面的相关性验证。模型不仅能够完美复现分子微调后的活性排序，更精准捕捉到了诸如 TYK2 系统中与 Y980 的 π-stacking 相互作用，以及 ERα 口袋中与 H524 氢键几何构造的微调优化。 图8：TYK2、ERα 和 BACE1 骨架延伸任务的QM级活性对齐与机制验证 • Figure 8a：TYK2 激酶系统中 FLOWR.ROOT 预测活性与 QM 结合能的相关性散点图。 • Figure 8b：TYK2 系列中活性最强（Best Binder）配体在结合口袋中的三维相互作用模式（完美结合了Y980处的π堆积）。 • Figure 8c：TYK2 系列中活性最弱（Worst Binder）配体的相互作用细节，暴露出其亲脂性卤素未受保护的缺陷。 • Figure 8d：ERα 雌激素受体系统中预测活性与 QM 结合能的相关性散点图（相关系数达0.90）。 • Figure 8e：ERα 系统中最优配体的结合状态，显示其成功纠正了原始化合物中与 H524 不良的氢键取向。 • Figure 8f：ERα 系统中最差分子的结合构象。 • Figure 8g：BACE1 靶点中预测活性与 QM 结合能的相关性图，实现了极低的系统均方根误差。 • Figure 8h：BACE1 最优配体展示了其通过水分子的介导与 F108 建立的稳定水桥氢键网络。 • Figure 8i：BACE1 最差配体分析，其富电子苯环发生局部扭曲，破坏了与 W115 之间的 T-stacking 相互作用。结语 FLOWR.ROOT 的诞生成功打破了3D配体生成与亲和力精准打分之间的壁垒。它既能在没有外部打分器协助的前提下，凭借流匹配主干在多目标引导中平滑漫游，又能通过参数高效微调完美融入制药企业具体的本地项目流中。这一革命性的全能大模型为早期药物研发从“触靶发现”到“先导优化”的跨越铺平了道路。 参考文献：FLOWR.ROOT – A flow matching-based foundation model for joint multi-purpose structure-aware 3D ligand generation and affinity prediction. https://www.nature.com/articles/s41467-026-74130-9