Pegcetacoplan

制药领域正经历一场深刻的"肽复兴"，其主要驱动力是胰高血糖素样肽-1（GLP-1）受体激动剂的临床成功，并受到先进药物递送平台工程的强化。本综述采用靶向定位框架，区分分子识别与药理作用，对基于肽的药物开发当前趋势进行全面分析。研究人员界定了细胞外、细胞表面和细胞内靶向之间的功能差异，强调肽如何弥合小分子与单克隆抗体（mAbs）之间的差距。本讨论的核心是在传统抗体-药物偶联物（ADCs）的背景下，对下一代偶联技术——肽-药物偶联物（PDCs）和寡核苷酸-药物偶联物（ODCs）——进行比较评估。本分析并非简单的性能比较，而是聚焦于这些模态各自不同的结构架构如何决定其药理学特征。研究人员审视了基于抗体的庞大支架的长全身半衰期与肽和寡核苷酸递送系统构建体依赖性组织分布及免疫原性之间固有的权衡，从而阐明它们在靶向复杂疾病环境方面各自的优势与局限。PDCs可利用肽介导的识别或摄取来递送治疗性载荷，而ODCs递送寡核苷酸，通过RNA干扰或剪接调节等机制在细胞内发挥作用。此外，研究人员探讨了生成式人工智能（AI）和结构算法（如AlphaFold 3）在推动开发范式向"Safety-by-Design"理念转变中的变革性作用。通过将预测毒理学（如pepADMET）整合到早期设计阶段，研究人员可优先选择候选物进行实验测试。重要的是，该方法的药物经济学论证仍是暂定性的而非已确立的。对AI衍生候选物的回顾性分析报告，I期成功率约为80%–90%，II期成功率约为40%，与历史II期平均水平相当。有限的样本量和历史比较不能确立AI的因果效应或肽特异性经济获益。因此，研究人员将AI引导的safety-by-design作为候选物优先排序的拟议策略提出，并明确阐述了在减少开发成本、缩短时间线或改善可负担性等主张被视为已证实之前所需的比较证据。1 引言数十年来，制药领域呈现小分子药物与单克隆抗体（mAbs）之间的二元分化格局。然而，随着肽-药物偶联物（PDCs）的发展，肽类治疗药物的出现通过提供一种"中间地带"模态重新定义了这种二分法，该模态调和了两类药物的优势。近期，该领域进入了一个变革性的"肽复兴"时期，其催化剂是GLP-1受体激动剂前所未有的临床和商业成功。这一成功激发了全球研发热潮，将战略焦点转向肿瘤学和罕见遗传病。尽管存在快速蛋白水解降解等历史局限性，产业界正在克服这些挑战，将固有弱点转化为精准递送的机遇，并引领药物开发的根本性范式转变。制药格局进一步受到抗体-药物偶联物（ADCs）临床成功的塑造。ADCs的主要优势在于单克隆抗体（mAbs）卓越的特异性和高亲和力，使其能够将强效细胞毒性载荷精确递送至肿瘤相关抗原，同时最小化全身暴露。此外，抗体支架的大分子量赋予ADCs延长的全身半衰期，允许低频给药方案。在这些基础优势之上，产业界正经历向更精细工程化和先进递送平台的战略转型，如肽-药物偶联物（PDCs）和寡核苷酸-药物偶联物（ODCs）。从ADCs向PDCs和ODCs的转变标志着向高渗透性治疗药物的转型。偶联技术的演进重新定义了精准医学的格局。虽然ADCs为靶向治疗铺平了道路，但PDCs和ODCs的出现提供了新的结构和药理学优势，以克服大分子生物制剂的固有局限性。PDCs旨在提供更精确的靶向、增强的细胞渗透性和改善的药物选择性。相对于ADCs的全身毒性降低是设计目标而非已确立的类别优势。快速肾脏清除可限制肿瘤暴露，肾脏摄取可能引入构建体特异性安全性风险。除癌症外，PDCs正向需要快速组织分布的多种病理扩展。多年来连接子化学、抗菌肽类型和药物生物利用度的优化推动了PDCs的改进，增强了抗菌活性和抗病毒效力，同时降低了细胞毒性。此外，自身免疫性疾病、神经系统疾病、心血管疾病、代谢紊乱和肾脏疾病均可由特异性PDCs靶向，满足这些疾病治疗中关键的未满足需求。与此同时，ODCs代表着下一个前沿，其中靶向部分（通常为肽）与遗传载荷如siRNA、反义寡核苷酸（ASO）或mRNA偶联。本综述概述了已获FDA批准或处于临床试验阶段的各种偶联物，并审视了在AI驱动的"Safety-by-Design"理念引导下向这些多维偶联物的演进如何将治疗范围扩展至此前"不可成药"的领域。支撑这一扩展的AI驱动"Safety-by-Design"理念构成了本综述的概念焦点。本综述所依据的文献通过PubMed和Google Scholar检索（截至2026年6月）确定，使用"peptide-drug conjugate""oligonucleotide-drug conjugate""AlphaFold""ADMET prediction"和"peptide toxicity prediction"等术语组合，并辅以对关键文章参考文献列表的手工筛选。监管和临床阶段来源于2026年10月18日核查。作为叙述性而非系统性综述，文章选择优先考虑时效性、机制深度和与此处采用的靶向定位框架的相关性，而非对原始文献的穷尽覆盖。当赋予靶标选择性的分子识别事件由肽介导，或当肽作为治疗载荷的递送载体时，该模态被纳入。ADCs和GalNAc-siRNA偶联物作为已确立的非肽比较物讨论。肽-寡核苷酸偶联物（包括PPMOs）属于核心范围，因为肽作为递送载体。未偶联肽作为机制示例纳入。肽-受体放射性核素治疗纳入是因为肽参与放射性同位素靶向。PSMA导向的小分子放射性配体治疗作为相关递送方法单独讨论。未偶联肽激素和GLP-1受体激动剂仅作为"肽复兴"的背景引用，不作为偶联模态分析。过去约一年内出现了若干聚焦PDC的综述，涉及AI辅助PDC设计、从ADCs向下一代PDCs的概念转变以及PDCs作为新兴肿瘤学模态的临床转化。本综述旨在补充而非重复近期文献：它按分子识别位点（细胞外、细胞表面或细胞内）组织基于肽的治疗药物，将识别与摄取及药理作用区分开来，而非仅按偶联化学分类；并将AI驱动的预测毒理学视为跨越PDCs和ODCs的统一设计理念，而非孤立讨论的辅助发现工具。2 先进药物偶联物偶联技术已成为治疗创新的主要轴线，使得能够设计以严格选择性靶向病理细胞同时保持健康组织完整性的药物。靶向模块（尤其是抗体、肽或寡核苷酸）与治疗载荷（如细胞毒性剂、放射性同位素（肽受体放射性核素治疗——PRRT）或基因干扰分子）的整合，促成了高度特异性治疗平台的开发。因此，在活性药物成分靶向递送的框架内，已开发出若干类偶联物。2.1 ADC：肿瘤学标准ADCs由通过化学连接子与强效细胞毒性载荷连接的单克隆抗体组成。ADCs的一个决定性特征是其几乎专属于肿瘤学，因此疾病靶标范围有限。目前，所有FDA批准的ADCs均适用于血液或实体恶性肿瘤。其结构特征使ADCs具有高度选择性，因为它们特异性靶向癌细胞上表达的抗原（Ag）。ADC载荷的高效力需要肿瘤相关抗原的绝对特异性以减轻全身毒性。作用机制依赖于连接子的酶促或化学裂解，导致细胞毒性载荷在靶细胞中释放。释放发生在ADC/Ag复合物内吞进入内体区室并与溶酶体融合之后。ADCs已历经三代演进，以提高疗效、安全性和可制造性。第三代ADCs代表最先进阶段，在偶联、连接子设计、载荷和整体药理学行为方面融合了重大创新。通过生物偶联至抗HER2抗体（如曲妥珠单抗德鲁替康（Enhertu））产生的ADCs是第三代ADCs的典型代表，在乳腺癌以及HER2突变晚期/转移性非小细胞肺癌（NSCLC）中代表临床成功。德鲁替康是一种拓扑异构酶I抑制剂，通过可裂解连接子释放，其膜渗透性使其能够从靶细胞扩散出去并杀死邻近细胞。创建具有高稳定性的偶联物仍是ADC化学设计中的挑战。这对于避免载荷在血流中过早释放触发脱靶毒性至关重要。称为"结合位点屏障"的现象构成ADCs的局限性。这是由于抗体对其靶抗原的高亲和力和特异性，可限制ADC/Ag复合物的内化过程，特别是阻碍深入渗透到具有高间质液压力的致密实体瘤中。此外，ADCs的高分子量（>150 kDa）导致通过肿瘤组织的缓慢扩散，从而限制了血管外分布。尽管如此，对近期文献和超过120项临床试验的综合分析显示，ADCs市场快速扩张，主要靶向乳腺癌和肺癌等实体瘤。最终，技术进步反映了向更稳定、有效和均一的肿瘤治疗选择的转变。2.2 多层细胞架构中的PDCs和ODCs肽在肿瘤学中的临床应用经历了范式转变，从简单的激素调节转向复杂的高渗透性递送系统。与常受致密实体瘤高间质液压力和"结合位点屏障"困扰的传统ADCs不同，肽基模态的较小尺寸可能有利于扩散，尽管肿瘤分布还取决于亲和力、电荷、稳定性、血管通路和清除率。许多PDCs识别细胞表面受体并在细胞内载荷释放后发挥作用。ODCs也利用配体介导的识别或肽介导的摄取，随后进行细胞内RNA干扰或剪接调节。在整个综述中，靶向定位框架按分子识别事件发生的区室对药物进行分类，即靶向部分与其结合伴侣接合的区室，而非最终发挥药理效应的区室。两者经常不同：受体靶向PDC在细胞表面被识别，但在内化和载荷释放后在细胞内发挥作用；GalNAc-siRNA偶联物在肝细胞表面被ASGPR识别，但在胞质中发挥作用。受体非依赖机制（包括melflufen活化和pH依赖性膜插入）单独标识。PDCs是由小肽载体通过中间分子"连接子"与载荷连接而成的生物偶联物。肽被设计为靶向特定细胞或癌组织，或穿透细胞膜并将载荷递送至内部。载荷最常见的是药物、放射性核素或显像剂。设计一个能胜任且特异性结合疾病靶受体的肽的新PDC是持续挑战。此外，PDC的抗肿瘤效果取决于连接子的化学性质，其决定了在特定酶促或化学条件下被裂解的能力。与ADCs相比，PDCs显示出结构和物流优势。事实上，PDCs比ADCs更小且更简单，这可能有利于扩散但不能确保均匀的肿瘤穿透。快速全身清除可能减少循环暴露但也可能限制肿瘤递送；稳定性、组织暴露和载荷释放需要构建体特异性评估。最终，PDCs代表了靶向医学治疗的高效替代方案。化学合成可避免基于细胞的生产，尽管偶联、纯化、环化和放大仍是重要的制造考量。寡核苷酸药物偶联物（ODCs）是第二大药物偶联物类别，由短合成核酸（如反义寡核苷酸、siRNAs和microRNAs）与改善细胞摄取、组织特异性和效力的靶向配体共价连接组成，通常减少所需剂量。若干已批准的siRNA偶联物采用N-乙酰半乳糖胺（GalNAc）靶向肝细胞表达的去唾液酸糖蛋白受体（ASGPR）。尽管化学和配体介导递送取得了进展，主要局限性仍然存在，包括低效的胞质递送、肝和肾蓄积以及向肝外组织的不良分布。在这方面，作为siRNAs和反义寡核苷酸递送策略的各种偶联物（如脂质纳米颗粒、肽或抗体）已在临床前研究中证明可改善生物分布、疗效和剂量减少。除GalNAc外，ODC领域现已涵盖具有不同定位特征的若干配体类别。代表性FDA批准的GalNAc-siRNA偶联物包括givosiran（2019）、lumasiran（2020）、inclisiran（2021）、vutrisiran（2022）和nedosiran（2023）。GalNAc通过ASGPR介导肝细胞识别，而RNA干扰在细胞内发生。肽载体ODCs已被研究用于肌肉递送；Pip6-PMO在临床前DMD模型中增强外显子跳跃。临床PPMO项目SRP-5051于2024年11月因部分参与者出现持续性低镁血症和eGFR降低而终止。这些观察不能确立类别范围的毒性机制。内体逃逸仍是许多ODCs的重要递送限制：通常只有一小部分内化的寡核苷酸到达其发挥作用的胞质或核区室，这种低效可影响所需剂量和可达到的治疗指数。从根本上说，肽药物的治疗效力和药理学特征由其靶标的空间分布和生物学功能决定。在生理背景下，蛋白质通过三个不同区室中高度协调的网络发挥作用：分泌型细胞外蛋白、跨膜表面受体和细胞内信号介质。这些蛋白质共同调节基本细胞过程，包括稳态信号传导、代谢通量和细胞间通讯。在肿瘤学背景下，这三个区室内的失调驱动恶性转化和肿瘤进展。这些异常表达或突变的蛋白质通常既作为肿瘤发生的主要驱动因素，又作为可靠的诊断生物标志物。此外，肿瘤并非孤立存在，其存活和进化与肿瘤微环境深度交织。恶性细胞通过分泌蛋白水解酶和炎性细胞因子积极重塑其周围环境，创造促进免疫逃逸和代谢适应的许可性生态位。肽模态现正针对特定疾病生物学进行定制，超越简单的激素替代。虽然代谢紊乱主导表面靶标格局，但肿瘤学日益聚焦于能够绕过实体瘤高间质液压力的高渗透性偶联物。基于靶向定位框架，基于肽的治疗药物的当前开发在战略上分为三个专门领域。因此，该框架区分识别位点、摄取途径和药理作用位点。2.2.1 细胞外靶标：中和全身性生态位细胞外靶向涉及中和全身循环或TME间质空间内的循环配体、酶、转录因子或细胞因子。通过在促血管生成因子或炎性介质发挥作用之前拦截这些因子，肽破坏驱动肿瘤生长的旁分泌信号环路和ECM重塑。用细胞外靶向肽中和可溶性配体或抑制循环酶是治疗全身性炎症或血液疾病的有前景的替代方案。这些疗法可在无需细胞内递送的情况下接合可及的细胞外靶标，但细胞外识别本身并不确立低全身毒性。Pegcetacoplan（Empaveli；FDA于2021年批准用于PNH；Syfovre，FDA于2023年批准用于GA）是一种PEG化环肽，特异性结合补体蛋白C3及其活化片段C3b。通过抑制C3，它有效阻断补体激活的所有三条途径（经典、凝集素和替代途径），这些途径是阵发性睡眠性血红蛋白尿症（PNH）发病机制的核心。这种广泛抑制通过阻止膜攻击复合物（MAC）形成和C3b介导的调理作用，防止血管内和血管外溶血。近期，其用途已扩展至地理性萎缩（GA），在视网膜中调节局部补体介导的炎症。Zilucoplan（Zilbrysq；FDA于2023年10月17日批准；EU于2023年12月1日授予上市许可——全身性重症肌无力）是一种大环肽，作为补体成分C5的强效选择性抑制剂。它通过双重机制发挥作用：空间阻断C5转化酶将C5裂解为C5a和C5b，并阻止C5b与C6结合，从而抑制终端补体复合物（TCC/MAC）的下游组装。在全身性重症肌无力（gMG）中，此作用防止神经肌肉接头处突触后乙酰胆碱受体（AChR）的补体介导破坏。其小尺寸允许自我皮下注射，相比单克隆抗体提供显著治疗优势。M49K-vcMMAE（非FDA批准——抗VEGF）。M49是一种螺旋-环-螺旋（HLH）肽，对血管内皮生长因子（VEGF）-A具有高亲和力，VEGF-A是肿瘤血管生成的关键介质。M49利用其43个氨基酸（约5 kDa）的小尺寸和高特异性，在细胞表面与VEGF及其受体（VEGFR-2）形成三元复合物。该复合物触发受体介导的内吞作用，实现细胞毒性载荷（如单甲基澳瑞他汀E（MMAE））的精确细胞内递送。事实上，M49已通过可裂解连接子与MMAE偶联形成M49K-vcMMAE PDC，在VEGF刺激的内皮细胞中显示出强效抗增殖活性。M49的高稳定性、抗蛋白水解性和对VEGF-A的独家结合（与其他VEGF家族成员无交叉反应性）使其成为靶向癌症治疗的有前景候选物，特别是在抗血管生成应用中。然而，M49及其PDC（M49K-vcMMAE）尚未获FDA批准，M49仍是在学术和实验环境中开发和研究的临床前研究候选物。2.2.2 细胞表面靶向偶联物作为PDCs的支柱调节细胞表面蛋白（包括G蛋白偶联受体（GPCR）、离子通道和转运体）仍是PDCs最研究和最有效的领域。肽天然适合这一空间，因为它们对大型浅结合口袋具有高亲和力。在肿瘤学中，这些靶标通常作为"对接站"（如生长抑素受体亚型2（SSTR2））用于通过PDCs选择性递送细胞毒性载荷。该领域代表肽工程最商业成功和临床稳健的领域，特别是通过PDCs。通过靶向过表达受体如GPCRs和受体酪氨酸激酶（RTKs）如表皮生长因子受体（EGFR/HER），PDCs以高特异性递送细胞毒性载荷、放射性同位素或寡核苷酸。通过利用肽作为癌细胞上过表达受体的高亲和力配体，这些偶联物递送强效治疗载荷同时最小化脱靶效应。Linaclotide（FDA于2012年批准用于胃肠道疾病）是一种14氨基酸合成肽，作为肠上皮细胞外腔表面的鸟苷酸环化酶-C（GC-C）激动剂发挥作用。结合GC-C后，它增加细胞内和细胞外环鸟苷单磷酸（cGMP）浓度。细胞内cGMP升高刺激氯离子和碳酸氢根分泌进入肠腔，导致液体分泌增加和胃肠道转运加速。同时，细胞外cGMP增加降低内脏痛觉神经活性，有效缓解IBS-C和慢性便秘相关的腹痛。PN-943是一种口服递送、肠道限制性细胞表面整合素α4β7肽拮抗剂。其药代动力学和药效学在健康志愿者中评估。随后在中度至重度活动性溃疡性结肠炎II期试验（NCT04504383）中评估。Angiopep-2衍生物使用19氨基酸Angiopep-2肽接合低密度脂蛋白受体相关蛋白1（LRP1）并支持跨血脑屏障的受体介导转运。BT1718（实体瘤I/II期试验）是首创Bicycle毒素偶联物（BTC），靶向膜1型基质金属蛋白酶（MT1-MMP/MMP14），一种在实体瘤侵袭前沿高表达且与不良预后相关的酶。与传统PDCs不同，"Bicycle"平台利用受限双环肽，提供抗体样亲和力和小分子的更高组织穿透性。BT1718与强效细胞毒素DM1（美登素类）偶联；结合MT1-MMP后，偶联物内化并释放DM1，破坏微管组装并触发凋亡。Melflufen（美法仑氟苯酰胺；FDA于2021年2月26日加速批准，美国批准于2024年2月23日生效撤销；EU于2022年8月17日授予上市许可——多发性骨髓瘤）是首创肽-药物偶联物，利用恶性细胞中增加的氨肽酶活性。它是美法仑的高亲脂性衍生物，允许快速被动进入细胞。一旦进入内部，它被氨肽酶（如CD13）快速裂解，释放烷化剂美法仑。CBX-12（铂耐药或难治性卵巢癌II期评估；NCT06315491）是pH低插入肽（pHLIP）与拓扑异构酶I抑制剂依沙替康的偶联物。它利用独特机制靶向酸性肿瘤微环境（TME）而非特定蛋白受体。在实体瘤特征性低pH条件下，pHLIP肽经历构象转变，触发其插入癌细胞脂质双层。这种"主动"递送机制允许依沙替康载荷的精确跨膜转运，无需特定蛋白受体。177Lu-Dotatate（Lutathera）（FDA于2018年批准用于神经内分泌肿瘤）是肽受体放射性核素治疗（PRRT），而177Lu-PSMA-617（Pluvicto）（FDA于2022年批准用于前列腺癌）是相关的PSMA导向小分子放射性配体治疗。Lutathera是由Tyr3-奥曲肽酸通过十二烷四乙酸（DOTA）螯合剂与放射性同位素镥-177连接组成的放射性标记生长抑素类似物。它靶向SSTR2，在胃肠胰神经内分泌肿瘤（GEP-NETs）中高表达。结合后，复合物通过受体介导的内吞作用内化，允许β发射体177Lu将局部细胞毒性辐射直接递送至肿瘤细胞DNA，引起双链断裂和随后的细胞死亡。Pluvicto是设计用于靶向前列腺特异性膜抗原（PSMA）的精准放射性配体治疗，PSMA是在转移性去势抵抗性前列腺癌（mCRPC）中显著上调的跨膜蛋白。小分子拟肽配体以高亲和力结合PSMA的细胞外酶结构域。内化后，177Lu载荷发射β粒子，在肿瘤及其邻近区域诱导靶向放射毒性（交叉火力效应），而其快速全身清除减少对健康组织的辐射暴露。2.2.3 细胞内靶标：突破渗透性屏障最终前沿是直接抑制细胞内靶标，特别是蛋白质-蛋白质相互作用（PPIs）。通过克服脂质双层屏障（通过订书肽或细胞穿透肽（CPPs）），这些治疗药物可拦截难以捉摸的癌蛋白如Bcl2/BCL-xL或MDM2，弥合传统生物制剂和小分子之间的差距。订书肽和CPPs旨在抑制PPIs，这些PPIs由于接触面大而平坦，通常是小分子"不可成药"的。ALRN-6924（Sulanemadlin）（实体瘤和淋巴瘤I/IIa期研究；NCT02264613）是首创稳定α螺旋"订书"肽，作为小鼠双微体（MDM）2和X同源物的双重抑制剂发挥作用。在许多癌症中，这两种蛋白过表达并抑制p53肿瘤抑制通路。通过模拟p53反式激活结构域，ALRN-6924有效结合MDM2和MDMX，在p53野生型肿瘤细胞中恢复p53介导的细胞周期阻滞和凋亡。订书化学增强肽的抗蛋白水解稳定性并允许其主动穿透细胞膜到达核靶标。TAT-RasGAP（临床前——细胞毒性和增敏）是由TAT细胞穿透序列与RasGAP蛋白特定片段（Src同源3结构域）连接组成的嵌合肽。其报道的活性包括与内小叶富集膜磷脂的相互作用。细胞毒性和化疗增敏已在实验模型中研究，放射增敏也有报道，但这些发现不能确立患者中的肿瘤独家摄取或无全身毒性。PPMO（肽缀合吗啉代寡聚物）（临床/研究——DMD）：PPMOs是寡核苷酸-药物偶联物（ODC）的一种形式，其中合成吗啉代寡聚物与细胞穿透肽（CPP）共价连接。该模态专门设计用于增强反义寡核苷酸向细胞核的递送。在杜氏肌营养不良症（DMD）中，CPP部分促进吗啉代进入肌肉细胞，在那里诱导外显子跳跃以恢复肌营养不良蛋白基因的阅读框。作为特定临床PPMO示例，SRP-5051（vesleteplirsen）被研究用于外显子51跳跃，但开发于2024年11月因部分参与者出现持续性低镁血症和eGFR降低而终止。靶向BCL-2家族蛋白的订书BH3肽（临床前——癌症凋亡）是工程化调节BCL-2家族蛋白的临床前候选物，这些蛋白是内在凋亡通路的核心调节因子。通过利用烃订书，这些肽模拟促凋亡蛋白如BID或BIM的BH3结构域。它们通过直接激活BAX/BAK或中和抗凋亡蛋白如BCL-2或MCL-1发挥作用。这些订书肽可绕过这些PPIs的"不可成药"性质，提供高度特异性的方式在耐药癌细胞中触发线粒体死亡机制。还设计了订书p53螺旋靶向小鼠双微体4（MDM4/HDMX），p53肿瘤抑制因子的负调节因子。3 等待临床转化的新兴临床前PDC候选物在已进入临床前或临床试验的PDCs中，少数在肿瘤学中获得监管批准。因此，靶向肿瘤生态系统不同组分的新型PDCs的开发最近在实验层面被构思，等待进入临床前研究。Yeun及其同事开发了一种名为TAMpep-IP的PDC，由M2归巢肽（TAMpep）和STAT6抑制肽（IP）组成，特异性将STAT6抑制剂递送至M2肿瘤相关巨噬细胞（TAMs）。通过阻断转录因子STAT6信号通路，该药物旨在将巨噬细胞从促肿瘤状态重编程为激活机体自然防御的状态，恢复细胞毒性T细胞活性。在CT26鼠结肠癌模型中，TAMpep-IP治疗成功减少肿瘤进展。此外，研究了利用环状RGD靶向肽的铂（PtIV）基PDC（NPtIVcRGD），以在乳腺癌中实现高αvβ3整合素介导的选择性。该PDC作为前药（PtIV）在还原性TME中转化为活性形式（PtII），引起显著DNA损伤，在4T1荷瘤小鼠模型中产生78%的肿瘤生长抑制率。Ayali等人描述了另一种克服治疗耐药的策略。KRAS基因突变赋予结直肠癌对标准化EGFR靶向治疗的耐药性。作者创建了环状EGFR靶向肽P6与细胞毒性载荷拓扑异构酶I抑制剂SN38的PDC（P6-SN38），设计用于治疗KRAS突变结直肠癌。该策略利用EGFR作为递送门户而非信号靶标。另一方面，Panja等人创建了PDCs，目的是递送称为Ahx-DA1的强效抗有丝分裂载荷，Ahx-DA1是DA1（多拉司他汀10类似物）的酶稳定衍生物。他们使用特异性结合HER2和EGFR的受体特异性肽配体A9和P6合成这些偶联物。Daquinag等人先前描述了特异性环肽BLMP6靶向已转变为更具侵袭状态的转移性乳腺癌细胞。第一步，他们用镓（Ga）放射性同位素标记该肽，使其能够使用PET成像可视化动物模型中的肿瘤扩散。然后，基于这些诊断发现，他们开发了MMAE-BLMP6 PDC，将BLMP6与强效细胞毒性载荷单甲基澳瑞他汀E（MMAE）配对以杀死恶性细胞。Wei等人开发了一种药物递送平台，旨在靶向肝癌细胞同时保护健康组织。他们通过用γ-谷氨酰基作为特异性化学掩蔽修饰细胞穿透肽，报道了有前景的结果。该原理基于通过γ-谷氨酰转移酶（GGT）特异性反应去除掩蔽来重新激活肽，使肽恢复其细胞穿透结构。3.1 PDC临床转化为何滞后于预期任何将PDCs评估为"下一个前沿"的分析都必须考虑临床前活动量与少量批准之间的差距。排除PRRT药物（其中肽引导放射性同位素而非细胞毒性载荷），melflufen仍是唯一获得美国批准的细胞毒性PDC，且该批准已于2024年撤销。若干潜在递送和安全性局限与第4节的设计优先事项相关，尽管阴性临床结果不能确定其潜在机制。循环中的连接子不稳定性：使高效细胞内载荷释放成为可能的相同可裂解化学（特别是缬氨酸-瓜氨酸二肽和腙连接子）易在血浆中被循环蛋白酶和羧酸酯酶活性过早裂解，后者在啮齿动物和人类之间差异显著。循环中释放的载荷产生游离细胞毒素的全身毒性特征，同时对肿瘤暴露无贡献，并可能限制临床前治疗指数估计的转化。快速肾脏清除限制肿瘤暴露：小肽偶联物可经历快速肾脏清除，尽管分子量、电荷、蛋白结合和稳定性均影响该过程。脱靶蓄积，特别是肾脏：肾脏摄取和滞留是某些肽偶联物和放射治疗的安全考量。早期候选物的淘汰：Zoptarelin多柔比星在随机III期ZoptEC研究中未改善多柔比星的总生存期。ANG1005在乳腺癌脑转移和软脑膜疾病的单臂研究中显示活性，但不能确立比较获益。Melflufen如第2.2.2节所述，达到无进展生存终点但在OCEAN中引起总生存和获益-风险担忧。4 AI驱动的设计与safety-by-design：肽工程的新范式先进人工智能（AI）的整合催化了从传统试错方法向"Safety-by-Design"理念的根本转变。通过利用生成模型和高保真结构预测器，研究人员可优先选择候选物进行测试；治疗窗口和代谢特征仍需实验评估。AI正在加速肽药物开发和PDCs工程，筛选大序列空间，预测活性和毒性，并帮助比传统湿实验室密集型工作流程更快地设计新的治疗性肽。机器学习和深度学习可将肽序列转化为抗菌、抗癌、抗病毒和其他治疗应用的可操作候选物。Ali等人将AI作为更广泛药物发现管道的一部分，该管道还可支持虚拟筛选、先导优化、吸收、分布、代谢、排泄和毒性（ADMET）预测以及新型生物活性分子（包括肽和蛋白质）的生成。AI确实越来越多地用于PDCs的预测建模，其中体内ADMET对成功的药物设计至关重要。基于AI的平台如OptADMET和ADMETlab 3.0可通过从分子表示（包括简化分子线性输入系统（SMILES））预测关键药代动力学和安全性属性来支持早期优化。在筛选中，模型从已知肽学习，按活性、毒性、稳定性或结合潜力对新序列进行分类或排序。在生成中，深度学习架构如循环神经网络（RNN）、生成对抗网络（GAN）和变分自编码器（VAE）以及大型语言模型提出具有预设特性的新肽序列。AI正将肽工程从缓慢的试错发现转向数据驱动的预测和设计，最大的前景在于抗菌和抗癌肽开发。AI驱动的肽工程常受限于稀缺的标记数据，使得难以预先知道模型是否能支持有效的迭代设计。Andrekson等人提出了一个低资源肽工程的AI框架，使用进化尺度建模（ESM）的蛋白质语言模型嵌入。他们引入了小样本分类和回归解决方案（SCARSE），一种仅序列的机器学习框架，将ESM-2嵌入与用于回归任务的高斯过程回归和用于分类任务的极端随机树相结合。4.1 结构精确性与结合优化肽和复合物结构的预测对于合理肽设计至关重要。作为证据，肽活性通常取决于肽及其结合伴侣的3D几何形状。AI不仅有助于直接肽生成，还有助于以原子分辨率预测结构以及与蛋白质、核酸、配体和修饰残基的相互作用。Abramson等人提出了一个统一生成模型AlphaFold 3（AF3），是AF2架构和训练程序的进化，使用基于对的骨干和扩散模块来推断生物分子结构，而不严重依赖多序列比对信息。对于肽相关应用，AlphaFold 3可评估含肽复合物，预测肽结合姿势，并估计预测相互作用的置信度。Lazou等人评估了AF3作为生成式共折叠系统预测隐蔽口袋（在构象变化时出现或开放的成药隐藏结合位点）的能力。他们表明，当提供隐蔽位点配体时，模型通常预测与该位点结合兼容的构象，而无配体预测倾向于主导未结合状态。此外，AI可用于肽工程中设计短小、高度特异性的结合蛋白以阻断疾病相关蛋白界面。在这方面，Wang等人使用AI创建靶向生长分化因子（GDF）15与其受体GFRAL之间相互作用界面的紧凑迷你结合剂。设计的结合剂经计算生成、筛选，然后实验验证为高亲和力拮抗剂，可逆转癌症恶病质并改善免疫治疗反应。另一方面，近期研究说明了AI支持的对接和结构预测如何加速早期发现，同时也界定了AI在困难受体-配体系统从头建模方面的当前局限。Cabeza de Vaca等人提出了针对孤儿G蛋白偶联受体（GPCR）A类GPR139的配体发现的结构支持、AI辅助工作流程，将冷冻电镜衍生的受体信息与超大型虚拟筛选和结构引导优化相结合。Wang等人的工作强调了AlphaFold3在肽工程应用中的若干局限。尽管AlphaFold-Multimer和AlphaFold3达到最先进的结构预测准确性，但由于多序列比对（MSA）搜索，它们被证明计算成本高昂，限制了其在高通量肽对接中的可扩展性。此外，它们不能容易地整合结合位点的先验知识，这可能导致错误的结合口袋识别和降低的预测准确性。作者提出了DiffPepDock，一种专门开发用于高效蛋白质-肽对接的SE(3)-等变扩散模型。与端到端结构预测模型不同，DiffPepDock纳入用户定义的结合信息（如肽基序或参考配体）以引导对接朝向生物学相关结合口袋，并支持快速大规模肽筛选。4.2 肽开发中基于AI的肽毒性预测肽开发中的关键瓶颈是由于不可预见的毒性或不良药代动力学导致的高临床失败率。"Safety-by-Design"方法试图通过将预测毒理学嵌入序列设计，随后进行实验验证来解决这一问题。Tan等人开发了一个专门设计用于系统预测肽吸收、分布、代谢、排泄和毒性（ADMET）属性的AI驱动平台。该平台pepADMET使用36,643条高质量实验数据条目开发，预测19个关键ADMET终点，提供与肽药物发现相关属性的广泛覆盖。pepADMET支持线性、环状、修饰和天然肽的预测。值得注意的是，该平台引入了专门开发用于肽毒性预测的多级图注意力网络（MLR-GAT）。与主要预测溶血毒性的先前方法不同，MLR-GAT可同时识别多种毒性类别，提供更全面的安全性评估。另一方面，Wang等人开发了机器学习框架ToxTeller以预测肽毒性并促进不安全肽候选物的早期淘汰。该平台在来自SwissProt和ConoServer的严格策展的有毒和无毒肽数据集上训练，序列冗余最小化以提高模型泛化能力。评估了四种机器学习算法——逻辑回归、支持向量机（SVM）、随机森林（RF）和XGBoost——使用序列组成和物理化学描述符的优化组合，XGBoost达到最佳整体预测性能。然而，据研究人员所知，虽然AI已成为预测肽结构、结合亲和力、ADMET属性和毒性不可或缺的工具，但能够预测肽治疗药物或肽-药物偶联物器官特异性生物分布和蓄积的稳健AI模型仍然缺乏。4.3 "免疫原性优先"视角与先导优化AI正积极应用于预测和管理癌症中的免疫原性，从新抗原发现和表位结合预测到患者级反应预测和将"冷"肿瘤转化为"热"肿瘤的策略，但模型仍受限于数据质量、生物复杂性和实验验证需求。计算表位评估可支持候选物优先排序，但预测的抗原呈递、临床抗药物抗体反应和肿瘤免疫表型是不同的终点。Sun等人表明，通过对比增强CT图像的放射组学分析应用的AI提供了量化肿瘤免疫原性和预测免疫治疗反应的有前景方法。然而，队列异质性、回顾性设计和临床采用前需前瞻性验证是主要局限性。Hickling等人强调了由于免疫系统复杂性和免疫原性的多因素性质，在临床试验前预测抗药物抗体（ADA）反应的持续挑战。AI支持的工作流程越来越多地整合到生物制剂发现和开发中，以指导蛋白质工程、减少预测的T细胞和B细胞表位、改善可开发性并在湿实验室验证前优先选择低风险治疗候选物。在先导优化过程中，有时需要通过去免疫化策略去除潜在的T细胞和B细胞表位。Sampei等人报道了抗因子IXa/X双特异性抗体（成为emicizumab）的鉴定和多维优化，包括旨在降低免疫原性风险的工程步骤。Wolfsberg等人的工作强调了将去免疫化整合到治疗性蛋白质设计最早阶段而非将免疫原性视为下游问题的重要性。4.4 验证状态、适用域和药物经济学主张的证据基础验证应针对每个模型和终点进行评估。内部留出测试、外部基准测试和前瞻性实验测试回答不同的问题，不应被视为可互换的。序列冗余、数据集组成、测定异质性和类别不平衡可能影响表观性能。pepADMET支持线性、环状、修饰和天然肽；这种更广泛的表示本身并不确立对每种连接子-载荷偶联物或临床相关终点的预测准确性。终点级训练覆盖和外部验证决定了可对预测投入的置信度。对偶联物的适用性需要特别注意。模型可能支持修饰肽，但对特定带载荷、订书或脂化构建体的训练示例有限。因此，分子表示和模型置信度应逐案评估。同样，溶血或急性细胞毒性预测不能确立对肾脏滞留、血浆连接子裂解、临床免疫原性或患者生存的预测。这些考虑直接关系到AI引导设计的药物经济学主张，研究人员明确陈述证据基础而非断言获益。最有力的可用证据是Jayatunga等人的回顾性分析，报告AI衍生分子的I期成功率约为80%–90%，而历史行业基准为40%–65%，而II期成功约为40%，与历史平均水平一致。两个限定至关重要。该分析涵盖来自有限公司的小数量分子，因此不能排除选择 and 报告偏倚；I期结果本身不能确立将药物推向批准的总成本降低。这些回顾性发现并非肽偶联物特异性，也不能确立AI对临床或经济结果的因果效应。5 局限性与开放问题这些前景应与当前局限性权衡。迄今为止，相对于进入临床前和早期临床开发的PDCs数量，少数在肿瘤学中获得监管批准，该路径上的潜在风险——包括连接子不稳定性、脱靶蓄积和临床免疫原性——需要与计算筛选并行进行实验评估。AI驱动的ADMET和毒性平台如pepADMET和ToxTeller仍在相对小型、非标准化的肽数据集上训练，如上所述，预测PDCs和ODCs器官特异性生物分布的稳健模型仍然缺乏。因此，此处描述的"Safety-by-Design"范式应被理解为降低候选物选择风险而非替代体内药代动力学、免疫原性和毒理学研究，后者在临床转化前仍不可或缺。值得注意的是，尚无单一肽或PDC候选物被记录为已完整穿越这一整合管道——从AI驱动结构设计通过预测毒理学到临床测试——因此图4中的工作流程最好被解读为具有不同验证范围的工具的拟议整合而非已证明的端到端路径。6 结论：迈向可编程治疗药物肽治疗药物的未来取决于安全性评估与分子设计的并重。当前的"肽复兴"反映了向效力和安全性共同优化而非顺序优化的设计工作流程的转变；鉴于第3.1、4.4和5节所述原因，这是否能带来预期的临床获益仍有待证明。将PDC和ODC设计与预测毒理学相结合可支持候选物选择，但不能确立临床安全性。通过将pepADMET等预测模型整合到早期设计阶段，研究人员可在临床测试前识别需要研究的风险。这种预防性方法旨在通过早期过滤掉风险基序来改善候选物优先排序。它是否还能减少该模态开发的总成本和持续时间尚未确立，当前可用证据在第4.4节中评估。正如Ekambaram等人在综述中所述，AI现支持完整的肽设计工作流程，从结构预测和结合建模到从头序列生成、筛选和多参数优化。他们强调将AI与分子对接、分子动力学、主动学习和实验反馈环路相结合的混合工作流程以提高可靠性。AI使用的不同模型改善肽结构预测（AlphaFold、RoseTTAFold、ESMFold、PEP-FOLD3和AfCycDesign），帮助预测肽-蛋白质相互作用（深度学习架构CNNs、transformers、图神经网络和蛋白质语言模型），并实现生成式肽设计（VAEs、GANs、扩散模型、流匹配和蛋白质语言模型）。然而，作者在共识观点中得出结论，AI是强大但仍不完美的工具，通过加速合理设计和多属性优化正在改变肽工程，同时仍依赖于高质量数据、基于物理的验证和实验确认。这种整合最终是否改善该领域的药物经济学仍是一个开放的实证问题而非已证明的结果，原因如第4.4节所述：可用证据报告I期成功率高于历史比较物，但II期成功率并非更高，是回顾性的且受选择偏倚影响，且不包含肽治疗药物特异性或可负担性分析。需要前瞻性比较和实验验证来确定AI引导设计是否改善临床和经济结果。