此前,我们陆续讨论了AI如何设计蛋白质、结合体和抗菌肽,也关注了人工智能如何帮助寻找新的药物靶点。这些研究看似处于不同环节,却共同指向药物研发中的几个关键问题。
第一步,怎样设计出真正能发挥作用的分子?计算方法能辅助设计抗菌肽或靶向蛋白结合体,但结构合理不等于能在真实细胞中准确识别目标并产生预期效应,仍需实验验证。
第二步,应该针对哪个分子?过去,靶点研究通常关注某种蛋白是否在疾病组织中高表达、是否参与疾病进展,以及能否被药物识别。但这些信息,是否足以帮助我们找到更安全、更有效的治疗策略?
2026年9月9日,InduPro团队在《Nature》发表研究Proximity-guided graph learning reveals tumour-associated proximity antigens,提出并验证了"肿瘤相关邻近抗原"(Tumour-Associated Proximity Antigens, TAPAs)这一全新靶点类别。研究将视角从单个靶点扩展到细胞表面的蛋白质邻近关系:研究者结合邻近性图谱、图学习和功能实验,筛选具有潜在治疗价值的靶点组合,并以EGFR与CDCP1为例,验证了空间共靶向在ADC和T细胞衔接器中的应用价值。
这项研究将三个问题串联起来:设计什么分子、应该针对什么靶点,以及能否利用靶点周围的分子环境,让药物发挥更好的作用。
01 为什么只看蛋白质表达量还不够?
肿瘤相关抗原是ADC、T细胞衔接器和CAR-T等靶向治疗的重要基础。但现实难题在于:许多肿瘤相关抗原并非只存在于肿瘤细胞上,在正常组织中也可能表达。药物若无法充分区分肿瘤与正常细胞,便可能造成脱靶毒性,限制给药剂量和疗效。
细胞表面也并不是一张静止的“蛋白清单”。膜蛋白会在局部聚集、分散和重组,参与受体信号、细胞连接和免疫突触形成。即使两种细胞表达相同的蛋白,在肿瘤细胞中,它们可能彼此靠近、形成局部信号平台;在正常细胞中,却未必具有同样的空间关系。传统表达分析主要回答“有什么、表达多少”,却难以回答“谁与谁聚集在一起”。
因此,研究者提出:靶点的治疗价值,不只取决于它表达多少,也取决于它在什么细胞背景下、与哪些蛋白共同出现,以及这些蛋白如何在空间上组织。
图1:用于识别肿瘤相关邻近抗原(TAPA)的数据驱动框架。
02 从细胞表面邻近性图谱中寻找靶点组合
为了研究膜蛋白的空间组织,团队建立了一套可扩展的细胞表面微环境测绘流程,在28种肿瘤细胞系统中,对12种受体酪氨酸激酶(RTK)完成了248张邻近性图谱。研究者利用两种互补的可见光邻近标记体系,对目标受体周围的蛋白进行共价标记,再通过定量质谱识别并测定这些"邻居"蛋白:一种是铱Ir/Dz近邻标记体系,产生的卡宾中间体寿命短,偏向捕捉高度局部的空间范围;另一种是核黄素/生物素-酪胺(RFT/BT)体系,产生的苯氧自由基寿命更长,覆盖相对更广的膜微环境。两种方法相互补充,提高了结果的可靠性。需要注意的是,邻近标记提示的是空间邻近或共富集,并不等同于两个蛋白一定发生直接物理结合。
通过这套方法,研究人员既重现了EGFR–MET、EGFR–HER2和HER2–HER3等已知受体关系,也发现了EGFR–PTK7、MET–EPHB2和HER3–MST1R等此前未被充分注释的候选邻近关系。作为参照,公开的临床治疗管线中,目前仅有EGFR×MET、EGFR×HER3和HER2×HER3三个共靶向组合进入临床阶段评估——这提示系统测绘揭示的大多数RTK邻近关系仍处于治疗探索的空白地带。细胞表面并非由彼此独立的蛋白构成,而是存在可被系统绘制的局部空间网络。
图2:RTK表面邻域的大规模微环境测绘。
03 MetaMap:推断蛋白质空间社群
获得大量邻近性图谱后,新的问题是:如何从复杂数据中识别反复出现、具有生物学意义的蛋白组合?为此,研究人员开发了MetaMap分析框架:计算所有蛋白对在各张图谱中邻近特征的Spearman秩相关,比较不同靶点、细胞模型和实验条件下蛋白邻近特征是否以相似方式变化,并据此推断稳定的空间关联,甚至推测那些未被直接靶向测绘的蛋白之间的邻近关系。
MetaMap识别出多个具有生物学意义的膜蛋白社群。例如,一个以整合素(ITGA/ITGB家族)为中心的网络中,包含CD44、ALCAM和L1CAM等经典黏附相关蛋白;FAP、CD81、RECK和PAPPA等蛋白也反复与该网络相关联,提示整合素微环境中可能存在尚未被充分认识的空间组织。
与CORUM、STRING、BioGRID和IntAct等数据库比较后,MetaMap推断出的非直接靶向关联均显著富集:相对随机基线的富集倍数分别为6.52倍、4.94倍、2.72倍和2.70倍(P=0.002)。这说明空间关联承载着真实的生物学信息;但仍需强调,它不等于所有候选关系都已被证明为直接分子互作,而是为后续靶点筛选提供了更丰富的候选网络。
图3:MetaMap从大规模图谱推断空间蛋白社群。
04 图学习发现EGFR的新伙伴:CDCP1
研究团队随后以EGFR为例,整合实验测得的邻近性、蛋白表达和STRING蛋白网络,训练了Node2Vec、VGAE、GAT三种图学习模型,寻找更合适的联合靶点。特征消融实验显示:只有同时纳入邻近性和表达量,模型预测表现才最好;且邻近性提供了表达量之外的独立、非冗余信号,说明空间信息确实有独立价值。
除HER2、HER3和MET等已知EGFR相关受体外,VGAE和GAT模型还反复识别出CDCP1——一种与肿瘤进展、细胞迁移及治疗耐药有关的细胞表面蛋白。为进一步验证,研究者补做了38张以CDCP1为锚点的图谱,覆盖19个肿瘤细胞系统,均观察到EGFR的稳健共富集;而在同时表达两者的正常上皮(角质形成细胞)和间充质(肺成纤维细胞)细胞中,这种邻近关系反而减弱,说明它并非只是由两种蛋白共同表达造成。
在奥希替尼耐药的HCC827细胞和SW48异种移植瘤解离细胞中,EGFR–CDCP1邻近关系仍然存在。研究由此提出"肿瘤相关邻近抗原”(TAPA)概念:一个蛋白的治疗价值,除表达差异外,还可以由其与经典肿瘤抗原之间是否存在疾病相关的空间邻近性来定义。
图4:图学习识别EGFR相关邻近伙伴,并突出CDCP1。
05 双靶点ADC:让空间邻近参与递送
找到EGFR–CDCP1这组候选靶点后,研究人员进一步提问:如果两种抗原在肿瘤细胞表面彼此接近,能否设计一个分子同时识别它们,让药物更有效地进入肿瘤细胞?
为此,团队构建了EGFR×CDCP1双特异性ADC,并采用不对称结合设计——大幅降低对EGFR的表观亲和力、相对保留对CDCP1的结合能力——使其更偏向在EGFR与CDCP1共同表达、且空间接近的细胞上实现顺式(cis)结合、内化和载荷递送,而在正常细胞中摄取极少。与相应单靶点抗体相比,双特异性抗体在多种肿瘤细胞中的内化更强;偶联MMAE后,双特异性ADC的杀伤作用也显著更强。
在最敏感的模型中,其对肿瘤细胞的效力相对于原代上皮细胞可提高500倍以上。在双侧SW48异种移植模型中,同一小鼠一侧接种亲本瘤、另一侧接种CDCP1敲低瘤:双特异性ADC对亲本瘤的肿瘤生长抑制率达97%,而对CDCP1敲低瘤仅46%,支持CDCP1确实参与了药物功能,而非药物仅依靠EGFR靶向发挥作用。
图5:EGFR×CDCP1共靶向的ADC与TCE功能评价。
06 动物实验和T细胞衔接器的验证
在SW48结直肠癌和BxPC3胰腺癌异种移植模型中,EGFR×CDCP1 ADC均表现出抗肿瘤活性。在SW48模型中,单次3 mg/kg剂量即可实现超过100%的肿瘤生长抑制;降至1 mg/kg的较低剂量时,双特异性ADC仍可维持完全肿瘤生长抑制,而EGFR单靶点ADC的抑制率仅为43%。研究还观察到生存获益,且未见明显体重减轻;但这并不能单独证明其已具备充分的临床安全性。
这套思路也不只适用于ADC。研究者进一步构建了EGFR×CDCP1×CD3三特异性T细胞衔接器。在体外T细胞依赖性细胞毒性实验中,它在三种受试肿瘤细胞系中均表现出比EGFR×CD3或CDCP1×CD3对照更强的杀伤活性,其中一个模型的效力提升超过100倍。
这说明,空间邻近关系筛选出的靶点组合,可能同时服务于药物递送和免疫细胞重定向两类治疗策略。
值得一提的是,这项研究并非停留在论文层面。InduPro已将其”邻近性引导”的双特异性ADC策略推进至临床:其候选药物IDP-001以EGFR和一类肿瘤相关邻近抗原为靶点,目前已启动一期临床研究。
07 这项研究改变了什么?
这项研究最值得关注的,并不只是发现了EGFR–CDCP1这对组合,而是提出了一条新的靶点发现路径:先绘制肿瘤细胞表面的空间蛋白图谱,再整合表达、临床蛋白质组和网络信息,通过图学习筛选候选组合,最后用内化、细胞杀伤、靶点敲低和动物模型进行功能验证。
当然,空间邻近性不等于直接结合,也不意味着不同癌种、不同遗传背景或不同治疗状态下都存在同样的膜蛋白组织。现有实验多在肿瘤细胞系中完成,对完整肿瘤微环境(基质、免疫细胞互作)的覆盖仍有限,未来还需要在更多原发肿瘤、匹配正常组织和临床样本中验证。
过去,肿瘤靶点发现主要回答的是:哪种蛋白在肿瘤细胞中表达?
这项研究进一步提出:这些蛋白在细胞表面如何排列,是否形成疾病相关的空间邻域,又能否被转化为更有效的联合靶向策略?
从单个抗原到空间邻域,从表达差异到邻近关系,再从图学习预测到双特异性药物验证,细胞表面的空间组织正在成为药物设计可以利用的一层新信息。
原文链接:https://www.nature.com/articles/s41586-026-11003-7