Rilzabrutinib

阅读提示：本文聚焦全球自身免疫疾病药物领域，数据均来源于各大跨国药企官方年报、SEC公告、ClinicalTrials.gov、EvaluatePharma、摩熵医药及公开临床研发数据库，时间跨度覆盖2020-2025年；内容仅供行业交流、研究参考，不构成投资建议、用药指导与临床决策依据，市场数据及研发进展存在一定不确定性，敬请理性阅读。 自身免疫疾病（Autoimmune Diseases, AD）作为全球第二大慢性疾病领域，涵盖类风湿关节炎（Rheumatoid Arthritis, RA）、银屑病（Psoriasis, PsO）、炎症性肠病（Inflammatory Bowel Disease, IBD）、系统性红斑狼疮（Systemic Lupus Erythematosus, SLE）及多发性硬化（Multiple Sclerosis, MS）等数十种难治性疾病。该领域患者群体庞大、未满足临床需求（Unmet Medical Need, UMN）突出，已成为跨国药企（Multinational Pharmaceutical Companies, MNCs）重点布局与激烈竞争的核心赛道。 过去六年，全球自免药物市场完成了一轮彻底的新旧迭代：老牌药王专利到期、新一代生物制剂与口服小分子强势接棒，靶点从广谱抗炎向精准免疫调控升级，赛道格局持续重塑。本文聚焦艾伯维、赛诺菲、强生、诺华、罗氏五大核心跨国药企，全面梳理上市核心药物、2020-2025年营收利润变化、分阶段在研管线，还原行业真实竞争全貌。 一、核心跨国药企：自免领域主力玩家与核心上市药物 全球自免药物市场高度集中，头部五家药企占据超70%市场份额，每家均依托核心靶点药物构建专属竞争壁垒，形成差异化布局态势。 1. 艾伯维（AbbVie）：自免赛道绝对龙头，完美实现新旧动能转换 艾伯维是全球自免领域无可争议的霸主，凭借修美乐称霸十年，后快速通过新一代IL-23抑制剂与JAK抑制剂完成产品迭代，彻底摆脱专利悬崖困境。 •核心药物：修美乐（阿达木单抗，TNF-α抑制剂）、利生奇珠单抗（Skyrizi，IL-23p19抑制剂）、乌帕替尼（Rinvoq，选择性JAK1抑制剂） •核心优势：IL-23+JAK双靶点组合覆盖银屑病、克罗恩病、类风湿关节炎等主流适应症，产品梯队完善，商业化能力顶尖 2. 赛诺菲（Sanofi）+再生元（Regeneron）：2型炎症赛道霸主，单品撑起半边天 赛诺菲与再生元深度合作，依托IL-4Rα靶点重磅药物度普利尤单抗，垄断特应性皮炎、哮喘、慢性鼻窦炎伴鼻息肉等2型炎症相关疾病市场，成为自免领域单品销售额最高的企业。 •核心药物：度普利尤单抗（Dupixent，IL-4Rα抑制剂）、利扎布替尼（Rilzabrutinib，BTK抑制剂） •核心优势：2型炎症靶点布局早、适应症覆盖广，度普利尤单抗持续拓展新适应症，生命周期不断延长 3. 强生（Johnson & Johnson）：老牌选手承压，积极布局新靶点转型 强生曾凭借IL-12/23抑制剂乌司奴单抗稳居自免第一梯队，近年受新一代IL-23p19药物冲击，核心产品销售额下滑，正加速推进口服IL-23、FcRn等新靶点药物，谋求转型突破。 •核心药物：乌司奴单抗（Stelara，IL-12/23p40抑制剂）、古塞奇尤单抗（Tremfya，IL-23p19抑制剂）、尼泊卡利单抗（Imaavy，抗FcRn） •核心优势：自免研发底蕴深厚，新靶点布局全面，商业化渠道覆盖全球 4. 诺华（Novartis）：IL-17赛道领跑者，细分领域稳扎稳打 诺华聚焦IL-17、抗IgE、BTK等靶点，深耕皮肤科、风湿免疫、神经免疫细分领域，核心产品增长稳健，无剧烈业绩波动，走稳健增长路线。 •核心药物：司库奇尤单抗（Cosentyx，IL-17A抑制剂）、奥马珠单抗（Xolair，抗IgE）、瑞米布替尼（Remibrutinib，BTK抑制剂） •核心优势：IL-17靶点市场份额领先，产品安全性优势突出，适应症拓展稳步推进 5. 罗氏（Roche）：神经自免细分龙头，CD20与BTK双轮驱动 罗氏避开红海竞争，聚焦多发性硬化、系统性红斑狼疮等神经免疫与重症自免领域，依托CD20单抗构建优势，同时发力BTK抑制剂，开辟差异化赛道。 •核心药物：奥瑞珠单抗（Ocrevus，CD20单抗）、奥妥珠单抗（Gazyva，CD20单抗）、菲奈布替尼（Fenebrutinib，BTK抑制剂） •核心优势：神经自免领域壁垒极高，CD20靶点临床数据优异，重症自免布局领先 二、2020-2025年核心药企自免业务营收利润复盘 过去六年是全球自免市场的关键转型期，核心变化集中在修美乐专利到期后的市场替代、新一代药物爆发式增长、单一产品依赖与多元化布局的业绩分化，以下为五大药企核心数据及趋势解读： 1. 艾伯维：修美乐断崖下滑，双新品扛起增长大旗 艾伯维免疫学板块2020年营收235亿美元，2025年达304.06亿美元，整体保持正增长，完美完成产品迭代： •修美乐：2020年销售额203.1亿美元，2025年仅剩45.4亿美元，同比下滑近50%，生物类似药冲击彻底显现 •Skyrizi：2020年销售额13.8亿美元，2025年暴涨至175.62亿美元，六年增长超12倍，成为新核心 •Rinvoq：2020年销售额7.3亿美元，2025年达83.04亿美元，持续高速增长 •利润变化：板块利润从2020年120亿美元，升至2023年峰值155亿美元，2025年小幅回落至158亿美元，盈利水平始终稳居行业第一 年份 免疫学总收入 Humira Skyrizi Rinvoq 板块利润 趋势 2020 235.0 203.1 13.8 7.3 120.0 Humira 主导 2021 255.0 206.9 29.4 14.5 130.0 新品崛起 2022 278.0 212.3 50.0 25.2 145.0 双轮驱动 2023 298.0 191.7 79.0 41.0 155.0 Humira 下滑 2024 315.0 90.0 117.0 60.0 160.0 新品接棒 2025 304.1 45.4 175.6 83.0 158.0 Skyrizi+Rinvoq 主导 •核心趋势：Humira 从200 亿 +断崖式下滑，Skyrizi+Rinvoq 合计258.6 亿美元，已超 Humira 峰值，完成新旧动能转换。 2. 赛诺菲：度普利尤单抗一枝独秀，业绩持续高增 赛诺菲自免业务完全依托度普利尤单抗驱动，六年实现跨越式增长，2025年自免业务收入162.21亿美元： •度普利尤单抗：2020年销售额40.5亿美元，2025年突破185亿美元，成为全球自免单品销售额冠军，年复合增速超30% •利润变化：板块利润从2020年40亿美元，稳步增长至2025年78亿美元，盈利质量持续提升，但高度依赖单一产品，专利到期风险隐现 年份 免疫学总收入 Dupixent 其他 板块利润 趋势 2020 85.0 40.5 44.5 40.0 快速增长 2021 105.0 62.0 43.0 50.0 Dupixent 爆发 2022 128.0 86.0 42.0 62.0 一药独大 2023 145.0 115.0 30.0 70.0 增速放缓 2024 155.0 140.0 15.0 75.0 持续领跑 2025 162.2 185.5 -23.3 78.0 单品贡献超 100% 核心趋势：Dupixent 从40 亿增至185 亿，成为自免单品王，但高度依赖单一产品，2031 年专利到期风险凸显。 3. 强生：老药见顶回落，转型期业绩承压 强生自免业务2022-2023年达到峰值，后续受乌司奴单抗下滑影响，整体收入小幅回落： •乌司奴单抗：2023年峰值销售额108.58亿美元，2025年降至60.78亿美元，近乎腰斩 •古塞奇尤单抗：稳步增长但难以弥补老药缺口，2025年自免业务总收入157.28亿美元，较峰值小幅下滑 •利润变化：板块利润2023年达82亿美元峰值，2025年回落至77亿美元，处于转型阵痛期 年份 免疫学总收入 Stelara Tremfya 其他 板块利润 趋势 2020 135.0 77.0 20.0 38.0 65.0 稳定 2021 148.0 91.0 28.0 29.0 72.0 增长 2022 158.0 102.0 35.0 21.0 78.0 峰值 2023 165.0 108.6 40.0 16.4 82.0 Stelara 见顶 2024 160.0 85.0 45.0 30.0 79.0 下滑 2025 157.3 60.8 50.0 46.5 77.0 转型阵痛 核心趋势：Stelara 受 IL-23p19 冲击腰斩，Tremfya 与 Imaavy 等新品未能完全弥补，板块收入见顶回落。 4. 诺华：稳健增长，无大幅波动 诺华自免业务走温和增长路线，核心产品司库奇尤单抗稳居IL-17赛道首位，业绩平稳： •2020年自免业务收入75亿美元，2025年升至102亿美元，年增速维持在5%-10% •核心产品司库奇尤单抗、奥马珠单抗增长稳定，无重磅产品断崖式下滑风险 •板块利润从2020年35亿美元，增至2025年49亿美元，盈利稳步提升 年份 免疫总收入 Cosentyx Xolair 其他 板块利润 趋势 2020 75.0 39.0 22.0 14.0 35.0 稳健 2021 82.0 45.0 23.0 14.0 38.0 增长 2022 90.0 50.0 24.0 16.0 42.0 稳定 2023 95.0 53.0 25.0 17.0 45.0 小幅增长 2024 98.0 55.0 26.0 17.0 47.0 平稳 2025 102.0 58.0 28.0 16.0 49.0 温和增长 核心趋势：Cosentyx 为IL-17 领域绝对龙头，Xolair 增长稳健，板块低个位数稳定增长，无重磅新品爆发。 5. 罗氏：神经自免细分领跑，小幅稳步增长 罗氏聚焦神经自免细分领域，整体规模不及前四家，但增长稳健，盈利稳定： •2020年自免相关收入65亿美元，2025年达88亿美元，核心靠奥瑞珠单抗驱动 •板块利润从2020年30亿美元，增至2025年42亿美元，细分领域壁垒深厚，竞争压力较小 年份 自免相关收入 Ocrevus Gazyva Fenebrutinib 板块利润 趋势 2020 65.0 40.0 15.0 - 30.0 增长 2021 72.0 46.0 16.0 - 33.0 稳定 2022 78.0 50.0 17.0 - 36.0 平稳 2023 82.0 53.0 18.0 临床 38.0 小幅增长 2024 85.0 55.0 19.0 III 期 40.0 稳定 2025 88.0 57.0 20.0 申报 42.0 温和增长 •核心趋势：Ocrevus 主导 MS 市场，Gazyva 拓展 SLE，Fenebrutinib 有望2026 年获批 MS，打开新增长空间。 三、全球自免药物在研管线全景（按临床阶段划分，数据来源：ClinicalTrials.gov、企业研发公告，截至2026年3月） 当前自免药物研发呈现靶点精准化、剂型口服化、机制创新化三大趋势，TL1A、BTK、FcRn、双抗、蛋白降解剂成为研发热点，各大药企管线布局差异显著，以下按临床前、临床I期、临床II期、临床III期四大阶段梳理核心项目： 1. 临床III期（注册冲刺期，2026-2027年有望获批） 该阶段项目已完成关键临床验证，获批确定性高，是未来2-3年市场增量核心： •艾伯维：ABBV-599（BTK+JAK1复方，系统性红斑狼疮/类风湿关节炎），全球首款BTK/JAK复方制剂；ABBV-243（整合素β7单抗，炎症性肠病） •赛诺菲：Duvakitug（TL1A单抗，炎症性肠病），IBD领域重磅新靶点，临床数据优异 •强生：Icotrokinra（口服IL-23R拮抗剂，银屑病），全球首款口服IL-23抑制剂，突破注射剂局限 •诺华：瑞米布替尼（多发性硬化）、Ianalumab（抗BAFF-R，系统性红斑狼疮/干燥综合征） •罗氏：菲奈布替尼（复发型多发性硬化）、奥妥珠单抗（系统性红斑狼疮） 2. 临床II期（概念验证期，2027-2028年有望推进） 该阶段项目已初步验证疗效与安全性，是未来潜力品种储备： •艾伯维：ABBV-319（CD19-ADC，系统性红斑狼疮/干燥综合征） •赛诺菲：SAR446959（IL-17A/F双抗，银屑病/脊柱关节炎）、SAR444656（抗TSLP单抗，哮喘） •强生：JNJ-7724（抗IL-17C单抗，化脓性汗腺炎）、JNJ-8178（抗TL1A单抗，炎症性肠病） •诺华：YTB323（口服S1P1调节剂，多发性硬化/系统性红斑狼疮） •罗氏：IL-17A/F双抗（银屑病）、Risankizumab（化脓性汗腺炎） 3. 临床I期（早期探索期，安全性初步验证） •核心聚焦创新靶点与新型技术，包括艾伯维抗CD40L单抗、赛诺菲IRAK4蛋白降解剂、诺华IL-17A/IL-17F双抗、罗氏抗IL-13Rα1单抗等，主要验证安全性与初步疗效，为后续研发奠定基础。 4. 临床前阶段（靶点发现期，2029年后有望进入临床） •创新靶点：IL-36、OX40L、ICOSL、BAFF/APRIL双靶点、补体通路（C3/C5）等 •新型技术：CAR-T/Treg细胞疗法、基因治疗、反义寡核苷酸（ASO）、siRNA、PROTAC蛋白降解剂、双抗/三抗平台 •各大药企均有布局，属于长期技术储备，暂未进入临床阶段，代表未来自免治疗的发展方向 四、行业核心趋势与格局判断 1.靶点迭代加速：从传统TNF-α广谱抗炎，转向IL-23、IL-17、IL-4R、TL1A、BTK等精准靶点，治疗效果更优、副作用更低 2.剂型革命来临：口服小分子药物（JAK、BTK、S1P）快速崛起，打破注射剂垄断格局，患者依从性大幅提升 3.格局持续分化：艾伯维凭借双新品稳居龙头，赛诺菲靠单品维持高增长但存风险，强生、诺华、罗氏深耕细分赛道，差异化竞争加剧 4.研发重心转移：重症自免、罕见自免疾病成为新蓝海，创新技术与新靶点将决定未来十年赛道格局 五、参考文献 [1] 艾伯维（AbbVie）. 2020-2025 年年度报告（Annual Reports）[EB/OL]. 艾伯维官网，2021-2026. https://www.abbvie.com/investors/annual-reports [2] 赛诺菲（Sanofi）、再生元（Regeneron）. 2020-2025 年年度报告（Annual Reports）[EB/OL]. 赛诺菲 / 再生元官网，2021-2026. https://www.sanofi.com/en/investors; https://investor.regeneron.com/annual-reports [3] 强生（Johnson & Johnson）. 2020-2025 年年度报告（Annual Reports）[EB/OL]. 强生官网，2021-2026. https://www.investor.jnj.com/annual-reports [4] 诺华（Novartis）. 2020-2025 年年度报告（Annual Reports）[EB/OL]. 诺华官网，2021-2026. https://www.novartis.com/investors/annual-reports [5] 罗氏（Roche）. 2020-2025 年年度报告（Annual Reports）[EB/OL]. 罗氏官网，2021-2026. https://www.roche.com/investors/annual-reports [6] U.S. National Library of Medicine. ClinicalTrials.gov [DB/OL]. Bethesda (MD): National Library of Medicine (US), 2000-2026. https://clinicaltrials.gov/ [7] EvaluatePharma. World Preview 2026: Outlook to 2030 [R]. Evaluate Ltd, 2026. [8] 摩熵医药。全球自身免疫疾病药物市场及研发管线报告（2020-2025）[R]. 摩熵医药，2026. [9] Kearney F, et al. Trends in the drug target landscape for autoimmune diseases [J]. Nature Reviews Drug Discovery, 2025, 24(4): 247-264. https://doi.org/10.1038/s41573-025-00061-7 [10] Frost & Sullivan. Global Autoimmune Disease Therapeutics Market, 2020-2030 [R]. Frost & Sullivan, 2026. 免责声明：本文所有数据、信息均来源于公开权威渠道，仅用于行业知识分享与交流，不构成任何投资决策、医疗建议或用药推荐。医药研发具有高不确定性，临床进展、获批时间、市场销售均可能不及预期，市场竞争格局亦可能发生变化，请勿直接依据本文内容进行投资、临床诊疗等相关行为。 如需获取更细分靶点、适应症的详细数据，或关注国内自免药企布局进展，可留言交流，后续将持续更新深度内容～

前瞻性发现高效选择性 BTK 共价抑制剂 原文信息Shamir Y, Gabizon R, Rogel A, Lin DY, Andreotti AH, London N.Discovery of Covalent Ligands with AlphaFold3.Journal of the American Chemical Society, 2026.DOI: 10.1021/jacs.5c22222通讯作者：Nir London，魏茨曼科学研究所化学与结构生物学系摘要速读 本文报道了一项里程碑式工作：将 Google DeepMind 的全原子结构预测模型 AlphaFold3（AF3） 首次系统性地应用于共价配体的虚拟筛选（covalent virtual screening），并在前瞻性筛选实验中成功发现了结构全新的 BTK 共价抑制剂。 核心贡献如下： 1. COValid：首个专门用于共价虚拟筛选富集分析的基准数据集（874 个活性分子 + 37,919 个性质匹配诱饵分子） 2. 方法论突破：AF3 的 mPAE 指标在全部 10 个靶点位点均大幅优于传统共价对接工具（71.8% vs ~10%，Adjusted LogAUC） 3. 实验验证：前瞻性筛选发现 YS1，IC₅₀ = 30 nM（体外），107 nM（细胞），晶体结构验证预测精度达 0.50 Å RMSD 一、研究背景与科学问题1.1 共价抑制剂的重要性 共价抑制剂（covalent inhibitors）通过与靶蛋白上的亲核氨基酸残基形成不可逆（或可逆）共价键来发挥作用。相较于非共价抑制剂，其优势包括： • 更高效力：持续占据靶点，即使药物浓度降低后仍保持活性 • 更长靶点占用时间（target engagement）：不受药动学波动影响 • 潜在的选择性优势：可利用特定位置的半胱氨酸等氨基酸进行精准定向 截至目前，FDA 已批准超过 50 种共价药物，近年代表性品种包括： 药物 靶点 适应症 上市年份 Ibrutinib（伊布替尼） BTK Cys481 B 细胞恶性肿瘤 2013 Nirmatrelvir SARS-CoV-2 Mpro COVID-19 2021 Adagrasib K-Ras G12C 非小细胞肺癌 2022 Ritlecitinib JAK3/TEC 脱发症 20231.2 共价虚拟筛选面临的挑战 共价结合是一个两步动力学过程： E + I  ⇌  E·I  →  E-I（共价加成物）       KI      kinact 其中： • 第一步：可逆非共价识别（KI，由分子识别决定） • 第二步：共价键形成（kinact，由反应活性与空间朝向决定） 传统共价对接软件（DOCKovalent、DOCK6、AutoDock 等）存在以下根本性缺陷： 1. 只对已成键的加成物状态（adduct state）打分，完全忽略共价反应前的过渡态空间朝向 2. 无法量化亲电试剂的固有反应活性，导致多弹头共价库（multi-warhead library）的排序不可行 3. 使用固定蛋白骨架，难以处理配体诱导的构象变化（induced-fit effects） 4. 缺乏标准化富集评估基准：非共价筛选领域有 DUD-E、DUDE-Z 等成熟基准，共价领域从未有过 正是这一空白，催生了本文的核心工作。二、COValid——首个共价虚拟筛选富集基准数据集2.1 数据集设计原则 COValid 的构建借鉴了非共价领域 DUD-E 的两大核心原则： 原则 1：物化性质匹配（property matching）诱饵分子与活性分子在以下 6 个性质上保持高度匹配，避免因性质差异导致的人为富集： • 分子量（MW） • 氢键供体数（HBD） • 氢键受体数（HBA） • 可旋转键数（rotatable bonds） • 净电荷（net charge） • 脂水分配系数（cLogP） 原则 2：拓扑不相似性（topological dissimilarity）通过打乱分子骨架连接方式生成诱饵，确保其与活性分子组成相似但拓扑不同，从而排除因化学相似性导致的假阳性富集。诱饵骨架均选自 ZINC20（商业可及化合物数据库），保证化学合理性。 2.2 数据集组成 蛋白靶点 亲核位点 活性分子数 诱饵分子数 BMX C496 36 1,714 BTK C481 182 8,724 EGFR C797 155 5,678 FGFR1 C488 53 2,581 FGFR4 C477 21 1,009 FGFR4 C552 44 1,916 ITK C442 75 3,420 JAK3 C909 197 9,041 MAP3K7 C174 18 658 K-Ras G12C C12 93 3,178合计10 个位点87437,919 注：本研究聚焦于丙烯酰胺（acrylamide）弹头——最常见的靶向半胱氨酸的共价弹头，兼顾实用性与可比较性。三、AlphaFold3 共价共折叠（Covalent Cofolding）方法3.1 AF3 的输入与输出 AF3（2024 年 11 月发布）首次实现了全原子生物分子结构预测，支持共价蛋白-配体复合物的预测。 输入： • 蛋白质氨基酸序列 • 配体的几何优化 3D 构象（SMILES → 3D） • 共价键指定：配体原子编号 + 蛋白侧链原子 输出： • 预测的共价复合物三维坐标 • 多种置信度指标矩阵（PAE、pTM、ipTM 等） 相比传统对接的关键优势： • 无需晶体结构，仅需蛋白序列 • 允许蛋白骨架柔性（backbone flexibility） • 可建模配体诱导的构象变化（如 BTK P-loop 重排） • 可暴露隐蔽口袋（cryptic pockets）3.2 关键指标：mPAE（最小预测对齐误差） PAE（Predicted Aligned Error）矩阵是 AF3 输出的结构置信度矩阵，其中元素 (i, j) 表示：以 token i 为参考对齐时，token j 位置的预测误差（单位：Å）。 研究者定义： 即：以所有配体原子为参考对齐时，所有蛋白残基位置预测误差的最小值。 mPAE 相较其他置信度指标的优势： 指标 分辨率 分类能力 问题 pTM（全局） 低 差 蛋白恒定，无区分度 蛋白链 pTM 低 差 同上 ipTM（界面） 中 中等 部分靶点范围宽 配体链 pTM 中-高 较好 —mPAE极高最优 唯一在全部 10 个位点均达到决定性排序的指标 mPAE 的物理意义：反映配体与蛋白之间最紧密接触区域的结构置信度，本质上是对结合界面几何互补性的度量，而非简单的全局置信度。3.3 mPAE 的绝对值与结合概率 在 COValid 适用范围内，mPAE 的绝对值具有前瞻性筛选意义： mPAE 范围（Å） 对应活性分子的概率 < 0.8596.6% 0.85 ~ 0.95 ~75% 0.95 ~ 1.05 ~30% > 1.05 < 13% 这一单调递减关系为设定筛选截断值（cutoff）提供了理论依据。四、基准测试结果4.1 COValid 上的富集性能对比 富集度量指标：Adjusted LogAUC • 0%：随机水平 • 85.5%：理论最优（所有活性分子均排在所有诱饵之前） • 强调早期富集（early enrichment），更贴近实际筛选需求 方法 平均 Adjusted LogAUC 耗时/分子 DOCKovalent 9.9 ± 4.8% 8.4 s DOCK6 12.1 ± 9.9% 7.0 s AutoDock 5.7 ± 7.9% 6.7 s AF3 + Rosetta 重打分 28.5 ± 16.1% ~266 sAF3 + mPAE71.8 ± 5.9%~266 s 值得注意的细节： • AF3 + Rosetta 重打分（纯物理打分，不依赖 AI 置信度指标）已显著优于传统对接，说明 AF3 生成的结构模型物理合理性足够好 • mPAE 在此基础上进一步大幅提升（28.5% → 71.8%），说明 AF3 内置的置信度信息具有独立的预测价值 • 各位点 AUC（ROC 曲线下面积）范围：0.9082 ~ 0.9996，几乎接近完美分类 4.2 消融实验：排除训练数据泄露的可能 潜在偏差：AF3 的训练集包含大量 PDB 结构，若测试化合物与训练集重叠，则富集性能可能被高估。 研究者的消融策略：按 Tanimoto 相似性（Morgan 指纹，radius=2，2048 bits）过滤与 PDB 中任何分子相似的活性化合物（及其对应诱饵），在 Tc = 0.4 严格截断下（过滤掉大多数活性分子后），富集性能几乎不受影响。 此外，64 个"实验诱饵"（ChEMBL 中被测试过但活性 > 10 μM 的丙烯酰胺化合物）的 mPAE 均值为 1.5 ± 0.5 Å，与活性分子形成显著区分（86% 的实验诱饵 mPAE > 0.95 Å）。4.3 非共价虚拟筛选：在 DUDE-Z 上的表现 将 AF3 + mPAE 推广到非共价领域（DUDE-Z 基准，43 个靶点）： • 在 42/43 个靶点中，AF3 显著优于 DOCK3.7 和 DOCK6.9 • 激酶靶点平均 Adjusted LogAUC：60.7 ± 11.1%（优于非激酶靶点的 47.5 ± 21.3%） • 与 Boltz-2（另一 AI 共折叠模型）性能相近五、前瞻性筛选：发现 BTK 全新共价抑制剂5.1 筛选流程 靶点：BTK（布鲁顿酪氨酸激酶）Cys481，B 细胞恶性肿瘤的重要治疗靶点，已有 Ibrutinib、Zanubrutinib、Acalabrutinib、Rilzabrutinib 等多个 FDA 批准的共价抑制剂。 筛选流程： 构建虚拟库（~906K 含丙烯酰胺化合物）        ↓AF3 预测各化合物与 BTK Cys481 的共价复合物结构        ↓按 mPAE 排序，保留 mPAE < 0.9 Å 的化合物（440 个，~0.05%）        ↓过滤与已知 BTK 抑制剂相似的化合物（Tc > 0.35）        ↓聚类分析 + 人工审查（多样结合模式）→ 390 个候选        ↓合成 13 个代表性化合物        ↓实验评价（LC/MS、激酶抑制、细胞实验、晶体学）5.2 三个主要苗头化合物 YS1（最优命中）： • LC/MS 蛋白标记：在 1 μM / 2 h 条件下达到接近 100% 共价标记率 • IC₅₀（体外 BTK 抑制）：30 nM • IC₅₀（细胞水平，Mino 细胞）：107 nM（BTK 自磷酸化抑制） • 选择性：激酶组学（362 个激酶，300 nM）仅 6 个激酶抑制 > 40%（3 个为 TK 组家族成员：JAK3 85.1%、BMX 95.3%、TEC 45.6%） • 蛋白质组学选择性：Probe 4 竞争实验中，全细胞蛋白质组（3416 个蛋白）中仅 TEC 激酶显著被竞争 • kinact/KI = 915.85 M⁻¹s⁻¹；kinact = 0.004887 s⁻¹；KI = 5.34 μM YS2： • IC₅₀（体外）：77 μM • 分辨率 1.27 Å 晶体结构（PDB: 9ZLM），RMSD = 0.41 Å • 延伸至 BTK "背口袋"（back pocket），与 Gatekeeper 和 C-helix 之间的空间相互作用 YS3： • IC₅₀（体外）：8.4 μM • AF3 预测与晶体结构存在偏差（约 1 个键旋转的差异），推测与多构象结合模式有关 • 与 CC-292 的结合口袋相似，后者也已知具有多构象 5.3 YS1 的结合模式：全新口袋发现 晶体学揭示了 YS1 与 BTK 结合的独特模式： YS1 并非传统的 front-pocket 或 back-pocket 结合剂，而是从 P-loop（甘氨酸富集环）下方伸入，将其氯代苯基延伸至由以下残基围成的全新亚口袋： • M437（靠近 N-lobe 的 C-helix 附近） • L542 / Y545 / V546（激活环 N 端） 这一结合模式伴随： • P-loop 向开放构象重排（accommodating the ligand） • F413 侧链采取异常朝向（指向 ATP 结合口袋而非激活环） • Y551 未进入"被隔离状态（sequestered state）"，与 front-pocket 抑制剂不同 意义：YS1 的发现拓展了我们对 BTK 可成药口袋的认知，揭示了一个此前未被利用的新亚口袋，为克服 BTK 抑制剂耐药性提供了新的结构基础。5.4 晶体结构验证 AF3 预测精度 化合物 晶体分辨率 PDB ID 配体重原子 RMSD（vs AF3） YS1 1.6 Å 9ZLJ0.50 Å YS2 1.27 Å 9ZLM0.41 Å YS3 ~3.5 Å — 预测有偏差（~1 个键旋转） YS1 AF3 预测还正确判断了环己基的反式（trans）异构体构型。六、深度讨论6.1 AF3 何以优于传统对接？ 结构原因分析： 1. 共价键位点指定：明确指定共价键位点可将 AF3 的结合口袋预测准确率从 81% 提升至 93%（原 AF3 论文数据） 2. 蛋白骨架柔性：AF3 可采样蛋白骨架构象空间，处理 induced-fit 效应。相比之下，传统对接使用固定骨架——当 DOCKovalent 用相同库对 BTK 进行静态结构对接时，YS1 仅排在第 15 百分位（AF3 mPAE 方法排在前 0.05%），且对接构象与晶体结构不符（F413 侧链产生碰撞） 3. 隐蔽口袋采样：AF3 暴露了 YS1 结合的 P-loop 下方新亚口袋 4. E2E 学习的隐性物理知识：Rosetta 重打分 AF3 模型即可优于传统对接，表明 AF3 生成的结构具有足够的物理合理性6.2 mPAE 的本质与局限 为何 mPAE 有效但 mPAE 与亲和力无关？ 这是本文一个深刻且反直觉的发现：mPAE 与结合亲和力（如 IC₅₀、Kd）无显著相关性（Pearson r = 无显著相关），但它能有效区分活性/非活性分子。 作者的解释：mPAE 是一个"粗粒度（coarse-grained）"的分类指标，本质上反映的是配体是否能在预测结合口袋中形成稳定的、几何合理的结合模式，而非结合自由能的精确量化。这与 Masters et al.（2025）的研究结论一致：AF3 等共折叠模型并不依赖精确的物理相互作用来放置配体，而是基于训练集中的统计模式。 选择性预测的局限：交叉对接实验（cross-docking）显示，对于位点相近的激酶（如 BTK、BMX、ITK 等均含有 Cys 在同源位置），mPAE 无法有效区分。因此 mPAE 目前不适用于激酶选择性预测。6.3 实用性的瓶颈与解决方案 速度瓶颈：每个配体约需 266 秒（不含蛋白 MSA 生成的 ~22 分钟），对数十亿量级的超大型虚拟库筛选不可行。 建议的级联筛选策略： 超大型虚拟库（10⁹ 量级）        ↓ 快速传统对接（毫秒/分子）前 10⁶ 候选        ↓ AF3 + mPAE 精筛（~266 s/分子）最终候选（~0.05%）        ↓ 实验合成与验证 弹头多样性限制：本研究仅针对丙烯酰胺弹头（靶向 Cys），无法处理多弹头库中不同亲电试剂反应活性差异的问题。扩展至其他弹头类型（靶向 Ser、Lys、Tyr、His）和其他亲核残基是重要的未来方向。6.4 AF3 的物理局限性 若干研究表明 AF3 存在物理建模的缺陷： • YS3 的错误预测：将疏水基团朝向溶剂，可能反映 AF3 对疏水效应（hydrophobic effect）建模不足（与 Childs et al. 2025 一致） • 共价键几何畸变：AF3 共价共折叠倾向于产生键长/键角几何不合理的共价键，但整体配体姿态仍然准确（结构"补偿"） • 不依赖精确物理相互作用：Masters et al.（2025）的对抗性实验（adversarial experiments）表明，AF3 对结合位点局部突变不敏感 这些局限性提示：将 AF3 的统计学习与物理化学知识（如 Rosetta 能量函数、力场）结合，是未来改进共折叠方法的重要方向。七、与相关工作的比较 研究方向 代表工作 与本文的关系 非共价 VS 基准 DUD-E (2012), DUDE-Z (2021) 本文构建类似的共价 VS 基准（COValid） AF2 辅助 VS Lyu et al., Science 2024 AF2 用于生成靶点结构，仍依赖传统对接；本文直接用 AF3 做 VS 共价 VS 工具 DOCKovalent, DOCK6, AutoDock 本文系统评估并超越这些工具 AF3 配体结合 Stecula et al., Prog. Med. Chem. 2025 本文首次在 VS 富集场景验证 AF3 AF3 物理局限 Masters et al., Nat. Commun. 2025 本文在 VS 场景下发现相同局限，但仍成功应用 Boltz-2 Passaro et al., BioRxiv 2025 在 DUDE-Z 上性能与 AF3 相近八、方法学要点（对实践者的启示）8.1 如何复现/应用本方法 1. 蛋白输入：仅需氨基酸序列（无需晶体结构），AF3 服务器免费可用（alphafoldserver.com） 2. 配体输入：SMILES → 三维构象生成（如 RDKit、OMEGA）→ 指定共价键原子对 3. 关键参数： • mPAE 阈值建议：< 0.9 Å（约 0.05% 命中率，可按需调整） • 相似性过滤：Tc < 0.35（Morgan 指纹）排除与已知抑制剂相似的化合物 4. 计算资源：MSA 生成约需 22 min/蛋白（20 CPU），AF3 推理约 266 s/配体（GPU，型号依赖）8.2 注意事项 • 对于已有大量已知抑制剂的靶点（如 BTK），需严格进行新颖性过滤（novelty filter），避免重发现已知骨架 • mPAE 在同源位点的激酶之间分辨率有限，选择性评估仍需体外实验 • YS3 案例提醒：对 AF3 预测构象存疑时，应进行晶体学验证，不能完全信赖预测结合模式 • 对于共价键几何（键长/键角），AF3 预测可能偏差较大，需结合化学合理性判断九、总结与展望核心结论 本文通过以下五点系统性地证明 AF3 可以实际用于共价药物发现： 1. ✅ 构建了 COValid，填补了共价 VS 基准数据集的空白 2. ✅ 证明 AF3 mPAE 指标在所有测试靶点均大幅优于传统共价对接工具 3. ✅ 证明其优越性不依赖训练数据泄露（消融实验） 4. ✅ 在非共价 VS（DUDE-Z）上同样优于传统方法 5. ✅ 前瞻性发现了全新骨架的 BTK 共价抑制剂 YS1，并通过晶体学验证了 AF3 预测的亚埃精度对领域的影响 • 方法论层面：为 AI 辅助共价药物发现提供了经过充分验证的工作流程 • 药物发现层面：开启了利用蛋白构象柔性进行大规模虚拟筛选的新时代，对传统对接难以处理的柔性靶点尤为重要 • 生物学层面：YS1 揭示了 BTK 的全新结合亚口袋，为克服 BTK 抑制剂耐药性提供新思路未来方向 • 扩展至非激酶靶点的系统性验证 • 开发针对 Ser、Lys、Tyr、His 等其他亲核残基的弹头，配合 AF3 共折叠 • 融合物理化学能量函数改善 AF3 对疏水效应的建模 • 建立 AF3 + 快速对接的级联筛选流程，适配十亿量级超大型虚拟库 • 探索 AF3 建模共价反应中间态（prereaction state）的可行性，以更好捕捉 kinact 相关信息