Etravirine

第一部分：药物体内过程概述与药代动力学（PK） 1. 核心定义 药物代谢动力学（PK）：简称药动学，应用动力学原理和数学方法，定量研究药物在体内的吸收（A）、分布（D）、代谢（M）和排泄（E） 过程的动态变化规律及其与药效、毒副作用关系的学科。 2. ADME过程详解 吸收：药物从给药部位进入体循环（血液循环）的过程。 分布：药物进入体循环后，向各组织、器官或体液转运的过程。 代谢：药物在体内被氧化、还原、水解等酶促反应所改变，生成代谢产物的过程。 排泄：药物及其代谢产物排出体外的过程。 相关概念： 转运：吸收、分布和排泄的总称。 处置：分布、代谢和排泄的总称。 消除：代谢和排泄的总称，代表药物从体内不可逆地失去。 吸收过程决定药物进入体循环的速度与量，分布过程影响药物是否能及时到达与疾病相关的组织和器官，代谢与排泄过程关系到药物在体内存在的时间。药物的体内过程决定药物的血液浓度和靶部位的浓度，进而影响疗效。 3.ADME过程随时间的动态变化 静脉给药后药物瞬间进入体内，会随血液到达肝、肾等消除器官和药物作用部位，就会存在药物的代谢和/或排泄过程，这会促使体内药物的量随时间逐渐减少，具体反映为血液中药物浓度(以下简称“血药浓度”)随时间逐渐变小;当给予口服制剂时，药物吸收入血后就有消除过程，消除会使药物浓度随时间逐渐减少，但最初给药后的一段时间中，药物的吸收往往大于消除，所以口服给药时血药浓度会随时间具有先增大后减小的过程。 4.血药浓度随时间的变化 在PK研究中，体内药量的动态变化通常采用血药浓度与时间作图所得到的皿约浓度时间曲线(简称药-时曲线，即C-t曲线)来反映。图中，MEC表示药物的最小有效浓度，MTC表示药物最小中毒浓度。血药浓度只有达到MEC，才会发挥药物效应;但当浓度超过MTC时，药物对机体会发生毒副作用，MEC和MTC之间的浓度范围就是患者的有效治疗的浓度范围(治疗窗)。C-t曲线上浓度达到最大的时间为达峰时间(Tmax)，对应的浓度为峰浓度(Cmax)，时间从零到无穷大时C-t曲线下面积为AUC。通常药物C-t曲线中药物浓度在治疗窗范围的时间越长,药效维持的时间也越长。 5.动力学理论定量 描述药物在体内的动力学过程体内药量X的体内动力学可用微分形式dX/dt,表示,这里t表示时间，是自变量;X表示随时间改变的体内药量.根据变化速率dX/dt与X之间的关系,常分为零级动力学、一级动力学等。 以药物在体内的消除过程为例，其零级动力学的数学表达式为: 表示X的变化速率dX/dt与X的零次方成正比，由于任何数值的零次方都等于1，此时dX/dt就等于-k，说明X的变化速率与X本身大小没有关系，是个定值。 一级消除动力学的数学表达式为: (其中k是药物的消除速率常数)，表示X的变化速率dX/dt与X的一次方成正比，将上述微分形式变为积分形式，则得其积分形式： 表示X随时间t以指数形式下降。大多数小分子药物在体内的消除遵循一级动力学规律。一级动力学就是通常说的线性动力学，极少数药物或机体发生疾病(如肝肾功能下降时)等情况下，药物在上述某个或多个体内过程中可能因饱和现象而出现非线性动力学特征。 第二部分：药物对机体的作用 1.产生药理效应 药理效应是指药物通过特定的作用机制，在机体内产生的生理或病理改变，以达到缓解症状或治疗疾病的目的。药理效应通常通过以下几种方式实现。 (1)靶向作用 药物通过与特定的靶点(如受体、酶或离子通道)结合，调节信号传导通路或生物化学反应。例如，β受体拮抗药通过阻断心肌细胞β1受体，减慢心率，降低血压，用于治疗高血压和心绞痛。 (2)生物调节 药物可以增强或抑制机体的内源性生理过程。例如，胰岛素注射用于补充体内胰岛素不足，从而降低血糖水平。 (3)物理化学作用 一些药物通过物理或化学性质直接作用于机体。例如，抗酸药通过中和胃酸缓解胃灼热和消化不良。 (4)基因调控 一些药物通过调控基因表达产生药理效应，例如siRNA或CRISPR技术用于基因治疗。药理效应可以是治疗性作用(如抗菌药物抑制或杀灭病原菌)或辅助性作用(如缓解疼痛的镇痛药)。药物的治疗范围和剂量调整通常基于药理效应的强度和持续时间。 2.引起不良反应 药物不良反应(ADR)是指不符合用药目的并给患者带来不适或痛苦的反应，通常包括以下几类。 (1)剂量相关性不良反应 由于药物剂量过高或个体对药物代谢的差异引起。例如，氨基糖苷类抗生素的高剂量使用可能导致耳毒性或肾毒性。 (2)特异性不良反应 一些药物在特定人群中可能引发变态反应或特定的毒性。例如，青霉素可导致过敏性休克，特定遗传背景的个体可能对某些药物(如硫唑嘌呤)表现出显著毒性。 (3)药物相互作用 药物与其他药物、食物或疾病状态的相互作用可能导致不良反应。例如，维生素K摄入过量可能降低华法林抗凝效果。 (4)长期使用的累积效应 长期或过度使用某些药物可能引发累积毒性或依赖性。例如，长期使用阿片类药物可能导致耐受性和依赖性。第三部分：药物的跨膜转运方式 药物必须通过各种生物膜才能被吸收、分布和排泄，其主要转运方式如下： 1. 非载体转运（被动转运） 滤过（水溶性扩散）：小分子、水溶性药物在压力差（流体静压或渗透压）作用下，通过细胞膜上的亲水孔道转运。 单纯扩散（脂溶性扩散）：最重要、最常见的转运方式。药物依赖其脂溶性，顺浓度梯度（从高浓度侧到低浓度侧）溶解于细胞膜的脂质层进行跨膜转运。 特点：① 顺浓度梯度，不耗能；② 无饱和性，无竞争性抑制；③ 转运速度与药物的脂溶性和浓度梯度成正比。 药物极性对转运的影响：非极性分子（脂溶性高）易通过，极性分子（脂溶性低）难通过。例如，强心苷类极性大小顺序：毛花苷K > 毛花苷C > 地高辛 > 洋地黄毒苷（极性越小，吸收越好）。 2. 载体转运 主动转运：药物逆浓度梯度或电化学梯度（从低浓度侧向高浓度侧）转运。 特点：① 消耗能量（ATP）；② 需要载体；③ 存在饱和现象和竞争性抑制。 举例：细胞内Na⁺外流，肾小管对葡萄糖的重吸收，弱酸/弱碱性药物在肾小管的分泌，以及药物自肝细胞转运等都是主动转运过程。有的转运蛋白可将药物由细胞内转运至细胞外，如P-糖蛋白、乳腺癌耐药蛋白、肺耐药蛋白、多药耐药蛋白等。 易化扩散：药物顺浓度梯度转运，但需要载体参与。 特点：① 不耗能；② 存在饱和现象和竞争性抑制（与主动转运相似）；③ 转运速度快于单纯扩散。 举例：葡萄糖进入红细胞；单糖、氨基酸、季铵盐类在小肠的吸收，甲氨蝶呤进入白细胞。有机阴离子转运多肽、有机阳离子转运蛋白、寡肽转运蛋白等介导易化扩散，多数情况下是将药物由细胞外转运至细胞内。 3. 膜动转运 膜动转运是指大分子物质通过膜的运动而转运，包括胞饮和胞吐。 胞饮（吞饮）：细胞膜内陷将液态的大分子物质包裹成小泡摄入细胞内。如垂体后叶素的鼻黏膜吸收。 胞吐（外排）：细胞内的物质以外泌囊泡形式排出细胞外。如腺体分泌、神经递质的释放。第四部分：影响药物口服吸收的关键因素 1. 固体制剂的崩解与溶出 （1）药物溶出和溶出速度及影响因素 药物的溶解是指药物以分子或离子状态分散在溶剂中的状态，药物的溶解速度是指单位时间内药物的溶解量。药物的溶解度系指在一定温度(气体在一定压力)下，在一定量溶剂中达到饱和时溶解的最大药量。影响药物溶解度的因素包括:药物分子结构与溶剂、温度、药物晶型、药物粒子大小等。增加药物溶解度的方法包括增溶、助溶、潜溶、成盐和共晶。 （2）固体制剂的崩解和溶出 固体制剂的崩解是指固体制剂在水性介质中崩散或溶散的过程。崩解时限是指固体制剂在规定条件下全部崩散或溶散成碎粒，全部通过筛网的时间。药物的溶出是指药物由固体制剂中溶解至介质中的过程。药物的溶出速度是指单位时间药物溶解进入介质的量。溶出度是指普通固体制剂在规定条件下药物溶出的速度和程度。释放度与溶出度相似，其区别在于释放度通常是针对固体缓释、控释制剂。 固体药物的溶出速度主要受扩散控制，可用Noyes-Whitney方程表示: dC/dt=KS(Cs-C)式中，dC/dt为溶出速度，S为固体的表面积，Cs为溶质在溶出介质中的溶解度，C为t时间溶液中溶质的浓度，K为溶出速度常数。相同重量的固体药物，粒径越小，表面积越大;相同体积的固体药物，孔隙率越高，表面积越大;温度升高，大多数药物溶解度增大、扩散增强、黏度降低，溶出速度加快。溶出介质的体积增加，溶液中药物浓度下降，溶出速度加快;反之则溶出速度下降。 （3）口服制剂在胃肠道的最初变化 普通固体制剂，如片剂、胶囊剂、颗粒剂、散剂，在胃肠道需经过崩解过程(散剂除外)及药物溶出过程，之后，药物以溶解状态被胃肠道吸收。有关崩解过程和药物溶出过程发生的顺序，可能是先后发生，也可能是同时发生。口服缓释、控释固体制剂在胃肠道需经过药物释放过程，之后，药物以溶解状态被胃肠道吸收。口服溶液剂在胃肠道与胃肠液混合，药物以溶解状态被胃肠道吸收，口服混悬剂在胃肠道与胃肠液混合，药物溶解，以溶解状态被胃肠道吸收，乳剂在胃肠道与胃肠液混合，药物溶解或以乳滴微粒形式被胃肠道吸收。 2. 药物的胃肠道吸收 （1）从胃吸收 弱酸性药物在酸性胃内容物中的解离度低，可在胃内吸收。例如，丙磺舒是弱酸性约物(pK=3.4)，在pH值为1.4的胃液中仅1%解离，99%的非解离型药物可经胃黏膜向血浆扩散;在pH值为7.4的血浆中约99.99%解离，解离型药物不易自血浆转运至胃中。当理论上达到平衡时，血浆药物浓度应为胃内药物浓度的10000倍，即几乎全部吸收。相反，弱碱性药物如茶碱，在酸性胃内容物中大部分解离，胃中难于吸收。 （2）从小肠吸收 小肠具有丰富的绒毛，其吸收面积(约200m2)远超过胃(约1m2)。此外，小肠具有蠕动快、血管及淋巴管丰富等有利于药物吸收的特点，因此，小肠是口服给药的重要吸收部位。除单纯扩散外，小肠吸收尚有主动转运过程。例如，维生素B1、B2、B6及与内源性物质结构相似的药物如氟尿嘧啶、甲基多巴等均为主动吸收。 （3）从大肠吸收 大肠由盲肠、结肠和直肠组成。大肠长约1.7m，黏膜上没有绒毛，有效吸收面积比小肠小得多，药物吸收差。结肠是治疗结肠疾病的释药部位，多肽类药物可以结肠作为口服吸收的部位。栓剂或溶液剂直肠给药(perrectum)时，药物可从直肠吸收。直肠黏膜面积虽小，但血液供应充足，药物吸收很快。例如，硫喷妥钠可由直肠给药进行基础麻醉。由于直肠给药时2/3的给药量不经过肝门静脉而直达体循环，故药物的首过消除较少。 3. 药物理化性质的影响 （1）脂溶性与解离度 胃肠道上皮细胞膜是药物被动扩散吸收的屏障，通常脂溶性大的药物易于透过细胞膜，且未解离的分子型药物比离子型药物易于透过细胞膜，因此胃肠道内已溶解药物的吸收速度常会受非解离型药物的比例及非解离型药物脂溶性大小的影响。脂溶性与药物的脂水分配系数有关，而非解离型药物的比例由吸收部位PH值支配。 通常药物以分子型被吸收，通过生物膜，进入细胞后，在膜内的水介质中解离成离子型而起作用。 由于体内不同部位pH环境不同，使解离形式和非解离形式药物的比例发生变化，这种比例的变化与药物的体液介质的pH和解离常数(pK)有关，可通过下式进行计算: 酸性药物:pKa=pH+lg[HA/A-] 碱性药物:pKa=pH+lg[HB+/B] 式中，[HA]和[B]分别表示未解离型酸性药物和碱性药物的浓度，[A-]和[HB+]分别表示解离型酸性药物和碱性药物的浓度。由上式可知，酸性药物的pK，值大于消化道体液pH时(pK>pH)，分子型药物所占比例高;当pK,=pH时，未解离型和解离型药物各占一半;当H变动一个单位时，[分子型药物/离子型药物]的比例也随即变动近10倍。一般酸性药物在PH低的胃中、碱性药物在PH高的小肠中的未解离型药物量增加，吸收也增加，反之都减少。 消化道吸收部位的药物分子型比例是由吸收部位的pH值和药物本身的pKa决定的。通常弱酸性药物在胃液中几乎完全不解离，故有较好的吸收；弱碱类药物在胃液中解离程度高，吸收差。药物在小肠中的吸收情况与胃相反，碱性药物吸收较好，酸性药物吸收较差。pKa>3.0的酸及pKa<7.8的碱容易吸收。虽亲脂性药物容易吸收，但并不是亲脂性越强吸收越好，脂水分配系数过大的非极性物质则不易被胃肠道吸收。这可能由于亲脂性极强的药物难以进入水性的细胞质或体液。根据里宾斯基五规则(Lipinski's rule five)，药物脂水分配系数的对数值应为正数，而且小于5(lgP<5），才比较合适。 （2）溶出速度： (1)粒子大小 相同重量的药物粉末，其表面积随粉末粒子直径的减少而增加。药物粒子越小，则与体液的接触面积越大，药物的溶出速度增大，吸收也加快。因此，可采用药物微粉化技术增加某些难溶性药物的溶出速度和吸收速率，如研磨、机械粉碎、气流粉碎或制成固体分散体等。通过减小药物粒子以增加药物吸收的方法，适用于在消化道中吸收受溶出速度限制的药物。 对水溶性或弱碱性药物，增加其比表面积所产生的作用不大，因为弱碱性药物的吸收受胃排空速率支配，而不受溶出速度的影响。对胃液中不稳定的药物如艾司奥美拉唑镁、胰酶等，粒子直径越小越易分解，反而降低其疗效，故不宜应用微粉化技术来增加药物溶出速度。对胃有刺激性的药物如非甾体抗炎药物，虽然微粉化能提高吸收，但为避免对胃肠刺激过大，也不宜用过细的粉末制备口服制剂。 (2)湿润性 加入表面活性剂促进粉末表面的润湿，提高药物的溶出。 (3)多晶型 多晶型中有稳定型、亚稳定型和无定型。一般来说，稳定型的结晶熵值最小、熔点高、溶解度小、溶出速度慢；而无定型与此相反，但易转化成稳定型。亚稳定型介于上述二者之间，熔点较低，具有较高的溶解度和溶出速度。降压药尼群地平有3种晶型，分别为Ⅰ、Ⅱ、Ⅲ。3种晶型的稳定性Ⅰ>Ⅱ>Ⅲ、光稳定性Ⅲ>Ⅱ>Ⅰ、活化能Ⅱ>Ⅰ>Ⅲ、热稳定性最好为晶型Ⅱ。 (4)溶剂化物 在多数情况下，药物在水中的溶解度和溶解速度是以水合物〈无水物〈有机溶剂化物的顺序增加。 (5)提高溶出速度的方法 ①粉末纳米化②使用表面活性剂③制成盐或亲水性前体药物、固体分散体、环糊精包合物、磷脂复合物。 4.增加药物溶解度和溶出速度的方法 (1)加入增溶剂:具有增溶作用的表面活性剂称为增溶剂。表面活性剂能增加难溶性药物在水中的溶解度，是由于表面活性剂在水中形成胶团。 (2)加入助溶剂:常用的助溶剂可分为三类。①某些有机酸及其钠盐:如苯甲酸钠、水杨酸钠、对氨基苯甲酸钠等。②酰胺化合物:如乌拉坦、尿素、烟酰胺、乙酰胺等。③无机盐:如碘化钾等。 (3)制成盐类。 (4)使用混合溶剂:混合溶剂是指能与水任意比例混合、与水分子能以氢键结合、能增加难溶性药物溶解度的溶剂，如乙醇、丙二醇、甘油、PEG300、 PEG4U0与水组混合浴剂。 (5)制成共晶:提高温度、改变pH值可促进药物的溶解;应用微粉化技术可减小粒径，促进药物溶解;固体分散体、包合技术等新技术的应用也可促进药物的溶解。 (6)制备固体分散体:制备主要分为非溶剂法和溶剂法。 (7)包合技术:包合物系指一种化合物分子全部或部分包合于另一种化合物分子空腔中而形成的络合物。常用的包合材料为环糊精及其衍生物。环糊精常见的有a、β和y三种。包合物的制备方法有共沉淀法、捏合法、超声法、冷冻干燥法、喷雾干燥法。包合技术应用的目的是:①增加药物溶解度，提高生物利用度。②液体药物固体化，提高药物稳定性。③防止挥发性成分挥发。④掩盖药物不良气味及味道。⑤调节药物释药速度。⑥降低药物刺激性与毒副作用。 5. 剂型因素的影响 一般认为口服剂型药物的生物利用度的顺序为:溶液剂>混悬剂>胶囊剂>片剂>包衣片。 1.溶液型液体制剂:口服浴液型制剂药物的吸收比口服其他制剂快且完全，生物利用度高。 2.乳剂:能使油相高度分散，有利于药物的溶解和吸收。 3.混悬剂:混悬剂中的难溶性药物在胃肠道中的吸收比溶液剂慢，但比片剂、丸剂、胶囊剂等固体制剂的吸收要好。 4.散剂:容易分散，比表面积大，服用后不经过崩解和分散过程，通常生物利用度比其他固体制剂好。 5·胶囊剂:胶囊剂的药物吸收优于片剂。 6.片剂:影响片剂中药物吸收的因素除生物因素外，还有药物颗粒的晶型、pKa、大小、脂溶性、片剂的崩解度及溶出等剂型因素。 口服缓控释制剂是指制剂以缓慢速率或接近零级释放动力学规律在体内释放药物，可减少血药浓度波动情况，增加患者的服药顺应性。临床常用的有骨架型缓释制剂和膜控型缓释制剂，此类制剂的制备工艺较复杂，医生(特别是患者)不易准确理解，甚至当普通片剂看待，临床应用时常常发生差错。多数口服的缓释、控释制剂都要求患者不能嚼碎后服用，以免因破坏剂型而失去应有的缓释或控释作用。只有少数使用特殊工艺的缓释、控释制剂，可按标记刻痕掰开，例如微囊化的药物、曲马多缓释片(骨架控释法)等。 6. 影响药物胃肠道吸收的生理因素 （1）胃肠液成分和性质 胃液pH值为1.0~3.0，肠液pH为4.8~8.2，肠段愈下，pH值愈高。分子型药物比离子型药物易于吸收，弱酸性药物易在胃吸收，弱碱性药物易从小肠吸收，主动转运的药物一般不受消化道pH值变化的影响。肠液中含有胆盐，能增加难溶性药物的溶解，可提高药物的吸收速率和程度。胆盐也可与一些药物形成难溶性盐，从而降低药物吸收，如新霉素、制霉菌素和多黏菌素E等口服不吸收，只用于治疗肠道疾病。胃肠道黏膜上黏液中含有的黏蛋白有可能与药物结合,而影响药物的吸收。 （2）胃排空和肠蠕动速度 胃排空速度显著影响药物吸收。如疼痛、糖尿病等病症及抗胆碱药阿托品等可延长胃排空时间;相反，拟胆碱药等可缩短胃排空时间。肠蠕动加快可缩短药物在肠内停留时间，使药物吸收减少。例如，甲氧氯普胺能促进肠蠕动，使地高辛吸收减少，而减慢肠蠕动的溴丙胺太林则能增加地高辛在肠内的溶解与吸收。 （3）首过消除 是指某药物通过肠壁或经门静脉进入肝脏时被其中的酶所代谢，致使进入体循环药量减少的现象。又称首过效应或首关代谢。例如异丙肾上腺素、普萘洛尔。 （4）P-糖蛋白作用 P-糖蛋白(P-gp)是一种ATP依赖性的跨膜转运蛋白，存在于细胞膜上，通过主动转运将药物从细胞内泵出，从而降低药物的细胞内浓度。因此，P-糖蛋白本身并不具有逆转吸收作用，而是通过减少药物的吸收来降低其效果。 第五部分：生物药剂学分类系统（BCS） 药物溶解性和过膜性之间存在着既相互对立又统一的性质，生物药剂学分类系统(简称BCS)根据药物的水溶性和肠壁的渗透性将药物分为四类。 第六部分：药物的非胃肠道吸收 1、注射给药 静脉注射和静脉输液，又称静脉滴注，可使药物迅速完全入血，无吸收过程。静脉注射时血药浓度可立即达到较高水平。 皮下注射或肌内注射时，药物先沿结缔组织扩散，再经毛细血管和毛细淋巴管进入血液循环。由于注射部位的毛细血管具有较大孔道(直径60~120A)，药物吸收速度远比在胃肠道黏膜快。药物经皮下或肌内注射的吸收速率取决于药物的水溶性及注射部位的血流量。油剂、混悬剂、胶体制剂或其他缓释剂比水溶液吸收慢。组织血流量的改变对药物吸收有较大影响，外周循环衰竭时皮下吸收速度极其缓慢。每单位重量的肌肉与皮下组织相比，血流较丰富，因而肌内注射的吸收速度一般较皮下注射快。 动脉注射可将药物输送至该动脉分布部位而发挥局部作用并减少全身反应。例如，将纤维蛋白溶解药用导管注入冠状动脉以治疗心肌梗死。许多药物因血-脑屏障的存在而不能进入到中枢神经系统内，当出现急性感染、肿瘤或需蛛网膜下腔麻醉时可采用鞘内注射给药，药物便可直接到达中枢神经系统内。 2、皮肤给药 （1）皮肤药物吸收 皮肤角质层仅能通过脂溶性较高的药物，亲水性物质则因反脂腺分泌物的復盖而不易通过反肤收收。一些经皮吸收促进剂如氮酮可与药物制成贴剂，透皮给药后产生局部或全身作用，如硝苯地平贴剂-预防心绞痛发作、丁丙诺啡贴剂-中至重度痛、芬太尼透皮贴-阿片耐受患者疼痛治疗、罗替高汀贴片-早期帕金森。 （2）影响药物经皮吸收的因素 生理因素: ①较高的皮肤温度会使皮下血管扩张，血流量增加，药物吸收也会增加;使其疏松而增加药物的渗透; ②湿润的皮肤，可增强角质层的水合作用， ③去除毛囊、皮脂腺及角质层的堵塞物有利于药物的渗透; ④角质层的厚度影响药物经皮吸收的效率，与多种因素有关; ⑤角质层受损、皮肤发炎、患湿疹时，可使药物吸收的速度及程度大大增加，但可能引起疼痛、过敏及中毒等。 药物的性质： ①低分子量、低熔点、药理作用强的小剂量药物易透过皮肤并产生药效作用 ②脂水分配系数适中的药物具有较好的透皮渗透系数，穿透作用大。 给药系统: ①第一代经皮给药制剂是小剂量、亲脂、低剂量的药物。 ②第二代经皮给药采用超声、离子导入和化学增强剂给药。 ③第三代经皮给药使用了微针、电穿孔、热消融、微晶磨皮等技术。其中微针技术已经克服了皮肤中的物理障碍，可以透过角质层穿刺皮肤但不会触及神经，在皮肤上形成孔道，使药物释放，并最终实现可穿戴生物传感器的控制传输。 3、眼部给药 （1）眼部的生理环境 眼球以晶状体后面为界，分为眼前区和眼后区两个部分。眼前区田用腹膜、结膜、虹膜、睫状体、晶状体组成，其中充满房水。前房角是房水循环中重要结构之一。眼后区占眼部的2/3，包括玻璃体膜，以及巩膜、脉络膜、视网膜、玻璃体、视神经，玻璃体腔中充满了玻璃体液。 （2）眼部药物吸收途径 ①当局部滴眼给药时，主要是通过角膜和非角膜两条途径吸收。 ②大部分眼表给药药物通过鼻泪管排泄进入体循环，导致生物利用度降低或产生不良反应。少部分药物会通过结膜吸收到达巩膜、虹膜甚至眼后区。 （3）影响眼部药物吸收的因素 ①角膜的通透性角膜上皮层是一个有效的屏障，损伤的角膜使得药物通透性增大，可造成局部浓度过高，导致不良反应的发生。药物分子需具有适宜的亲水亲油性才容易透过角膜。 ②制剂角膜前流失：1滴眼剂:滴眼后大部分溢出眼外，部分药液经鼻泪导管从口、鼻流失或经胃肠道吸收进入体循环，只有一部分药物能透过角膜进入眼内部；2眼用膜剂:在结膜囊内被泪液缓慢溶解，形成接触时间，维持较长的药效黏稠溶液，不容易流失，且可黏附在角膜上延长。 （4）药物理化性质 脂溶性药物容易经角膜渗透吸收，亲水性药物及多肽蛋白质类药物不易通过角膜，主要通过结膜途径吸收。 （5）制剂的pH和渗透压 ①滴眼液pH在中性时刺激性小，泪液分泌少，所以不论解离型或分子型药物在pH中性附近吸收都增加。 ②高渗溶液容易导致泪液分泌增加，从而使药物损失的比例提高，影响其生物利用度。等渗和低渗溶液对流泪无明显影响，但低渗溶液易引发角膜组织膨胀而引起疼痛。 （6）眼部给药的临床应用 眼科局部治疗用药主要包括:眼用抗感染药、眼用皮质类固醇、眼用抗病毒药、抗青光眼药、抗过敏药、眼用麻药、润滑剂、诊断剂、治疗白内障药、眼部抗新生血管药等。 4、鼻腔给药 （1）鼻腔黏膜的生理环境 ①鼻腔药物递送系统是指直接应用于鼻腔，经鼻黏膜收收后发挥局部或全身治疗作用的一类制剂。 ②鼻腔生理结构独特，具有吸收面积大、毛细血管丰富、局部酶活性低等优点，是理想的药物吸收部位。 ③鼻腔可分为鼻前庭、呼吸区和嗅区三个部分。 1鼻前庭通常不作为药物吸收部位。2鼻呼吸区常作为局部作用制剂的靶部位，如治疗过敏性鼻炎的布地奈德鼻喷雾剂等，药物还可进一步经鼻黏膜吸收进入体循环发挥全身作用，如用于癫痫急性发作的地西泮鼻喷雾剂。3鼻嗅区作为中枢神经系统唯一直接暴露于外部环境的部分，被认为是药物绕过血一脑屏障进入脑脊液最直接、最快速的途径。 ④鼻腔免疫途径是全身疫苗接种的良好替代途径，亦是呼吸道疫苗接种的重要途径。 （3）影响鼻腔黏膜药物吸收的因素 ①鼻腔黏膜的结构和功能 鼻腔黏膜的微绒毛增加药物与黏膜接触面积，有利于药物吸收。但是，纤毛的清除作用也会限制药物在鼻腔中的停留时间，从而影响吸收。鼻腔黏膜带负电荷，带正电荷的药物更易透过。 ②酶的降解作用 鼻腔黏膜存在多种酶，如氨基肽酶和蛋白酶，这些酶可以降解许多药物,特别是肽类和蛋白质类药物，从而降低药物的有效性。 ③药物的性质 小分子药物主要通过被动扩散跨细胞途径被吸收，更容易通过鼻腔吸收，而大分子药物如蛋白质和多肽的生物利用度较低。 ④制剂的性质 药物的制剂形式，如溶液剂、喷雾剂、凝胶剂等，也会影响其在鼻腔中的滞留时间和吸收效率。 5、肺部给药 （1）肺部药物吸收特点 ①肺部吸入给药是一种无创、快速、有效的局部和系统给药途径。 ②肺部吸入给药能避免肝首过消除,具有酶活性较低、上皮屏障较薄及膜通透性高等优点，已成为蛋白质和多肽类药物重要的非注射给药途径。 ③肺泡气体交换主要发生在由肺泡上皮、内皮细胞和间质细胞层组成的界面,此处毛细血管网丰富、肺泡吸收表面积大、毛细血管与肺泡之间的距离非常小，有利于气体通过扩散进行交换，这也是药物吸收的主要部位。 ④肺部吸入制剂的剂型包括定量吸入气雾剂(MDI)、喷雾剂、干粉吸入剂(DPI，也称为粉雾剂)、微球制剂和脂质体等。 （2）影响肺部药物吸收的因素 ①肺部生理病理条件 呼吸道感染引起的呼吸道病理变化可能改变吸入治疗性喷雾剂的沉积模式。支气管病变患者的气道通常比正常人窄,药物容易被截留。因此肺部给药之前，先应用支气管扩张药，使支气管管径扩大，减少药物截留。 ②患者因素 患者的呼吸量、呼吸频率和类型均影响药物粒子在肺中沉积的部位 ③吸入药物的理化性质 脂溶性药物更易通过脂质膜吸收。粒径过大将停留在气管或细支气管内，例如粒径I0um以上的药物主要在上呼吸道，2~10um可达细支气管，小于2um方可进入肺泡。粒径过小(如小于0.5um)的药物吸入后可随呼气排出。 ④吸入制剂的剂型因素 肺部吸入制剂的剂型种类较多，组成制剂的处方、制剂工艺等都能影响药物的吸收。 ⑤给药装置 相比于使用抛射装置给药，患者在使用干粉吸入器或雾化器时主动吸入药物，药物到达肺深部的量多，损失的药量相对较少。 6、阴道和直肠给药 第七部分：食物对药物吸收的影响（食物效应） 口服给药是患者最方便、最具成本效益的用药方式。食物和药物之间的相互作用,也称为“食物效应”。食物对药物的直接影响取决于药物的剂型以及食物的热量，包括脂肪含量、食物热量以及胃排空速率，间接取决于药物的理化性质、吸收部位、进食量等。另外，用餐与服药的间隔时间、餐前或餐后服药也影响药物的吸收。 1.高脂食物 (1)脂肪摄入会延缓胃内容物的排空，延长药物在胃内的滞留时间。例如与低脂肪饮食或禁食相比，与高脂肪饮食共同服用时，非诺贝特Tmax延长;标准化高脂饮食后服用高度亲脂性药物异维A酸，Cmax及AUC均较禁食时增加2倍以上。 (2)脂肪含量也会影响药物的吸收程度。例如在摄入非高脂肪膳食和高脂膳食(约50 mg 脂肪)的情况下，单次服用200 mg泊沙康唑口服混悬液后，泊沙康唑的平均AUC和Cmax分别约为空腹状态下的3倍和4倍。 (3)高脂食物会刺激胆汁和胰液的分泌，增加药物在肠道中的溶解度,从而提升脂溶性药物(如环孢素、灰黄霉素)的吸收。 2.高蛋白食物 (1)高蛋白食物被消化成小肽或氨基酸，其吸收取决于肠肽或氨基酸摄取转运体，这些产物与肽或氨基酸类药物竞争转运体介导的吸收。例如左旋多巴与蛋白质代谢的氨基酸竞争相同的转运蛋白，从而降低药物的吸收效率。加巴喷丁在高蛋白餐后的吸收程度增加。这可能与摄入高蛋白食物可以诱导肠道转运体表达上调有关。 (2)高蛋白食物还可同时提高药物代谢酶的活性，例如，茶碱作为代谢酶的底物，高蛋白食物会导致其肠道代谢增加。 (3)高蛋白食物刺激胃酸分泌，可能促进弱酸性药物的溶解与吸收，例如促进阿司匹林的溶解与吸收，但对弱碱性药物普萘洛尔吸收不利。 3.高膳食纤维食物 (1)研究显示，高纤维食物可以吸附餐后分泌的胆汁酸，减少亲脂性药物的溶解，从而减少亲脂性药物的吸收。高脂肪餐后服用高亲脂性(logP>5)抗逆转录病毒药物依曲韦林，其生物利用度增加；然而，与标准的清淡或高脂肪膳食相比，当禁食高纤维早餐后依曲韦林的AUC和Cmax下降。 (2)膳食纤维可以延长胃排空时间，但减少上消化道中可溶解药物的液体体积，并增加消化道管腔内容物的黏度，这可能会阻碍药物的溶解。一项比较低纤维和高纤维饮食对药物吸收的研究发现，较高含量的膳食纤维增加了阿莫西林的吸收率，但减少了药物的吸收量。在二甲双胍与瓜尔胶一起给药时也观察到类似的现象。 (3)纤维素和药物可能发生结合，导致部分药物被吸附并随粪便排出，从而减少其生物利用度。例如，洋车前子壳纤维对地高辛和华法林吸收的抑制作用已被证实。 (4)膳食纤维可促进肠道益生菌的生长，而这些菌群可能代谢或降解某些药物，影响其吸收和活性。 4.富含矿物质的食物 来源于乳制品、蔬菜和肉类的二价金属离子如钙、镁、铁、锌等，可能与某些药物(如四环素、喹诺酮类抗生素、利塞膦酸钠等)形成不溶性络合物，显著降低药物的吸收。 5.高嘌呤食物 饮食中的嘌呤核苷依赖于肠道浓缩核苷转运体2(CNT2)的主动吸收，具有类似嘌呤结构的药物如利巴韦林在肠道中也依赖于CNT2被吸收。临床试验显示，摄入高含量嘌呤食物后，利巴韦林的Cmax和AUC明显低于低嘌呤饮食后。这可能是因为饮食中的嘌呤与利巴韦林通过竟争。CNT2被吸收，提示高嘌呤饮食患者群体服用利巴韦林应调整剂量。 6.高碳水化合物 食物由于高碳水化合物食物的复杂性质，与其他食物相比，它对药物吸收的影响较难预测。例如，与高脂肪食物服用时相比，吡喹酮与高碳水化合物食物同服时其生物利用度增加；他克莫司与高碳水化合物食物同服时其吸收率增加。 7.高酪胺饮食 食物中的酪胺在吸收过程中被肠壁和肝脏的单胺氧化酶所灭活，在服用单胺氧化酶抑制药期间若食用酪胺含量高的食物如奶酪、红葡萄酒等，被吸收的酪胺不经破坏大量到达肾上腺素能神经末梢，引起末梢中的去甲肾上腺素大量释放，可使动脉血压急剧上升，产生高血压危象，危及患者生命。 8.食物对胃肠道pH值的影响 酸性食物如柑橘类水果，可能降低胃pH值，从而促进弱酸性药物的吸收。碱性食物如乳制品，可能中和胃酸，降低胃酸依赖性药物(如酮康唑)的溶解和吸收效率。 9.食物效应的影响 (1)进餐前后用药的差异，空腹状态下，胃肠道环境相对稳定，某些药物的吸收更高效;而进餐后，食物可能稀释药物或改变胃肠动力，延迟其吸收。 (2)食物对缓释制剂的影响，缓释制剂通常设计用于缓慢释放药物，食物可能干扰释放机制，改变药物在体内的吸收曲线。

点 击 蓝 字 关 注 我 们 汇报人：卢嘉杰 研究生一年级 今天汇报的文献题目为《Bridging antiviral drug discovery with a large language model-powered framework》，2026年发表于communications biology。该论文来自北京大学基础医学院生物医学信息学系、北京大学医学部系统生物医学研究所等机构。 病毒感染持续威胁人类健康，凸显了有效抗病毒药物的持续需求。抗病毒药物发现通常依赖两类策略：基于表型的药物发现，即 PBDD；以及基于靶点的药物发现，即 TBDD。然而，当前计算方法主要关注预测能够结合特定抗病毒相关靶点的化合物，而忽视了抗病毒表型的生物学相关性。 为解决这一问题，论文提出了 DeepAVC，这是一个由大语言模型驱动的框架，整合了用于 PBDD 的 DeepPAVC 和用于 TBDD 的 DeepTAVC。结果显示，DeepAVC 在抗病毒化合物预测方面优于现有基线方法，并且能够通过识别参与化合物—蛋白质相互作用的关键原子和残基，提供较高的可解释性。 此外，结果表明 DeepPAVC 和 DeepTAVC 彼此互补，并可协同使用。进一步的体外和体内实验也证实了 DeepAVC 的能力。最后，论文识别出 MNS 是一种新的广谱抗病毒化合物，其疗效优于 Sisunatovir。所有这些结果表明，DeepAVC 是一种用于抗病毒药物发现的有价值工具。 这篇高水平文章，并不是因为“用了大语言模型”，而是提出了一个具有普适性的抗病毒药物发现新范式：将表型驱动（PBDD）与靶点驱动（TBDD）统一到同一个LLM框架中，并通过计算预测、可解释性分析以及体内外实验验证形成完整闭环。 1 研究背景 由高传染性病毒引发的大流行，例如人类免疫缺陷病毒、丙型肝炎病毒、流感病毒和埃博拉病毒，长期以来对全球公共卫生构成持续且严重的威胁，并造成了大量死亡和经济损失。因此，开发有效的抗病毒疗法是应对大流行、挽救生命的紧迫任务。 目前，抗病毒策略大体可分为小分子药物和疫苗。疫苗能够有效诱导免疫反应并预防感染，而口服小分子抗病毒药物在灵活性、快速部署和较低生产成本方面具有优势，因此同样不可或缺，尤其是在疫情暴发早期。然而，传统抗病毒药物发现仍然缓慢、昂贵且劳动密集，通常需要十年以上时间和超过 20 亿美元才能将一种新药推向市场。计算机辅助药物设计方法，例如分子对接和定量构效关系建模，已被用于部分加速这一过程。不过，这些方法高度依赖人工设计的特征和人类已有先验知识，并且在覆盖庞大的类药化合物化学空间方面存在可扩展性限制。类药化合物的化学空间估计范围可达 10²³ 到 10⁶⁰ 个分子。 近年来，机器学习和深度学习的进展几乎革新了药物发现与开发的所有阶段，包括新靶点识别、分子设计与优化、疾病机制解释，以及生物标志物发现。尤其值得注意的是，面向生物学领域设计的大语言模型，已经在多个下游任务中达到最先进水平，包括蛋白质结构预测、分子性质预测和药物反应预测。基于这些进展，许多机器学习和人工智能方法被提出用于生物活性预测，包括 DeepCPI、DeepDTA、GraphDTA、DeepConvDTI、TransformerCPI、MolTrans、ColdstartCPI、DTIAM 和 GraphBAN。这些模型通常采用不同神经网络架构分别编码化合物特征和蛋白质特征，然后通过特征融合模块和下游预测器，例如多层感知机，来估计化合物—蛋白质结合亲和力。在这些方法中，还有一些专门使用化合物—抗病毒靶点相互作用数据集设计的方法，用于预测针对预定义靶点的抗病毒活性，包括 MMFA-DTA、MT-DTI、GDL 和 COVIDVS。总体而言，这些方法主要将生物活性定义为化合物与特定靶蛋白结合的能力，因此通常被称为药物—靶点相互作用预测模型。 在抗病毒药物发现领域，两种主要策略被广泛使用。第一种称为基于表型的药物发现，即 PBDD，它通过细胞实验中观察到的表型结果来识别具有抗病毒活性的化合物，例如抑制病毒复制或抑制病毒诱导的细胞病变效应，而不需要预先了解分子靶点。第二种称为基于靶点的药物发现，即 TBDD，它关注通过与特定病毒蛋白直接相互作用而发挥抗病毒作用的化合物，因此依赖关于靶点结构或功能的详细信息。 然而，当前用于抗病毒药物发现的计算方法存在若干关键限制：第一，由于缺乏大规模、高质量抗病毒表型筛选数据集，基于表型的模型不足；第二，由于缺乏针对抗病毒相关蛋白的高质量整理数据集，基于靶点的抗病毒模型受到限制；第三，化合物和靶点的特征表示仍不理想，大语言模型在这一领域的潜力尚未得到充分探索。此外，这些方法还存在 PBDD 与 TBDD 策略整合不足的问题：基于表型的预测往往缺乏机制可解释性，而基于靶点的预测则容易产生较高的假阳性率。最后，面向抗病毒化合物发现的可访问端到端网络平台仍然不足，这限制了相关方法在研究社区中的更广泛采用。 为解决这些挑战，并统一 PBDD 与 TBDD 两种策略，论文提出了 DeepAVC——一个由大语言模型驱动的深度学习框架，用于综合性抗病毒药物发现。DeepAVC 整合了两个互补模型：面向 PBDD 设计的 DeepPAVC，以及面向 TBDD 定制的 DeepTAVC。这种双模型架构使其能够灵活应用于多种抗病毒药物发现场景，从表型筛选到由蛋白质信息引导的靶点特异性化合物识别。 结果显示，DeepPAVC 相比现有基线模型表现更优，AUROC 提升了 6.16%。DeepTAVC 在靶点 warm-start 设置下达到了与最先进方法相当的表现，而在更具挑战性的靶点 cold-start 设置下，则取得了显著的 AUROC 增益。为了验证 DeepAVC 识别新型抗病毒药物的能力，研究人员将 DeepPAVC 应用于 MedChemExpress，即 MCE 化合物库，进行基于表型的虚拟筛选。体外实验确认，所选候选物中有 93.3%，即 30 个中的 28 个，至少对一种病毒表现出抗病毒活性。随后，DeepTAVC 被进一步应用于最强效候选物 MNS 的靶点反卷积分析，结果提示整合素 β1 可能是一个合理的宿主靶点。 后续机制实验表明，MNS 并不会显著影响病毒吸附、内化或进入过程，而是在病毒进入后的阶段抑制病毒复制，并伴随病毒诱导炎症反应的减弱。综合来看，这些结果支持一种宿主导向的作用模式，而这一模式可能有助于解释 MNS 的广谱抗病毒表型。为了便于使用，研究团队还开发了一个面向抗病毒药物发现的用户友好型网络平台，并提供了示例教程，以促进实际应用。总体而言，这些结果表明，DeepAVC 是一个强大且具有泛化能力的框架，可用于加速抗病毒化合物发现。 2 研究结果 DeepAVC总体框架 大多数能够感染人类的致病病毒均为RNA病毒，由于其具有较高的突变率和快速适应能力，因此更容易引发急性感染及流行性疾病。其中，逆转录病毒（Retrovirus）是一类具有代表性的RNA病毒，其特点是在复制过程中能够将RNA基因组逆转录为DNA。典型逆转录病毒的生命周期主要包括九个阶段（图1a），每一个阶段均可作为抗病毒药物开发的潜在干预节点。针对这些关键阶段相关蛋白开发抑制剂属于基于靶点的药物发现（Target-Based Drug Discovery，TBDD）策略；而在缺乏明确靶点信息时，仅依据化合物本身预测其抗病毒活性，则属于基于表型的药物发现（Phenotype-Based Drug Discovery，PBDD）策略。为了同时支持这两种研究模式，作者提出了DeepAVC框架，该框架由两个互补模型组成，即用于表型预测的DeepPAVC和用于靶点预测的DeepTAVC。 为了支持模型构建与性能评估，作者首先分别建立了适用于两种应用场景的基准数据集。对于PBDD任务，作者从ChEMBL数据库中人工整理并筛选所有基于细胞实验的抗病毒活性数据，构建了PAVC数据集（补充图1），作为DeepPAVC模型的训练数据。对于TBDD任务，作者首先整合了ChEMBL数据库和BindingDB数据库中的化合物–蛋白结合亲和力数据，构建了CPI数据集（补充图2），用于DeepTAVC模型第一阶段训练；随后进一步筛选其中与抗病毒相关的相互作用数据，建立了TAVC数据集（补充图3），用于第二阶段训练。最终构建的TAVC数据集包含234个具有不同抗病毒作用机制的靶标蛋白，包括参与病毒复制、病毒进入以及宿主免疫应答等过程的重要蛋白（图1b，补充数据2）。 DeepPAVC模型以化合物的SMILES（Simplified Molecular Input Line Entry System）表示作为输入，将其转换为二维分子图，并利用在大规模化学结构数据上预训练的大语言模型KPGT提取分子特征。随后，这些特征被输入多层感知机（MLP），输出化合物的抗病毒活性预测得分（图1c）。由于该模型仅依赖化合物本身的信息，而不需要额外冗余数据，因此具有较好的泛化能力，可应用于任意合法的小分子结构。 与DeepPAVC不同，DeepTAVC同时需要化合物和蛋白质作为输入。化合物特征仍采用与DeepPAVC相同的方法，由KPGT模型提取；蛋白质特征则由预训练蛋白质语言模型ESM-2根据输入的氨基酸序列直接生成。为了充分捕获同一模态内部以及不同模态之间的信息交互，作者将自注意力机制（Self-attention）与交叉注意力机制（Cross-attention）相结合完成特征融合，随后将融合后的化合物–蛋白质联合表示输入MLP，最终输出化合物–蛋白质相互作用预测得分（图1d）。 DeepPAVC与DeepTAVC的联合使用构建了更加完整的抗病毒药物发现策略。在PBDD应用场景中，对于一个候选化合物，首先利用DeepPAVC预测其整体抗病毒活性，然后利用DeepTAVC进一步预测其可能作用的蛋白靶标，从而推测其潜在作用机制。在TBDD应用场景中，则首先针对给定抗病毒相关靶标，利用DeepTAVC筛选具有结合潜力的候选化合物，随后再采用DeepPAVC评价这些候选分子是否同时具有抗病毒表型活性。该两步筛选策略能够有效降低假阳性率，提高具有明确靶点且具有真实抗病毒活性的候选药物的发现效率（图1e）。 图1 DeepAVC抗病毒药物发现框架概述 （a） 逆转录病毒生命周期示意图，展示了可作为抗病毒药物研发潜在干预靶点的九个关键阶段。（b） 按照抗病毒作用机制分类整理的234个抗病毒相关靶标分布情况。饼图显示了参与病毒复制、病毒侵入、宿主免疫应答及其他生物学过程相关靶标所占比例。（c） 用于基于表型药物发现（PBDD）的DeepPAVC模型架构。化合物SMILES首先经预训练分子语言模型KPGT编码，随后通过均值池化（mean pooling）获得分子整体表示，并输入多层感知机（MLP）预测化合物的抗病毒活性评分。（d） 用于基于靶点药物发现（TBDD）的DeepTAVC模型架构。化合物SMILES和蛋白质序列分别由KPGT和ESM-2进行编码，随后依次经过自注意力（self-attention）和交叉注意力（cross-attention）模块，并利用多层感知机输出化合物–蛋白质相互作用评分。（e） DeepPAVC与DeepTAVC在PBDD和TBDD两种药物发现模式中的协同应用示意图。图a由BioRender绘制（Kang, B., 2024，https://BioRender.com/r50f850）。图e中的部分图标来源于Flaticon，并依据相应许可协议使用。 DeepAVC在抗病毒化合物预测中的性能 DeepPAVC模型的预测性能在很大程度上依赖于化合物表征方式的质量。为此，作者首先在PAVC数据集上系统比较了多种分子编码策略在抗病毒化合物预测中的表现。这些编码方式包括RDKit生成的分子指纹和分子描述符，以及多个针对一维、二维和三维分子表示开发的预训练大语言模型编码器（补充说明1）。 模型性能采用受试者工作特征曲线下面积（AUROC）和精确率–召回率曲线下面积（AUPRC）进行评价。结果显示，在所有比较方法中，基于二维分子图表示的KPGT模型取得了最佳性能，其AUROC达到0.930，AUPRC达到0.926（图2a，补充图4，补充数据3）。作者认为，KPGT优异性能主要归因于其预训练过程中包含大量ChEMBL数据库中的化合物，因此能够学习到更加符合PAVC数据集化学空间分布的分子表示。基于这一结果，作者最终选择KPGT作为DeepPAVC和DeepTAVC共同使用的分子编码器。 随后，作者将DeepPAVC与多个基线模型进行了比较。其中，COVIDVS是目前唯一能够仅利用化合物信息预测抗病毒活性的开源模型，因此被作为主要对照模型。然而，由于COVIDVS最初主要针对冠状病毒抗病毒药物开发，因此缺乏广谱抗病毒预测能力。此外，作者还构建了两种基于二维分子图的图神经网络模型，即GCN和GAT，并在相同PAVC数据集上重新训练所有基线模型，以保证比较的公平性。 作者进一步比较了KPGT编码器的两种训练策略：一种是对整个模型进行微调（Fine-tuning），另一种则固定预训练编码器，仅训练分类头。与已有研究结果一致，本研究同样发现，全参数微调能够获得更好的预测性能。具体而言，经过微调的DeepPAVC模型AUROC达到0.931，而固定编码器时仅为0.907。在所有比较模型中，仅DeepPAVC的AUROC超过0.90，显示其能够仅依赖化合物信息准确预测广谱抗病毒活性。与性能最好的基线模型相比，DeepPAVC的AUROC提高了6.16%，AUPRC提高了6.26%（图2b，补充图5）。因此，作者最终选择微调后的DeepPAVC作为后续实验所采用的最终模型，其10折交叉验证结果见补充数据4。 对于DeepTAVC模型，由于现有的大多数药物–靶标相互作用（Drug–Target Interaction，DTI）预测模型主要面向广泛疾病相关蛋白，而并非专门针对抗病毒靶标，因此作者首先在一个广泛使用的公开DTI基准数据集上训练模型，以建立公平的比较基线。作者将这一通用版本命名为CADTI（Cross-Attention-based Drug–Target Interaction model）。CADTI与DeepTAVC采用完全相同的网络结构，但训练数据来源于通用DTI数据集。为了提高训练效率，作者在CADTI训练过程中固定了预训练的ESM-2蛋白质编码器，仅训练其余网络模块。 除CADTI外，作者还选择了MolTrans、TransformerCPI、DeepDTA、DeepConvDTI、DeepCPI、GraphDTA、ColdstartCPI、DTIAM以及GraphBAN共9种广泛应用的DTI预测模型作为基线。所有模型均在相同的公开数据集上重新训练和测试，以确保比较结果具有可比性。 为了更加全面地评价模型的泛化能力，作者依据验证集中化合物和蛋白质是否在训练集中出现，将测试样本划分为四种不同情景：已知化合物–已知蛋白（Seen compound–Seen protein，SS）、未知化合物–已知蛋白（US）、已知化合物–未知蛋白（SU）以及未知化合物–未知蛋白（UU）。 实验结果表明，当测试蛋白已出现在训练集中（SS和US场景）时，各模型整体均取得较高预测性能，AUROC普遍超过0.90。其中，CADTI表现最佳，在SS和US场景下分别取得0.967和0.965的AUROC；GraphBAN紧随其后，分别达到0.961和0.955。然而，当测试蛋白未出现在训练集中（SU和UU场景）时，所有模型性能均明显下降，说明未知靶标预测仍然是DTI研究中的主要挑战。尽管如此，CADTI依然保持最佳性能，在SU和UU场景下AUROC分别达到0.798和0.836，而排名第二的ColdstartCPI分别仅为0.759和0.774。因此，作者认为CADTI不仅能够在传统Target Warm-start任务中保持与当前先进模型相当的性能，而且在更加困难的Target Cold-start场景中具有明显优势，体现出更好的未知靶标泛化能力（图2c，补充数据5）。 为了进一步提升模型在抗病毒领域的预测能力，作者首先利用CPI数据集对CADTI进行预训练，使模型学习更加广泛的化合物–蛋白质相互作用规律；随后，再利用专门构建的TAVC数据集进行第二阶段微调，使模型能够适应抗病毒相关靶标。经过两阶段训练后形成最终的DeepTAVC模型，其预测性能进一步提高，AUROC由CADTI的0.8962提升至0.9154（补充图6）。这一结果说明，针对特定领域进行微调对于提高抗病毒药物发现模型的预测性能具有重要意义。 此外，作者还进一步评估了DeepTAVC在每一个抗病毒相关靶标上的预测能力。具体而言，对于TAVC数据集中的每个靶标，作者随机保留10%的化合物–靶标相互作用作为验证集，其余90%的样本用于微调预训练后的CADTI模型，从而分别建立针对单个靶标的预测模型。由于部分靶标存在严重类别不平衡，因此作者剔除了类别极度失衡的数据，以避免评价结果产生偏差。对于保留下来的每个靶标，作者报告了验证集上的AUPRC，并以该数据集中阳性样本比例作为基线进行比较。 结果显示，在所有评估的抗病毒相关靶标上，DeepTAVC获得的AUPRC均明显高于对应数据集的阳性比例，大多数靶标的AUPRC均超过0.60，说明模型具有良好的靶标预测能力。尤其是在多个宿主靶标上表现突出，包括半胱氨酰白三烯受体1（Cysteinyl leukotriene receptor 1，UniProt：Q9Y271）、β3肾上腺素能受体（Beta-3 adrenergic receptor，UniProt：P13945）以及G蛋白偶联受体183（G-protein coupled receptor 183，UniProt：P32249）；与此同时，对于多个关键病毒靶标同样取得了较好的预测效果，包括甲型流感病毒（H1N1）神经氨酸酶（Neuraminidase，UniProt：P03468）、HIV-1 Pol多聚蛋白（UniProt：Q72874）以及SARS-CoV-2复制酶多聚蛋白1ab（Replicase polyprotein 1ab，UniProt：P0DTD1）（补充图7，补充数据6）。 图2 DeepAVC模型性能评估与比较 （a） 不同分子表示方法在基于表型抗病毒化合物预测中的性能比较。柱状图表示10折交叉验证（n = 10）的平均AUROC，误差线表示标准差（s.d.），散点表示各折对应的AUROC值。比较方法包括传统RDKit生成的分子指纹及分子描述符（ECFP4/6、FCFP4/6、MACCS、RDKit描述符及分子描述符（MDs））、基于序列的分子语言模型（ChemBERTa、ChemBERTa-2、MolFormer和SELFFormer）、二维分子图预训练模型（KPGT、GROVER和MAT）以及三维结构预训练模型Uni-Mol。AUROC表示受试者工作特征曲线下面积；MDs表示分子描述符。 （b） DeepPAVC与各基线模型在基于表型抗病毒化合物预测任务中的性能比较。 （c） 在外部基准数据集上，不同药物–靶标相互作用（DTI）预测模型的性能比较。根据训练集中化合物和靶标是否出现，将测试样本划分为四种评价场景：已知化合物–已知蛋白（SS）、未知化合物–已知蛋白（US）、已知化合物–未知蛋白（SU）以及未知化合物–未知蛋白（UU）。柱状图表示平均AUROC，误差线表示标准差，散点表示各折对应的AUROC值。 利用DeepAVC虚拟筛选发现已知及新型抗病毒化合物 DeepAVC最重要的应用之一是能够在庞大的化学空间中快速完成抗病毒候选化合物的虚拟筛选。由于DeepPAVC仅需输入化合物结构信息，因此特别适合大规模高通量筛选。为此，作者选择了8个具有代表性的化合物数据库开展虚拟筛选（补充数据7），这些数据库覆盖了不同类型及不同规模的化合物，规模从10⁴至10⁸个化合物不等。例如，DrugBank主要收录FDA批准上市药物，而MedChemExpress（MCE）数据库则主要包含商业化生物活性小分子。 为了直观展示筛选结果，作者首先利用DeepPAVC提取各数据库中所有化合物的分子特征，再采用t-分布随机邻域嵌入（t-SNE）方法降维至二维空间，并根据DeepPAVC预测得到的抗病毒评分进行着色。结果显示，高评分与低评分化合物形成了边界清晰、彼此分离的聚类区域，说明DeepPAVC能够有效区分具有潜在抗病毒活性的化合物与无活性化合物（图3a）。 随后，作者将预测得分0.9作为筛选阈值，对8个数据库中的所有化合物进行分类。结果显示，各数据库中预测具有潜在抗病毒活性的化合物平均约占11%，不同数据库范围介于2.3%至26.1%之间（图3b）。这说明，在PBDD应用场景下，DeepPAVC能够作为一种高效的抗病毒活性预筛选工具，在超大规模化合物库筛选过程中快速剔除约90%的无活性化合物，从而显著降低后续实验筛选成本。 作者进一步评估了DeepPAVC识别已知抗病毒药物的能力。研究首先从DrugBank数据库中收集所有FDA批准上市药物，并依据ATC（Anatomical Therapeutic Chemical）分类系统进行分组。随后，以DeepPAVC预测得分0.5作为阈值，将药物划分为预测具有抗病毒活性和预测无抗病毒活性两类，并统计十大ATC类别中预测具有抗病毒活性的药物比例。结果显示，J05类别（Systemic antivirals，用于全身治疗的抗病毒药物）具有最高比例的预测阳性化合物，明显高于其他治疗类别（图3c，补充数据8）。这一结果进一步证明，DeepPAVC能够优先识别临床已知的抗病毒药物，具有良好的生物学可信度。 除识别已知抗病毒药物外，作者还利用DeepPAVC对MCE化合物库进行了排序筛选。结果显示，ST-193、Berzosertib、Roblitinib以及HIV-1 inhibitor-8均位列预测得分最高的候选化合物。其中，HIV-1 inhibitor-8此前已有文献报道具有抗病毒活性，其与已上市抗病毒药物Etravirine的Tanimoto相似性为0.4928；而ST-193、Berzosertib及Roblitinib与任何已知抗病毒药物的最大Tanimoto相似性均低于0.2。这说明，DeepPAVC并非仅仅依赖分子结构相似性来筛选候选化合物，而能够识别具有全新分子骨架的新型抗病毒候选药物（图3d）。 与DeepPAVC不同，DeepTAVC主要面向基于靶点的药物发现。对于给定的目标蛋白，DeepTAVC能够快速筛选具有潜在结合能力并可能具有抗病毒活性的候选化合物。由于HIV至今仍是全球重要公共卫生威胁，且作为典型逆转录病毒，其生命周期包括多个可干预阶段，因此作者选择HIV-1逆转录酶（UniProt ID：Q72547）作为模型靶标开展虚拟筛选。作者首先利用DeepTAVC对DrugBank数据库进行筛选，获得预测最有可能与HIV-1逆转录酶结合的候选药物。其中包括Etravirine、Doravirine、Capravirine以及Rilpivirine（补充图8），这些药物均已获得FDA批准或正处于临床开发阶段，属于非核苷类逆转录酶抑制剂（Non-nucleoside Reverse Transcriptase Inhibitors，NNRTIs）。这一结果进一步证明，DeepTAVC能够准确检索已知的靶点特异性抗病毒药物。 为了进一步验证DeepTAVC发现新型抑制剂的能力，作者将筛选范围扩展至ChEMBL数据库，并采用DeepTAVC与DeepPAVC联合筛选策略（图1e）。首先，DeepTAVC对约240万个ChEMBL化合物进行预测，仅保留预测得分高于0.99的化合物，共获得68,796个初筛命中物。随后，再利用DeepPAVC重新评价这些候选分子的表型抗病毒活性，仅保留DeepPAVC预测得分同样高于0.99的化合物，最终得到7,265个候选分子。作者指出，这种两阶段筛选策略能够有效剔除虽然能够结合靶标、但缺乏真实抗病毒表型活性的假阳性化合物。 随后，作者进一步采用Lipinski五规则（Rule of Five）、Veber规则、PAINS过滤器、Brenk结构警示以及合成可及性评分等多项药物化学评价标准，对候选化合物进行进一步筛选，最终将候选数量缩减至103个。最后，采用AutoDock Vina进行分子对接，根据结合自由能排序，最终筛选出前20个最优候选化合物（图4a）。 为了评价这些候选分子的化学空间覆盖范围，作者比较了测试集、整个筛选数据库以及最终命中化合物与DeepTAVC训练集之间的最大Tanimoto相似性。结果发现，最终筛选得到的候选化合物与整个ChEMBL数据库具有相似的相似性分布，但整体低于测试集，说明这些候选化合物位于模型训练数据覆盖范围之外的化学空间。因此，作者认为，对于这类目标导向筛选结果，在解释其泛化能力时应保持谨慎（补充图9）。这一现象也反映了ChEMBL数据库规模庞大、化学结构高度多样，而训练数据难以完全覆盖整个化学空间的客观事实。 AutoDock Vina对接结果显示，所有候选化合物均能够较好地结合HIV-1逆转录酶（PDB ID：2JLE），预测结合能介于−8.33至−10.45 kcal/mol之间（补充数据9）。作者指出，HIV-1逆转录酶NNRTI结合口袋属于典型的疏水性隧道结构，能够容纳呈"蝴蝶状（butterfly-like）"构象的小分子，同时该结合口袋具有较高的构象可塑性，可适应不同类型配体。与这一结构特征一致，筛选获得的大多数候选化合物均具有双环核心骨架，这是NNRTI类药物中较为常见的结构特征，能够较好地嵌入疏水结合腔并保持构象适应能力。因此，作者认为这些候选化合物在结构上具有典型NNRTI结合模式的特征。 图3 基于DeepPAVC的广谱抗病毒化合物表型虚拟筛选 （a） 外部筛选化合物库的t-SNE降维可视化结果，颜色表示DeepPAVC预测的抗病毒活性评分（红色表示评分较高，蓝色表示评分较低）。 （b） 根据DeepPAVC预测评分阈值，对八个筛选化合物库中的抗病毒化合物与非抗病毒化合物比例进行预测。 （c） DrugBank数据库中不同解剖学治疗学化学分类（ATC）药物类别内预测抗病毒化合物和非抗病毒化合物的比例。DeepPAVC评分大于0.5的化合物被判定为预测具有抗病毒活性，评分小于或等于0.5的化合物被判定为预测无抗病毒活性。柱状图上方数字表示各ATC类别包含的化合物总数。 （d） MCE化合物库中排名靠前的候选化合物及其最相似的已知抗病毒药物。相似性数值表示候选化合物与其最接近已知抗病毒药物之间的Tanimoto相似系数。 DeepTAVC识别耐药相关突变导致的药物结合差异 为了进一步评估DeepTAVC是否能够识别病毒耐药突变对药物结合能力的影响，作者选择了HIV-1逆转录酶中三种经典的非核苷类逆转录酶抑制剂（NNRTIs）耐药突变——K103N、Y181C和Y188L——作为研究对象。作者通过修改输入蛋白序列，将突变体与野生型序列分别输入DeepTAVC模型，并比较不同NNRTIs在两种蛋白上的预测结合得分。 结果显示，这三种耐药突变并未对所有NNRTIs产生一致影响，而是表现出明显的药物依赖性差异，说明DeepTAVC能够捕捉不同耐药突变对不同化学类型NNRTIs所造成的特异性影响。 对于K103N突变，多种第一代NNRTIs（尤其是Nevirapine、Efavirenz和Delavirdine）的预测结合得分均明显下降，而第二代NNRTIs整体变化较小，提示后者对这一临床最常见耐药突变具有更好的耐受性。 对于Y181C突变，第一代NNRTIs同样表现出较大的预测得分下降，而多种第二代NNRTIs仅出现轻微变化，甚至几乎保持稳定。这一结果与已有研究关于结合口袋局部构象改变导致不同药物敏感性差异的认识一致。 相比之下，Y188L突变导致多数NNRTIs预测结合得分均出现较明显下降，但Rilpivirine受到的影响相对较小，其预测得分变化明显低于其他多数NNRTIs（图4g）。 综合上述结果，作者认为，DeepTAVC能够较好地捕获经典NNRTI耐药突变所产生的药物敏感性变化模式，具有一定的生物学合理性。然而，作者同时指出，目前的分析仍属于初步研究，仅考虑了部分单点突变，并未进一步模拟多个耐药突变共同存在时的组合效应、高阶上位性（epistasis）以及与实验耐药倍数之间的定量对应关系，因此仍有进一步完善的空间。 图4 基于DeepTAVC的HIV-1靶向虚拟筛选 （a） 利用DeepTAVC针对HIV-1逆转录酶（RT）开展基于靶点虚拟筛选的整体流程，筛选数据库为ChEMBL。（b） 针对HIV-1逆转录酶筛选得到的代表性高排名候选化合物及其最相似的参考非核苷类逆转录酶抑制剂（NNRTIs）。图中同时给出了各化合物的AutoDock Vina对接评分以及在所采用计算流程下获得的MM/GBSA结合自由能。（c） CHENBL234282与HIV-1逆转录酶形成复合物时的MM/GBSA结合自由能分解结果，并与Doravirine复合物进行比较。（d） HIV-1逆转录酶–CHEMBL234282复合物的MM/GBSA逐残基结合自由能分解结果，突出显示对结合贡献最大的关键氨基酸残基。（e） CHEMBL234282在HIV-1逆转录酶NNRTI结合口袋中的预测结合构象，并标注主要相互作用残基。（f） HIV-1逆转录酶晶体结构（PDB：2JLE）中共结晶配体的结合模式，作为参考。（g） HIV-1逆转录酶耐药突变K103N、Y181C和Y188L对代表性NNRTIs预测结合评分的影响（Δscore = 突变体评分 − 野生型评分）。 DeepPAVC与DeepTAVC的互补性提高了抗病毒药物发现能力 作者指出，DeepPAVC和DeepTAVC分别从不同角度描述抗病毒药物发现过程，两者具有明显的互补优势，联合应用能够有效弥补各自模型的局限性。 一方面，DeepPAVC能够作为抗病毒活性过滤器（activity filter），既能够去除DeepTAVC产生的假阳性结果，也能够补充其遗漏的真正活性化合物。作者认为，这是因为并非所有能够与靶蛋白结合的化合物都具有细胞水平的抗病毒活性；相反，一些真正具有较强抗病毒作用的化合物可能通过其他作用机制发挥效应，而这些机制并不属于特定靶标模型能够识别的范围。因此，引入基于表型的预测模型能够有效提高虚拟筛选结果的准确性和稳定性。 为了验证这一观点，作者选择流感病毒血凝素（Hemagglutinin，PDB ID：8SD2）作为代表性抗病毒靶标开展案例分析。血凝素是流感病毒侵入宿主细胞过程中发挥关键作用的重要蛋白，也是经典抗流感药物的重要作用靶点。作者从ChEMBL数据库提取与流感相关的化合物活性数据，同时分别计算DeepPAVC预测的抗病毒活性得分以及DeepTAVC预测的血凝素结合得分。 首先，以CHEMBL7004为例，该化合物在细胞实验中的EC₅₀为47.86 μM，通常被认为抗病毒活性较弱甚至无活性。然而，DeepTAVC却预测其具有较高的结合得分（0.9941），AutoDock Vina对接结果同样显示其结合自由能达到−7.7 kcal/mol，提示该化合物能够较好地结合血凝素。这属于典型的假阳性情况，即具有较强结合能力，却缺乏真实抗病毒活性。相比之下，DeepPAVC预测其抗病毒得分仅为0.0002，成功将其识别为无活性化合物。因此，DeepPAVC能够有效过滤掉DeepTAVC产生的此类假阳性结果。 相反，CHEMBL4103104则代表另一种情况。该化合物在细胞实验中的EC₅₀仅为8.32 nM，说明其具有极强的抗病毒活性。然而，DeepTAVC预测其血凝素结合得分仅为0.0001，AutoDock Vina预测结合能也仅为−3.7 kcal/mol，提示其几乎不与血凝素结合。这可能是由于该化合物通过其他抗病毒机制发挥作用，而并非直接作用于血凝素，因此属于基于靶标筛选中的假阴性。 值得注意的是，DeepPAVC却给予该化合物0.9999的抗病毒预测得分，成功识别其具有极强抗病毒活性。因此，DeepPAVC不仅能够过滤DeepTAVC产生的假阳性结果，同时还能弥补其无法识别非靶标作用机制所造成的假阴性，从而降低整体漏检率（补充图10a）。 综合上述分析，作者认为，DeepPAVC与DeepTAVC联合应用能够显著提高虚拟筛选的可靠性。DeepPAVC不仅能够剔除DeepTAVC产生的假阳性，还能够重新发现被DeepTAVC遗漏的真正命中化合物，从而实现更加全面、更加准确的抗病毒候选药物筛选。 另一方面，DeepTAVC还能为DeepPAVC筛选得到的候选化合物提供作用机制解释。为验证这一能力，作者首先利用DeepPAVC对ChEMBL数据库进行虚拟筛选，获得了一批预测具有较高抗病毒活性的候选化合物。在这些高评分化合物中，作者随机选取了CHEMBL585351作为代表，其DeepPAVC预测得分为1.0，提示该化合物具有极强的潜在抗病毒活性。 随后，作者利用DeepTAVC预测CHEMBL585351与多个已知抗病毒靶标之间的结合能力。结果显示，该化合物与HIV-1逆转录酶（UniProt ID：Q72547）的预测结合得分最高，为1.0，提示HIV-1逆转录酶可能是该化合物发挥抗病毒作用的潜在功能靶标。 为了进一步从结构层面验证这一预测结果，作者采用AutoDock Vina对CHEMBL585351与HIV-1逆转录酶（PDB ID：2JLE）进行了分子对接分析，以获得初步的计算机模拟结构信息。值得注意的是，2JLE晶体结构中的共结晶配体同样获得了DeepTAVC预测得分1.0，在作者采用的对接参数下，其Vina预测结合自由能为−9.6 kcal/mol。相比之下，CHEMBL585351获得了更优的结合能，为−11.7 kcal/mol，说明在当前计算模型下，该化合物可能具有更加稳定的结合构象。 进一步分析预测结合模式发现，CHEMBL585351与共结晶配体在HIV-1逆转录酶NNRTI结合口袋中具有高度相似的结合方式。两种配体均可与TYR188和TRP229形成π–π堆积作用，同时均能够与LYS101形成氢键。此外，CHEMBL585351还额外与ASP186形成一条氢键，这可能是其获得更优对接评分的重要原因（补充图10b）。 根据已有文献报道，2JLE晶体中的共结晶配体对HIV-1逆转录酶的IC₅₀为384 nM，同时其DeepPAVC预测得分也为1.0，说明该化合物既具有明确的靶点活性，也具有真实的抗病毒表型。由于CHEMBL585351同样具有上述预测特征，并且表现出较好的分子对接结果，因此作者认为，该化合物可作为值得进一步实验验证的新型抗病毒候选分子。然而，作者同时强调，目前所有结果均来源于计算预测，尚不能据此推断CHEMBL585351的实际IC₅₀或真实生物学活性。 综合上述分析，作者认为，DeepPAVC与DeepTAVC具有明显的协同优势：不仅能够更加准确地筛选候选化合物，而且能够进一步解析其潜在作用机制，从而建立一个兼具预测能力、可解释性和完整性的抗病毒药物发现框架。 基于DeepPAVC分子表示构建药物相似性网络用于药物重定位 药物重定位（Drug Repurposing，也称Drug Repositioning）是指发现已上市或已有适应证药物的新治疗用途。由于该策略能够显著降低研发成本、缩短研发周期，因此近年来已成为抗病毒药物开发的重要方向。 为了实现抗病毒药物重定位，作者基于DeepPAVC学习得到的分子表示构建了药物相似性网络。具体而言，作者首先利用DeepPAVC提取DrugBank数据库约1万个化合物的分子嵌入（molecular embedding），随后计算任意两个化合物之间的余弦相似度（cosine similarity）。 在构建得到的相似性网络中，每一个化合物对应一个节点；当两个节点之间的余弦相似度大于0.2时，即建立一条连接边。为了保持网络稀疏性及良好的可解释性，每个节点最多仅保留20个最近邻化合物。 为了展示该网络的应用价值，作者选择FDA批准用于治疗HIV/AIDS的抗逆转录病毒药物Dolutegravir（DTG）作为中心节点，并提取其局部相似性子网络（补充图11）。 结果显示，DTG与多种已知抗HIV药物形成了紧密聚类，包括Rilpivirine、Delavirdine、Etravirine、Nevirapine以及Zidovudine。这一结果说明，在DeepPAVC学习得到的嵌入空间中，具有相似抗病毒药理作用的化合物能够自然聚集在一起。 更值得关注的是，该子网络中还包含了一些原本并非用于抗病毒治疗的药物。例如，抗肿瘤药物Trametinib和Pazopanib均与DTG表现出较高的相似性。 作者进一步结合已有文献进行了验证。已有研究报道，Trametinib具有抑制淋巴细胞性脉络丛脑膜炎病毒（LCMV）感染的抗病毒活性；另一方面，Pazopanib也被证实能够以剂量依赖方式抑制人肠道病毒71型（EV-A71）的复制。这些研究结果说明，这些原本用于非病毒性疾病治疗的药物可能具有尚未充分认识的抗病毒潜力，因此有望作为药物重定位的重要候选分子。 综合来看，作者认为，基于DeepPAVC构建的药物相似性网络能够有效按照抗病毒作用特征对药物进行聚类，同时为从现有非抗病毒药物中发现新的抗病毒候选药物提供了一种具有实际应用价值的计算工具。 DeepTAVC通过识别关键官能团和结合残基揭示模型可解释性 DeepTAVC模型引入了交叉注意力机制（cross-attention mechanism），用于捕获化合物与蛋白质之间的跨模态相互作用。基于这一网络结构，模型能够提取注意力权重（attention score），从而反映不同化合物原子和蛋白质氨基酸残基在结合过程中的相对重要性。 为了展示这一能力，作者选择了Doravirine与HIV-1逆转录酶形成的共晶结构（PDB ID：4NCG）作为研究对象。Doravirine是一种具有良好口服生物利用度的非核苷类逆转录酶抑制剂（NNRTI），其能够在HIV-1逆转录酶活性口袋内形成多种稳定相互作用，从而产生较高的结合亲和力（补充图12a）。 作者利用DeepTAVC提取了Doravirine与蛋白之间的交叉注意力图（attention map），并将Doravirine各个原子的注意力得分归一化至0～1之间。结果显示，多个原子获得了较高的注意力权重，包括第3和第4位氮原子（N）、第24位氯原子（Cl）以及第25位碳原子（C）（补充图12b）。 进一步结合晶体结构分析发现，第3位和第4位氮原子能够与HIV-1逆转录酶中的LYS103形成氢键；而第24位氯原子和第25位碳原子则共同组成了Doravirine分子中的三氟甲基（trifluoromethyl）基团。该基团能够提高分子的疏水性，使Doravirine更容易进入蛋白质疏水性结合口袋，从而增强结合亲和力。上述结果说明，DeepTAVC生成的注意力图能够有效识别参与化合物–蛋白质相互作用的关键官能团及重要原子。 除了注意力图分析外，作者还采用了扰动遮蔽分析（perturbation masking analysis）进一步识别具有重要功能的化学亚结构。具体而言，作者首先利用KPGT获得输入化合物每一个原子的嵌入表示，然后依次将单个原子的特征向量替换为全零向量，实现逐原子遮蔽；随后将遮蔽后的分子重新输入DeepTAVC，并计算预测结合得分相对于原始分子的变化幅度。若某一原子被遮蔽后导致预测得分下降越明显，则说明该原子对模型预测的重要性越高。 总体来看，扰动遮蔽分析得到的结果与注意力图具有较高一致性。例如，两种方法均认为Doravirine的第3位氮原子属于最重要的关键原子之一。然而，两种解释方法也存在一定差异。注意力图更倾向于突出某些取代基的重要性，例如第24位氯原子及第25位三氟甲基；而扰动遮蔽分析则更加突出芳香环骨架内部原子的贡献，例如第10位碳原子的重要性更高（补充图12c）。 作者认为，这种差异来源于两种解释方法的本质不同。扰动遮蔽分析通过直接修改输入特征，因此更容易突出那些删除后会导致整体预测结果发生较大变化的骨架原子；而注意力图则仅反映模型内部学习到的信息分配模式，并不会真正改变分子结构。因此，两种方法提供的是互补而非重复的可解释性信息。同时作者强调，仅依据注意力权重本身并不能直接证明某一原子具有真正的因果作用，因此应结合其他解释方法共同分析。 随后，作者进一步评估DeepTAVC是否能够从蛋白质角度提供可解释性分析。为此，作者计算了HIV-1逆转录酶序列中每一个氨基酸残基的相对活性变化评分（relative activity change score）。该评分反映单个残基发生扰动后对化合物–蛋白结合能力的影响程度，绝对值越高，说明该残基在结合过程中越重要。 结果显示，位于RT_Rtv功能结构域（第44–234位氨基酸）内的残基整体具有明显高于其他区域的评分（补充图12d）。由于RT_Rtv结构域是HIV-1逆转录酶发挥催化功能所必需的核心区域，因此这一结果具有良好的生物学合理性。 此外，位于Doravirine结合口袋附近的多个关键残基，包括K101、T106、Y188和M229，均表现出较高的突变敏感性（补充图12e），提示这些氨基酸在配体结合过程中发挥关键作用。进一步分析晶体结构发现，Doravirine的苯环能够分别与TYR188和TRP229形成π–π堆积作用，这与模型预测得到的高敏感性残基完全一致，也进一步验证了DeepTAVC解释结果的可信度（图4g）。 综上所述，作者认为，DeepTAVC不仅能够在原子水平识别影响药物结合的重要化学基团，还能够在氨基酸残基水平揭示关键结合位点，从而为抗病毒药物发现提供具有机制解释能力的人工智能模型。 DeepAVC预测结果的实验验证发现MNS是一种具有广谱抗病毒活性的候选化合物 作者进一步结合体外和体内实验，对DeepAVC筛选得到的抗病毒候选化合物进行了实验验证。首先，利用DeepPAVC对MedChemExpress（MCE）化合物库（约20,000个化合物）进行虚拟筛选，以预测抗病毒评分大于0.99作为初筛标准，共获得1,810个候选化合物。随后，依据Lipinski五规则和Veber规则进行药物相似性筛选，候选化合物数量减少至854个；进一步利用PAINS和Brenk结构警示规则去除可能具有非特异性干扰作用的化合物后，最终保留543个候选分子。为了优先筛选具有新颖性的抗病毒候选药物，作者结合PubChem数据库注释及已有文献，剔除了已报道具有抗病毒活性的化合物，仅保留3种已知抗病毒药物作为阳性对照，最终确定30个候选化合物进入实验验证阶段（图5a）。为了进一步评估这些候选化合物的化学空间覆盖情况，作者比较了其与DeepPAVC训练集之间的最大Tanimoto相似性，并与测试集及整个筛选化合物库进行了比较。结果显示，这30个最终候选化合物与训练集的相似性高于整个筛选库，但仍低于测试集（补充图13），说明这些实验验证化合物主要位于模型训练数据能够覆盖的化学空间，同时仍保持一定程度的结构新颖性。 随后，作者对这30个候选化合物进行了广谱抗病毒活性评价，分别选择DNA病毒单纯疱疹病毒1型（HSV-1 F株）、正链RNA病毒脑心肌炎病毒（EMCV）和小鼠肝炎病毒A59株（MHV-A59），以及负链RNA病毒甲型流感病毒PR8株（IAV-PR8）和水泡性口炎病毒（VSV）作为代表性病毒模型，并于化合物处理后采用RT-qPCR检测病毒RNA复制水平。结果表明，在30个候选化合物中，有28个能够抑制至少一种病毒的复制，其中6个化合物能够同时显著抑制上述五种病毒，表现出良好的广谱抗病毒活性（图5b，补充数据12）。 在所有候选化合物中，13号化合物NVP-BVU972和18号化合物MNS表现出最为显著的抗病毒活性。为了进一步评价其抗病毒效果，作者以目前处于临床研究阶段的抗病毒药物Sisunatovir（9号化合物）作为阳性对照进行比较（图5c）。结果显示，MNS在10 μM浓度下即可对五种病毒均表现出极强的抑制作用，使病毒载量降低95%以上，其抗病毒效果明显优于相同浓度下的NVP-BVU972和Sisunatovir（补充数据12）。随后，作者进一步采用流式细胞术（补充图14）和Western blot实验（图5d，补充图15）进行了验证，两种实验结果均进一步证实了MNS具有优异的抗病毒活性。此外，作者利用表达绿色荧光蛋白的VSV-GFP作为报告病毒，通过荧光显微镜直接观察病毒感染情况。结果显示，三种候选化合物均能够不同程度降低病毒复制，而MNS在10 μM浓度下几乎完全消除了HeLa细胞中的VSV感染信号（图5e，补充图16）。 为了进一步评价代表性候选化合物的治疗窗口，作者测定了各化合物的细胞毒性（CC₅₀）、抗病毒活性（EC₅₀）以及选择指数（SI=CC₅₀/EC₅₀）。结果显示，MNS具有最佳的综合药效学特征，其CC₅₀为102.2 μM，EC₅₀为8.505 μM，选择指数达到12.02；相比之下，NVP-BVU972的CC₅₀为95.09 μM，EC₅₀为21.42 μM，选择指数为4.44，而Sisunatovir的CC₅₀为104.3 μM，EC₅₀为37.36 μM，选择指数仅为2.79。上述结果进一步表明，MNS所表现出的广谱抗病毒活性并非来源于非特异性的细胞毒性，而是在保持较低毒性的同时具有更高的抗病毒效力，因此较另外两种代表性候选化合物具有更大的治疗窗口和更好的开发潜力（补充图17）。 图5 DeepAVC预测结果的实验验证表明MNS是一种具有广谱抗病毒活性的候选化合物 （a） 利用DeepPAVC对MCE化合物库（约20,000个化合物）进行表型虚拟筛选的流程，包括药物相似性筛选、PAINS和Brenk结构警示过滤以及去除已知抗病毒化合物，最终获得30个候选化合物。（b） 30个候选化合物对五种病毒的抗病毒活性检测结果，采用RT-qPCR测定脑心肌炎病毒（EMCV）、单纯疱疹病毒1型（HSV-1）、甲型流感病毒（IAV）、小鼠肝炎病毒（MHV）及水泡性口炎病毒（VSV）的病毒RNA相对水平。热图颜色表示抗病毒活性强弱（颜色越深表示抑制作用越强）。星号表示与DMSO对照组相比具有统计学差异，采用双侧非配对Student's t检验分析。数据来源于3次独立生物学重复（n = 3）。ns，P > 0.05；*P < 0.05；**P < 0.01；***P < 0.001；****P < 0.0001。（c） Sisunatovir（9号化合物）、NVP-BVU972（13号化合物）和MNS（18号化合物）的化学结构。（d） HeLa细胞感染VSV后分别给予Sisunatovir、NVP-BVU972或MNS（10、20、40 μM）处理的免疫印迹（Western blot）分析结果，以DMSO作为溶剂对照。GFP作为病毒蛋白表达指标，β-actin作为内参。图中展示至少3次独立实验中的代表性结果，完整印迹见补充图15。（e） HeLa细胞感染VSV-GFP后分别给予Sisunatovir、NVP-BVU972或MNS（10 μM）处理的明场及GFP荧光显微图像，以DMSO作为对照。图像为至少3次独立实验中的代表性结果。比例尺=100 μm。 靶点解析及机制研究支持MNS通过宿主靶向的病毒侵入后机制发挥抗病毒及抗炎作用 为了阐明MNS发挥抗病毒作用的分子机制，作者首先进行了靶点解析（target deconvolution）分析。首先，利用DeepTAVC模型预测MNS与234个经典抗病毒相关靶标之间的结合潜力。然而，结果显示，没有任何靶标的预测结合得分超过0.5，提示MNS不太可能通过直接作用于模型所包含的已知抗病毒相关靶标而发挥抗病毒效应。随后，作者进一步扩大了预测范围，利用CADTI模型预测MNS与CADTI框架中包含的6,193个蛋白靶标之间的相互作用，并依据预测结合得分对所有靶标进行排序。结合预测结果、已有文献证据及生物学相关性分析，整合素β1（Integrin beta-1，ITGB1；UniProt ID：P05556）被确定为最有可能的候选作用靶标，其预测结合得分高达0.9945（补充数据13）。为了初步评价二者之间的相互作用，作者进一步采用ITGB1晶体结构（PDB ID：8W30）进行了分子对接分析。结果显示，在所采用的对接条件下，MNS的预测结合能为−5.42 kcal/mol，而共结晶配体的结合能为−6.53 kcal/mol，提示MNS能够形成一种计算上合理的结合构象。然而，作者同时强调，这一结果仅来源于计算模拟，尚不足以证明MNS能够与ITGB1发生真实的直接结合。 作者指出，ITGB1是介导细胞–细胞外基质黏附以及Integrin–FAK–Src信号通路的重要分子，在多种病毒感染过程中发挥关键作用，可作为病毒直接受体、共受体或宿主辅助因子参与病毒侵入、胞内运输及复制等多个阶段。此外，ITGB1相关信号通路还参与炎症反应调控，并能够促进有利于病毒复制的细胞内环境形成。因此，上述研究结果支持ITGB1可能是MNS发挥宿主靶向抗病毒作用的重要宿主因子，但这一假设仍需进一步实验验证。 为了进一步明确MNS作用于病毒生命周期的具体阶段，作者分别以RNA病毒VSV和DNA病毒HSV-1为代表进行了加药时序（time-of-addition）实验。RT-qPCR检测结果显示，即使MNS分别于病毒感染后0、12或24 h加入培养体系，仍然能够显著抑制病毒RNA水平（图6a，补充图18a），说明MNS主要作用于病毒侵入后的阶段。与此同时，在4 ℃条件下进行的病毒吸附实验发现，MNS预处理并不会显著影响病毒与细胞表面的结合能力（图6b，补充图18b）；进一步在37 ℃同步内吞实验中，作者同样观察到MNS不会抑制病毒进入细胞的过程（图6c，补充图18c）。上述结果共同表明，MNS并非通过阻断病毒吸附或内吞发挥抗病毒作用，而是在病毒进入宿主细胞之后抑制病毒复制，更符合宿主靶向或胞内抗病毒机制的作用特点。 基于上述发现，作者进一步采用VSV感染小鼠模型评价MNS的体内抗病毒及抗炎活性。结果显示，与对照组相比，经MNS（30 mg/kg/day）治疗的野生型C57BL/6小鼠生存率明显提高（图6d）。同时，RT-qPCR检测发现，MNS处理后小鼠肝脏和脾脏中的病毒RNA水平显著下降，血液中的病毒载量也呈下降趋势（图6e）。此外，炎症因子检测结果表明，MNS能够明显减轻病毒感染诱导的炎症反应，在肝脏和脾脏中，Il1β和Il6表达水平均显著降低，而血液中的Tnfα水平也明显下降（补充图19）。 综上所述，作者认为MNS主要通过宿主靶向机制发挥广谱抗病毒作用。研究推测，MNS可能通过调控ITGB1相关信号通路，在病毒侵入宿主细胞后抑制病毒复制，并同时减轻病毒诱导的炎症反应，从而阻断有利于病毒复制的细胞内环境形成，最终在体内发挥良好的抗病毒保护作用。 图6 MNS作用阶段分析支持其通过宿主靶向的病毒侵入后机制发挥作用 （a） 加药时序实验（Time-of-addition assay）。RAW264.7细胞分别感染VSV或HSV-1（37 ℃，1 h）后洗涤，并于感染后0、10、20或40 h加入MNS（20 μM），于病毒感染24 h后采用RT-qPCR检测病毒RNA水平。柱状图表示平均值，误差线表示标准误（s.e.m.），散点表示各独立数据点。（b） 病毒吸附实验。RAW264.7细胞预冷后于4 ℃条件下与VSV或HSV-1共同孵育1 h，随后冰冷PBS洗涤，并采用RT-qPCR定量细胞表面结合的病毒基因组。柱状图表示平均值，误差线表示标准误，散点表示各独立数据点。（c） 病毒内吞实验。细胞于4 ℃完成病毒结合后，经PBS洗涤，再于37 ℃孵育60 min促进病毒内化，随后采用胰蛋白酶消化去除细胞表面未进入细胞的病毒，并采用RT-qPCR检测细胞内病毒RNA水平。图a–c的数据均来源于3次独立生物学重复（n = 3）。除特别说明外，统计学分析采用单因素方差分析（One-way ANOVA）。ns，P > 0.05；*P < 0.05；**P < 0.01；***P < 0.001；****P < 0.0001。（d） VSV腹腔感染小鼠后连续5 d给予MNS（30 mg/kg）治疗的小鼠生存曲线，采用Log-rank（Mantel–Cox）检验进行统计分析。（e） 对照组和MNS治疗组小鼠肝脏、脾脏及血液中VSV RNA水平的RT-qPCR定量分析。柱状图表示平均值，误差线表示标准误，散点表示各独立数据点（n = 6只/组）。统计学分析采用双侧非配对Student's t检验。 END