Masofaniten

——天然无序蛋白作为药物靶标——天然无序蛋白（Intrinsically disordered proteins，IDPs）常以蛋白质网络枢纽、转录因子等重要角色发挥功能，是牵一发而动全身的理想精准靶向对象，然而其生理条件下固定三维结构的缺乏使得传统药物设计方法无计可施。IDPs以高度异质且瞬时转变的构象系综形式存在，其在细胞内的蛋白水平、翻译后修饰等需要受到严格的时空调控，因此其过表达、突变可能引起严重的后果，包括癌症、神经退行性疾病在内的诸多重大疾病中均观察到IDPs失调引起的疾病发生发展。癌症中被广泛关注的IDPs包括c-Myc和雄激素受体（AR），靶向c-Myc DNA结合结构域（bHLHZip）的多肽药物OMO-103和靶向AR转录激活结构域（AR-TAD）的小分子药物Masofanitan的临床一期结果显示直接靶向IDPs无序区是安全且初步有效的癌症治疗策略。IDPs发挥功能时依赖系综性质、SLiMs或序列特征，关注这三个要素可实现针对性地调控特定IDPs。系综性质包括末端距（Ree）、回转半径（Rg）和二级结构含量等。SLiMs是位于无序区的保守结合模块，通常少于8个残基。序列特征包括芳香残基、带电残基的分布等，尤其影响多价相互作用介导的相分离。将IDPs转化为可药靶标的尝试已逾二十年，对IDP“序列-系综-功能”关系的理解加深和日益丰富的药物设计方法正令靶向IDPs进入现实（图1）。分子动力学模拟和基于AI的生成模型可用于获取无序蛋白构象系综，这大大加速了对IDP“结构-功能”关系的理解和基于结构的药物设计，本文将为大家介绍这两种策略在获取IDP构象系综时的利弊。此外，本文将携读者共游从“意外发现靶标是IDPs？”、“如何发现IDP配体？”、“如何优化IDP配体？”到“IDP药物临床效果如何？”的前中期药物研发之旅。图1. 靶向天然无序蛋白的药物设计现状—— 无序蛋白的构象系综——分子动力学（MD）模拟是获取IDPs系综的主要手段，但IDPs的高柔性与缺乏稳定结构对传统MD的高效采样构成挑战。目前的应对策略主要分三类：2.1 增强采样方法：旨在加速跨越能量势垒基于集体变量(CV)的方法：如元动力学(MTD)和伞型采样(US)，通过预设的CV施加偏置势能加速采样。可以加入副本交换的思路（如REUS, BEMD, PT-MTD, PBMetD）进一步提升效率。其局限在于依赖预定义的CV，需对体系有深入了解。诸如AI辅助CV选择（如深度学习降维）是新兴解决方案。无CV方法：避免预设CV，适合高维波动。主要通过基于回火的技巧（如T-REMD, REST, REST2）提升有效温度来平滑能量景观。REST/REST2通过分割溶质/溶剂区域修改参数降低计算量。此类方法（如REMD）已广泛用于Aβ42、hIAPP等IDPs体系研究，但计算资源消耗巨大。其他方法：如加速MD(aMD)及其改进型高斯加速MD(GaMD)，通过添加谐波升势能降低势垒，已应用于富含脯氨酸序列和c-Myc等IDPs。机器学习循环采样协议（如CoCo-MD, FEXS, PaCS-MD系列）尝试整合AI识别边缘构象并迭代采样，但维度缩减耗时可能限制其广泛应用。偏置模拟常需重加权（如WHAM, MBAR）以恢复无偏分布。2.2 简化模型：旨在降低计算复杂度隐式溶剂模型：直接估算溶剂化自由能，消除溶剂摩擦，加速采样并显著降低REMD所需的副本数（如GB-Neck2, ABSINTH及其改进型）。粗粒化(CG)力场：将多个原子合并成一个粒子，大幅减少自由度并允许更大积分步长，效率比全原子模拟高数个量级。IDP专用CG力场（如MARTINI-IDP, MOFF, SOP-IDP, AWSEM-IDP）通过参数优化提升精度。CG模型（如MARTINI）或超粗粒化的Cα模型（如KH, HPS, FB-HPS, HPS-Urry, HPS+Cation-π, Mippi, CALVADOS系列, COCOMO系列）是模拟IDP液液相分离(LLPS)等大尺度体系的关键工具，成功应用于LAF-1, FUS, hnRNP等蛋白。格子模型（如LASSI）提供更低分辨率的LLPS研究方案。2.3 AI驱动的构象集合生成模型深度学习为快速生成IDP构象提供了新途径，但面临高质量IDP结构数据稀缺（如PED仅约500个集合）且多源于MD模拟的困境。案例特异性模型：针对单个IDP，需基于其MD轨迹训练生成器（如Boltzmann Generator, 基于自动编码器的模型, Phanto-IDP, DynamICE等），可扩展构象多样性，但缺乏序列迁移性，换序列需重新训练。序列基础模型：直接由IDP序列生成构象集合（如idpGAN(GAN框架), str2str/IDPfold(扩散模型), idpSAM(扩散框架)），更接近自动化预测的理想目标，但受限于数据匮乏和巨大计算需求。当前模型主要生成离散构象，而MDgen等模型尝试生成小肽的连续轨迹，未来发展需致力于生成连续且物理合理的IDP构象轨迹。图2. （A）案例特异性模型和（B）序列基础模型的通用工作流程——靶向无序蛋白的药物设计——3.1 发现靶标是IDPs怎么办？间接靶向IDPs：避开IDP结构导致的“不可药”。1）设计配体结合DNA或RNA以间接调控靶标IDPs的蛋白水平，相关例子有靶向MYC基因的G-四链体或靶向α-synuclein mRNA的铁响应元件（IRE）。2）设计配体结合有结构互作蛋白以调控IDPs靶标的蛋白-蛋白相互作用（PPIs）或翻译后修饰，相关例子有靶向p53的互作蛋白MDM2或靶向c-Myc的互作蛋白Pin1。为直接靶向IDPs做好准备：做好准备，设计IDP配体没那么难。1）预测靶标序列的无序程度，含有更高二级结构占比的无序区更适合作为IDP配体的结合区域。2）预测序列中的潜在SLiMs，富含芳香残基的SLiMs更适合作为靶向区域。3）关注Cys等可共价修饰的残基，已知IDP共价配体表明共价调控有效且有选择性。4）用MD模拟寻找序列中系综性质更易受到影响的区域，这些区域更适合作为靶向区域。5）根据靶标“序列-系综-功能”构建实验表征体系。3.2 如何发现直接靶向IDPs的配体？实验方法：根据“序列-功能”关系构建合适截断体/全长体系可以事半功倍。1）分子水平筛选，通过表面等离子共振（SPR）等互作表征手段筛选直接结合IDPs的配体，通过AlphaScreen等筛选能抑制目标PPI的配体，等等。2）细胞水平筛选，通过luciferase等筛选能在细胞内抑制转录活性的配体。3）共价配体筛选，共价配体修饰功能区外的残基也可能发挥调控作用。4）药物再利用。5）大分子配体筛选，比如筛选核酸适配体库或环肽库。计算方法：利用“序列-系综-功能”关系可以有效减少成本和设计更强配体。1）基于系综的药物发现，将配体与多个可药构象的打分作为配体与靶标构象系综结合能力的评估指标，该策略平衡了成本和预测能力。2）基于MD的药物发现，根据配体与靶标的MD轨迹预测结合能力，算力和时间成本高昂。3）IDP蛋白binder设计，模仿IDPs本身或其天然蛋白配体设计binder（比如OMO-103），也可以用基于AI的方法生成蛋白binder，蛋白binder可实现高亲和力（pM~nM）、高特异性的结合。3.3 如何优化直接靶向IDPs的配体？实验方法：目前IDP配体优化基本以基于构效关系（SAR）的方法优化。1）基于SAR优化，部分IDP配体表现出模糊的SAR，其细胞内活性和体外亲和力也可能并不一致。2）若结合的序列中有可共价残基，可引入共价头，设计成共价配体。3）若要降解靶标，可引入linker和E3配体，设计成PROTACs。计算方法：目前IDP-配体结合模式局限于对整个系综进行平均分析，难以拆分分析其中的不同结合模式，对实际优化的指导有限。1）MD模拟分析IDP-配体结合模式，为优化提供参考，该类方法尚未实际用于改造IDP配体。2）基于配体的药物筛选，收集已知配体构建药效团模型以筛选更优化合物。3.4 IDP药物设计临床效果如何？IDP-小分子配体复合物仍是高度动态和瞬时转变的，虽有化合物表现出序列特异性，但也有报道发现部分小分子配体可以结合多个IDPs，因此IDP配体的特异性值得商榷，其临床效果备受期待。如今，AR配体Masofanitan的临床一期结果显示直接靶向IDPs无序区是安全且有初步疗效的，虽然提高IDP配体亲和力和特异性前路漫漫，但越来越多的IDP药物数据鼓励着IDP药物研发继续上下求索。AR配体EPI系列：EPI系列化合物始于2010年，2015年EPI-506进入临床一期但因药代动力学性质差而失败。EPI系列化合物通过直接结合AR-TAD以实现对AR的抑制，进而治疗AR配体结合结构域（AR-LBD）缺失型的转移性去势抵抗性前列腺癌（mCRPC）。2023-2024年Masofanitan（EPI-7386）的临床一期（NCT05075577）结果显示该化合物与Enzalutaminde（结合AR-LBD）口服联用具有良好的安全性、耐受性和初步的肿瘤抑制效果。不过据报道ESSA Pharma于2024年11月终止了Masofanitan与Enzalutaminde联用的临床二期，因期中分析表明该联用不太可能满足研究的主要终点，也不符合ESSA Pharma对前列腺癌治疗候选药物的内部要求。c-Myc配体OMO-103：c-Myc多肽药物OMO-103（Omomyc）于1998年被设计出来，其通过结合c-Myc bHLHZip结构域、MAX蛋白和二聚的方式抑制c-Myc转录活性。2024年OMO-103的临床一期（NCT04808362）结果显示该配体通过静脉给药表现出良好的安全性、耐受性和初步疗效，具有非线性药代动力学特性（血清中的终末半衰期约40小时）和对人体内MYC的有效靶向。目前OMO-103有两个正在招募中的临床试验：针对晚期实体瘤的临床1b（NCT06059001）和针对晚期高级别骨肉瘤的临床二期（NCT06650514）。——总结与展望——无序蛋白扩展了蛋白质“序列-结构-功能”关系范式，是拓展可药靶标空间的理想对象，也对实验表征技术和计算方法提出了更高要求。目前IDP药物设计的重大挑战在于缺乏高效优化IDP配体的方法，在通过SAR改造后，IDP小分子配体的活性也基本处于0.1-10 μM级别，通常不能满足临床需求，因此能解析或分析IDP-配体结合模式以提供结构信息辅助药物优化的实验或计算手段亟待发展。此外，基于AI的构象系综生成和药物设计、基于组学的IDP配体特异性预测和验证以及基于相分离的药物发现和调控都是很有前景的加速IDPs成药方向。文章信息：Qi Sun*, Hanping Wang, Juan Xie, Liying Wang, Junxi Mu, Junren Li, Yuhao Ren, and Luhua Lai*. Computer-Aided Drug Discovery for Undruggable Targets. Chemical Reviews 2025, doi: 10.1021/acs.chemrev.4c00969.作者：王瀚平 穆俊羲审稿：来鲁华编辑：黄志贤GoDesignID：Molecular_Design_Lab（ 扫描下方二维码可以订阅哦！）

央企首次发布！材料领域“十大基础科学问题”买科研服务（代计算、代测试、超算机时），送老李校长“科研理工男士情感课”第一性原理计算解决50年悬而未决难题：半导体中铜为何扩散更快？Ab initio及第一性原理入门参考书介绍《海贼王》告诉你，做科研为什么不能闭门造车……985博导亲测：用DeepSeek写国自然本子，3天完成30天工作量来自公众号：计算化学前沿本文以传播知识为目的，如有侵权请后台联系我们，我们将在第一时间删除。全文速览本文作为《Chemical Reviews》特刊 药物研发中的不可成药靶点 的一部分，深入探讨了计算机辅助药物设计在应对不可成药靶点方面的最新进展。文章重点介绍了内在无序蛋白、蛋白别构调节、蛋白 - 蛋白相互作用及蛋白降解等四类主要靶点的药物设计方法，阐述了相关计算方法的发展历程、成功案例及面临的挑战，并展望了未来发展方向。特别强调了人工智能驱动方法在蛋白 - 配体复合物结构预测、虚拟筛选和新型配体从头生成等方面带来的变革，以及计算方法与实验技术结合对克服不可成药靶点障碍的重要性。背景介绍文章指出，不可成药靶点虽具有治疗意义，但传统药物设计方法难以应对。这些靶点通常具有高度动态结构、缺乏明确定义的配体结合口袋、高保守性活性位点、功能由蛋白 - 蛋白相互作用介导等特点。随着分子生物学发展，人们发现了大量潜在药物靶点，但仅少数成功转化为药物。计算机辅助药物设计结合人工智能技术，为攻克不可成药靶点带来了新机遇，推动了药物设计领域的变革。图文解析图 1 该图通过直观的对比，展示了可成药靶点通常具有稳定的三维结构和明确定义的配体结合口袋，而不可成药靶点则往往缺乏这些特征。例如，不可成药靶点可能具有延伸且平坦的功能界面，没有深而明确的配体结合口袋，活性位点高度保守，难以设计出具有特异性的配体来发挥功能，同时还可能包含内在无序蛋白或具有内在无序区域的蛋白，以及功能由蛋白 - 蛋白相互作用介导的蛋白等。图 2 此图清晰地呈现了折叠蛋白与内在无序蛋白在结构和能量景观上的差异。折叠蛋白具有单个深漏斗状自由能景观，使其结构基本稳定在最低能量状态；而内在无序蛋白则存在多个浅漏斗状自由能景观，能量屏障较小，导致其处于多种异质构象的动态集合中，不断且自发地相互转换，这解释了内在无序蛋白为何难以通过常规药物设计方法进行靶向。表 1 表格列举了多个针对不可成药靶点的成功药物发现案例，包括靶向蛋白、靶点类型、药物名称、药物类型及状态等相关信息。例如，Omomyc 作为一种针对 c-Myc 的小蛋白药物，已进入 Ⅱ 期临床试验；EPI-7386 作为一种针对雄激素受体（AR）的小分子配体，正在进行 Ⅰ 期临床试验，这些案例为不可成药靶点的药物研发提供了有力的实证支持。图 3 该图描绘了当前针对内在无序蛋白进行药物设计的研究进展和挑战。随着对内在无序蛋白序列 - 集合 - 功能关系理解的加深，以及新型药物设计策略的出现，直接靶向内在无序蛋白的药物研发正逐渐成为现实。但目前仍面临配体优化效率低等挑战，需要进一步开发更先进的计算方法和更高时空分辨率的实验技术。图 4 （A）特定生成模型的工作流程；（B）序列基生成模型的工作流程。此图展示了针对内在无序蛋白集合生成的不同方法的工作流程。对于特定生成模型，需要先通过初始的分子动力学轨迹获得特定的内在无序蛋白，然后在该轨迹上训练模型，以生成该蛋白的构象集合。而序列基生成模型则可直接从输入的内在无序蛋白序列生成相应的构象集合，不依赖于特定蛋白的训练数据，但面临训练数据稀缺和迁移性差等挑战。图 5 该图详细说明了 EBDD 的过程，包括从分子动力学模拟和实验数据中获得内在无序蛋白的构象集合，选择可成药构象并识别结合口袋，对化合物库进行对接打分，以及基于配体在多个构象上的对接分数评估化合物的结合亲和力等步骤，强调了候选化合物应具有与多个构象高分结合的能力。图 7 此图对别构位点预测方法进行了分类和总结，将其主要分为基于正常模式分析、共进化分析、蛋白拓扑 / 网络分析以及基于机器学习 / 深度学习的方法。每种方法都有其独特的原理和应用，例如正常模式分析通过计算蛋白在存在和不存在模拟别构调节剂时的运动差异来预测别构位点；共进化分析基于蛋白家族的同源序列的共进化模式来预测别构位点等。图 8 该图展示了别构调节蛋白设计的具体案例，包括 GPX4 别构激活剂、15-LOX 别构激活剂以及 CaSR 别构激活剂的设计过程和结果。例如，在 GPX4 别构激活剂的设计中，通过结构基础和计算策略相结合的方法，成功鉴定了一个新的别构位点，并筛选出潜在的 GPX4 激活剂化合物，为相关疾病的治疗提供了新的药物研发方向。图 9 此图以埃博拉病毒 VP35、β2AR 和 Sirt6 为例，展示了靶向隐藏别构位点的药物设计案例。如在埃博拉病毒 VP35 的研究中，通过特定算法预测并鉴定了一个潜在的隐藏别构口袋，进一步的实验验证和模拟表明，该口袋的开启会影响病毒蛋白与双链 RNA 的结合，为抗埃博拉病毒药物研发提供了新靶点。图 10 表格列出了六种已获 FDA 批准的小分子 PPI 靶向药物，包括药物名称、靶向 PPI、药物类型及批准时间等信息。这些药物的成功上市证明了针对 PPI 进行药物设计的可行性，并为该领域的进一步研究提供了参考。图 11 该图比较了 PPI 抑制剂与其他靶点（如酶、离子通道、GPCRs     等）的小分子药物在溶解度、违反脂inski 规则条款直方图分布以及黄金三角表示等方面的差异。结果显示 PPI 抑制剂的溶解度通常低于传统药物分子，且大部分违反脂inski 规则，表明 PPI 抑制剂在物理化学性质上具有独特的特性，需要专门的化合物库和筛选方法。图 12 此图介绍了基于查询的 PPI 抑制剂设计策略，通过将热点残基作为查询，从虚拟库中筛选小分子，再进行实验验证，从而发现具有 PPI 抑制剂活性的化合物。以 p53/MDM2 为例，展示了如何利用该策略设计抑制剂，并通过计算和实验验证了其有效性。图 13 该图详细描述了基于片段的药物设计方法的一般步骤，包括从片段库中筛选分子片段，将片段连接起来以占据 PPI 界面的多个分散小口袋，以及通过虚拟筛选技术如分子对接获得初始分子片段等。该方法可有效解决随机实验筛选中发现的结合力弱的问题，提高片段发现效率。图 14 此图展示了一个结合分子对接和分子动力学模拟的虚拟筛选框架，通过先对蛋白质进行多构象采样，再对小分子进行对接，最后利用分子动力学模拟对筛选出的分子进行进一步评估和验证，提高虚拟筛选的准确性和可靠性。图 15 该图介绍了MultiPPIMI 框架，这是一种用于 PPI 小分子调节剂预测的多任务学习模型，可同时利用蛋白质序列和小分子的 SMILES 表示，通过图神经网络提取分子图特征，以及利用大型预训练蛋白质语言模型 ESM2 提取蛋白质序列特征，从而提高模型的泛化性能。图 16 该图清晰地展示了 PROTAC     和分子胶这两种靶向蛋白降解机制的原理。PROTAC 由 POI 绑定剂、连接链和 E3 配体组成，通过将 POI 和 E3 泛素连接酶拉近，促进 POI 的泛素化和随后的蛋白酶体降解；而分子胶则通过诱导 E3 泛素连接酶和底物蛋白之间的相互作用，实现对特定蛋白的靶向降解。表 2 列举了多种针对不可成药靶点的降解剂案例，包括降解剂名称、靶点、靶点类型及参考文献等详细信息。如 LC-2 是首个成功诱导内源性 KRASG12C 泛素化和降解的 PROTAC，展示了 PROTAC 在不可成药靶点领域的潜力。图 17 此图对新设计的靶向降解剂的从头设计的概念框架进行了阐述，涵盖了从数据库开发、连接链设计到相互作用建模等多个方面，突出了计算技术在加速 PROTACs 和分子胶设计中的关键作用，以及物理驱动和数据驱动方法的结合对于高效探索更大化学空间和预测降解剂稳定性的优势。总结展望文章总结道，随着药物研发技术的进步和疾病生物学理解的深入，原本被认为不可成药的靶点正逐渐被攻克。计算方法在不可成药靶点药物设计中发挥了重要作用，尤其是在针对内在无序蛋白和 PPI 等领域的应用方面。然而，目前仍存在诸多挑战，如对 IDP 配体的优化效率低、对别构调节机制的理解有限、对隐藏别构位点的发现方法不够高效等。尽管如此，随着人工智能技术的不断发展、实验技术与计算方法的深度结合以及新型化合物库的构建，我们有理由相信，未来将有更多不可成药靶点被成功转化为可成药靶点，为治疗多种疾病提供新的治疗策略和药物选择。