Salicylic acid

DRUG DISCOVERY METHODOLOGY 新药活性成分是怎么被发现的 从一棵草到一颗药的完整方法论 牧羊人不知道化学。他们只知道一件事：羊吃了这种草，奶多了。 两千年后，化学家也不知道这棵草里有什么。他们只知道另一件事：这种草的提取物，能让血糖降低。 又过了一百年，药理学家终于搞清楚了：草里有一种叫胍（guanidine）的东西在起作用。胍太毒了，但他们把它改造成双胍——再改造成二甲双胍——最终，一个牧羊人的"经验"变成了一颗拯救了1.2亿人的药丸。 这个故事揭示了一个核心问题：人类到底是怎么从一种"经验"出发，一步步找到一种药物的有效成分，并搞清楚它的机制的？ 这不只是二甲双胍的故事。它是一种方法论——人类发现新药活性成分的七种路径。 / 新药活性成分发现方法论 · 七种路径 / ⚗ · 🔬 · ⚗ 开篇：一个核心问题 在进入具体方法之前，先拆解这个问题本身： 🔍 "发现活性成分"到底在说什么？ 任何新药的诞生，都必须回答四个层次的问题： 第一层：什么东西有效？（现象观察）"柳树皮能退烧"——不知道为什么，但观察到了效果。第二层：什么东西在起作用？（活性成分分离）从柳树皮中分离出水杨酸——知道是这个分子在起效。第三层：它怎么起作用的？（作用机制研究）水杨酸抑制COX酶，阻断前列腺素合成——知道分子靶点。第四层：怎么让它更好用？（药物优化）乙酰化水杨酸 → 乙酰水杨酸（阿司匹林）——保留活性、降低毒性。 这四个层次，对应着药物发现的完整链路。今天这篇文章，按照这四个层次，逐一拆解七种发现路径。 ⚗ · 🔬 · ⚗ 路径一：天然产物分离法 🌿 方法论：从植物/微生物中提取有效成分 Natural Product Isolation历史最悠久诺贝尔奖摇篮仍活跃 这是人类最古老的药物发现方式。逻辑非常朴素：某种植物/动物/微生物能治病 → 从里面分离出活性物质 → 纯化 → 鉴定化学结构 → 改造优化。 核心操作流程： 天然产物分离的经典六步 ① 生物材料植物/微生物/海洋生物 → ② 粗提物醇/水/有机溶剂提取 → ③ 活性追踪生物活性测试筛选 ④ 分离纯化色谱法逐步分离 → ⑤ 结构鉴定NMR/质谱/X射线 → ⑥ 活性确认纯化合物验证活性 关键步骤详解： 步骤③ 活性追踪（Bioactivity-Guided Fractionation） 这是整个流程的灵魂 你把植物用溶剂泡了，得到了一大桶"粗提物"。里面有几百种化学成分——哪些在起效？ 方法：把粗提物分成几组（分馏），每组分别去做生物活性测试（比如测试是否能降低血糖、是否能抑制细菌生长）。哪一组有活性，就把那一组再分、再测。反复多次，最终锁定到一个"峰"——一个具体的化合物。 这个过程就像在一座图书馆里找一本特定的书——先把书按楼层分，再按书架分，再按类别分，最终找到那本。 步骤⑤ 结构鉴定 搞清楚这个分子长什么样 分离出纯化合物后，需要确定它的化学结构。常用工具： • 核磁共振（NMR）——原子级别的"CT扫描"，告诉你每个碳、每个氢的位置• 质谱（MS）——告诉你分子量是多少、分子式是什么• X射线晶体衍射——直接"看到"分子的三维结构• 红外光谱/紫外光谱——辅助确认官能团 📋 经典案例：二甲双胍的故事 完整走完天然产物分离的六步 第①步：观察现象 中世纪牧羊人发现：山羊吃了山羊豆（Galega officinalis）后泌乳量增加。欧洲草药学记录了这种植物的多种药用价值。当时不知道为什么有效。 第②步：粗提取 1918年，法国化学家韦雷用溶剂从山羊豆种子中提取粗提物。 第③步：活性追踪 韦雷发现粗提物有降血糖活性。他把粗提物进一步分离，逐步锁定到一种含氮的碱性物质——山羊豆碱（galegine）。活性追踪确认：是这个成分在降糖。 第④步：结构鉴定 通过化学分析，韦雷确定了山羊豆碱的结构——它含有一个关键基团：胍（guanidine）。胍是一种简单的含氮有机碱，化学式HN=C(NH₂)₂。 第⑤步：发现核心活性基团 科学家进一步研究发现：胍本身就有降血糖活性，但纯胍对肝脏和肾脏的毒性太大，无法直接用药。问题变成了——怎么保留降糖活性、去掉毒性？ 答案：把两个胍基团连接在一起，形成"双胍（biguanide）"——毒性显著降低，降糖活性保留。 第⑥步：药物优化 化学家合成了一系列双胍类化合物：• 苯乙双胍（phenformin）——苯环侧链，降糖强但乳酸性酸中毒风险高• 二甲双胍（metformin）——两个甲基侧链，降糖温和、安全性好1957年，让·斯特恩证明二甲双胍在人体中安全有效。六步走完。 二甲双胍的发现链路：牧羊人观察 → 植物提取 → 分离活性成分 → 鉴定胍基团 → 改造成双胍 → 二甲双胍这六个步骤，就是天然产物药物发现的标准范式。 其他天然产物药物发现的经典案例 药物 来源 活性成分 发现过程 青霉素 青霉菌（发霉的面包） 苄青霉素 弗莱明1928年观察到抑菌圈 → 钱恩和弗洛里分离纯化 吗啡 罂粟果 吗啡碱 1804年塞特纳从鸦片中分离 → 人类历史上第一个从植物中分离的纯化合物 紫杉醇 太平洋紫杉树皮 紫杉醇 1960s NCI植物筛选项目 → 1971年分离 → 抗癌机制1979年阐明 青蒿素 黄花蒿 青蒿素 屠呦呦团队1972年从古籍获得灵感 → 乙醚低温提取 → 抗疟活性确认 洛伐他汀 土曲霉 美伐他汀 远藤章1976年从真菌中分离 → 第一个他汀类降脂药 环孢素 真菌Tolypocladium 环孢素A 1970s Sandoz公司筛选微生物产物 → 第一个特异性免疫抑制剂 长春花碱 长春花 长春新碱 1950s NCI筛选 → 革命性抗癌药 ✅ 天然产物的威力 在所有已获批的小分子药物中，约60%直接或间接来源于天然产物。在抗癌药和抗感染药中，这个比例更高——超过70%。 大自然用38亿年的进化做了筛选——能产生活性分子的微生物/植物/海洋生物，都是经过自然选择考验的"化学工厂"。人类的药物化学家要做的，只是去发现和重新设计这些已经存在的分子。 ⚗ · 🔬 · ⚗ 路径二：表型筛选法（整体动物/细胞） 🐁 表型筛选：不问靶点，先看效果 Phenotypic Screening不预设靶点系统性发现高通量化 表型筛选的核心逻辑：不预设任何假设，直接把化合物丢到细胞或动物身上看效果。 你不知道这个化合物的靶点是什么，也不知道它通过什么机制起效。你只是观察——用这个化合物处理后，细胞/动物发生了什么变化？ 经典表型筛选案例：氯丙嗪的发现 1952年，法国外科医生拉博里特不是在找抗精神病药——他是在找一种能降低手术应激反应的药物。他用整体动物表型筛选的方法，测试了几百种化合物对动物行为的影响。 氯丙嗪在动物实验中表现出一种奇特的效应：动物变得异常安静——不是被麻醉了，而是对外界刺激漠不关心。拉博里特把这个现象称为"人工冬眠"。 他不知道氯丙嗪的靶点是什么（D₂受体是几十年后才发现的）。他只看到了表型——动物的行为变化。 现代高通量表型筛选 今天的表型筛选已经自动化、高通量化：在微孔板中培养细胞，用数千种化合物逐一处理，通过高内涵成像系统自动拍摄细胞照片，AI自动分析表型变化（形态、荧光、迁移、死亡……）。 每天可以筛选10万-100万个化合物。 🔬 表型筛选 vs 靶点筛选：两条路线之争 维度 表型筛选 靶点筛选（反向药理学） 逻辑 先看效果 → 再找靶点 先确定靶点 → 再找能结合的分子 假设 无假设，系统性发现 基于对疾病机制的理解 优势 可能发现全新机制的药物 靶点明确，机制清晰 劣势 靶点发现困难，可能发现毒药 受制于已知的靶点知识 代表 氯丙嗪、氯霉素、他克莫司 伊马替尼（格列卫）、西地那非 ⚗ · 🔬 · ⚗ 路径三：靶点导向药物设计（反向药理学） 🎯 先找到"敌人"的弱点，再设计"武器" Target-Based Drug Design理性设计20世纪主流需要靶点知识 表型筛选是"撞大运"——你可能发现一个新药，也可能筛了一百万个什么都没找到。靶点导向设计则是"精确打击"——先搞清楚疾病的分子机制，找到一个关键蛋白质（靶点），然后设计能与这个靶点结合的分子。 经典案例：伊马替尼（格列卫） 1960年，科学家发现了费城染色体——慢性粒细胞白血病（CML）患者的一条染色体异常融合，产生了一个异常蛋白：BCR-ABL融合蛋白（一种持续激活的酪氨酸激酶）。 逻辑链条：BCR-ABL激酶持续发送"细胞分裂"信号→ 白血球疯狂增殖 → CML↓如果能找到一个分子阻断BCR-ABL激酶→ 信号停止 → 白血球不再疯长 → 疾病被控制 诺华公司的化学家布莱恩·德鲁克尔领导团队，设计了一个能精确嵌入BCR-ABL激酶ATP结合位点的小分子——伊马替尼。2001年FDA批准。CML的5年生存率：伊马替尼之前约30%，之后约90%。 靶点发现的工具链 怎么找到一个疾病的"靶点"？ ① 基因组学：比较患者和健康人的基因差异 → 找到突变基因 → 推测突变蛋白是靶点② 蛋白质组学：在患者组织中找到异常高表达的蛋白质③ CRISPR筛选：用CRISPR逐个敲除细胞中的每个基因 → 看哪个基因被敲除后疾病表型消失 → 那就是靶点④ 化学生物学：用活性分子作为"探针"去拉出它结合的蛋白质 → 反推靶点 🔍 从"活性分子"反推靶点：化学生物学方法 有时候你知道一个化合物有效，但不知道它作用于哪个蛋白质。这时可以用亲和层析（Affinity Chromatography）或化学蛋白质组学来反推靶点： 操作：在活性分子上连接一个"钓钩"（生物素标签） → 把它与细胞裂解液混合 → 它会结合到它在细胞中对应的蛋白质上 → 用链霉亲和素珠子把"分子+蛋白质"复合物拉出来 → 质谱鉴定蛋白质 → 靶点找到了。 这就是"钓鱼法"——用你的药物分子当鱼饵，从细胞的几千种蛋白质中"钓"出它的靶点。 ⚗ · 🔬 · ⚗ 路径四：偶然发现（Serendipity） 🎲 意外发现：最好的药物往往不是计划出来的 Serendipitous Discovery不可复制科学史上最浪漫改变历史 科学史上，一些最重要的药物发现完全出于偶然。研究者在做完全不相关的实验时，"意外"发现了活性物质。 药物史上最著名的偶然发现 药物/发现 原始目的 偶然事件 结果 青霉素 弗莱明在研究葡萄球菌 一个发霉的培养皿，霉菌周围的细菌被杀死 抗生素时代开启 西地那非（万艾可） 辉瑞在研发降压药 临床试验中男性受试者拒绝归还药物 勃起功能障碍治疗革命 米诺地尔（落健） Upjohn公司在研发降压药 受试者报告用药后全身毛发变多 外用生发药 沙利度胺（反应停） 作为镇静剂和止吐药上市 1960年代发现严重致畸 催生现代药物安全监管体系 锂盐治疗躁狂 John Cade在研究尿酸 发现锂盐能让躁动的豚鼠安静 第一个情绪稳定剂 肉毒杆菌毒素（Botox） 最初作为生物武器研究 发现注射后肌肉松弛→皱纹消失 医美+多种医学用途 💡 弗莱明与青霉素：偶然中的必然 弗莱明1928年发现青霉素的故事人人都知道。但很少有人注意到：其他科学家在弗莱明之前也观察到过同样的"霉菌抑菌"现象——他们只是把培养皿扔掉了。 弗莱明不同之处在于：他有"准备好的头脑"（Pasteur的名言）。他在发现抑菌现象后，没有扔掉培养皿，而是系统地研究了这种霉菌的抑菌特性。 偶然发现需要两个条件：一是运气（意外发生了），二是能力（你能识别并抓住这个意外）。 ⚗ · 🔬 · ⚗ 路径五：计算机辅助药物设计（CADD） 💻 虚拟筛选：在电脑里找药 Computer-Aided Drug Design虚拟筛选成本低速度快需要靶点结构 当你知道了靶点的三维结构（通过X射线或冷冻电镜），你就可以在计算机上虚拟筛选数百万个化合物——看哪些分子能在三维空间上完美嵌入靶点的"口袋"。 操作流程 ① 获得靶点蛋白的三维结构（晶体结构/Cryo-EM结构/AlphaFold预测结构）② 在靶点表面找到"可成药位点"（Druggable Site）——通常是蛋白质的一个凹陷口袋③ 从包含数百万化合物的虚拟库中，用计算机逐一"对接"（Docking）到这个口袋④ 打分排序——结合能最高的前几百个分子被选中⑤ 回到实验室，购买或合成这几百个分子，做实际的活性测试 虚拟筛选的命中率 传统高通量筛选（HTS）：在100万个化合物中，活性命中率通常<1%虚拟筛选：在100万个化合物中先筛出500个 → 这500个的命中率可达10-30%虚拟筛选把"大海捞针"变成了"小池捞鱼"。 ⚗ · 🔬 · ⚗ 路径六：AI驱动的药物发现 🤖 生成式AI：从"筛选"到"设计" AI-Driven Drug Discovery2025最前沿速度×100正在改变行业 传统方法（天然产物分离、表型筛选、虚拟筛选）都是在已有的分子空间中"寻找"。AI药物设计则是"创造"——从头生成全新的、自然界中从未存在过的分子。 Insilico Medicine 的 ISM001-055 案例 AI从零设计的第一个药物分子 第一步：AI发现靶点Insilico的AI系统（PandaOmics）分析了数十亿篇文献、数百万基因表达数据集，自动识别出TNIK（Traf2和Nck相互作用激酶）是特发性肺纤维化的新靶点。 第二步：AI设计分子另一个AI系统（Chemistry42，基于生成式模型）从头设计了能与TNIK结合的全新分子。不是从现有分子库中挑选，而是由AI"凭空生成"——就像ChatGPT生成文字一样，生成式AI"写出"分子结构。 第三步：验证AI设计的分子被合成出来后，在体外和动物模型中验证了活性和安全性。2023年进入II期临床。 时间线：靶点发现到临床候选分子 → 18个月、270万美元传统方法：4-5年、数千万美元 AI药物发现的技术栈 技术 做什么 代表工具/公司 知识图谱/LLM 从文献中挖掘靶点 BenevolentAI、PandaOmics 分子对接AI 预测分子与靶点的结合模式 AlphaFold、RoseTTAFold 生成式AI 从头设计全新分子结构 Chemistry42、REINVENT、MolGPT ADMET预测 预测分子的毒性/代谢/吸收特性 ADMET-AI、pkCSM AlphaFold 预测蛋白质三维结构 DeepMind（2024诺贝尔化学奖） ⚗ · 🔬 · ⚗ 路径七：基因驱动的药物发现 🧬 从基因到药物：反向遗传学 Genetics-Driven Drug Discovery精准靶点人类遗传学GWAS时代 当一个基因的突变直接导致疾病时，这个基因编码的蛋白质就是天然的药物靶点。这种"基因→靶点→药物"的路径，被称为基因驱动的药物发现。 经典案例：PCSK9抑制剂 发现线索：2003年，科学家在德克萨斯州一个家族中发现了一种罕见的基因变异——PCSK9基因功能缺失突变。携带这种突变的人，LDL胆固醇极低，几乎不患心血管疾病。而且他们完全健康——说明PCSK9在正常生理中不是必需的。 逻辑推导：PCSK9基因缺失 → LDL胆固醇↓ → 不得心脏病 → PCSK9是好靶点↓如果我能用药物阻断PCSK9的功能→ 模拟这种"幸运的基因缺陷" → 降低LDL胆固醇 结果：多家药企开发了PCSK9抑制剂（依洛尤单抗evolocumab、阿利西尤单抗alirocumab），注射后LDL胆固醇降低50-60%。2015年FDA批准。 全基因组关联研究（GWAS） 现代的基因驱动药物发现不再依赖单个家族——而是通过GWAS分析数十万人的基因组数据，找到与疾病相关的基因位点。每发现一个与疾病强相关的基因变异，就是一个潜在的药物靶点。截至2025年，GWAS已经发现了超过10万个与人类疾病相关的基因位点。其中只有不到200个被开发成了药物——这意味着巨大的未开发空间。 ✅ 基因驱动法的黄金法则 人类遗传学提供了一个"靶点验证捷径"： 如果自然界的基因变异已经证明了——抑制某个蛋白质对人类是安全的——那么开发针对这个蛋白质的药物，成功率会高2-3倍，临床试验失败率会低50%以上。 这就是为什么辉瑞、诺华等大药企都在大规模投资人类遗传学——人类自身就是最好的"临床前实验"。 ⚗ · 🔬 · ⚗ 七条路径的全景对比 七种药物活性成分发现方法论 方法 逻辑 需要的前提 优势 劣势 ① 天然产物分离 从自然界中提取 有效的天然来源 大自然38亿年筛选 产量低、分离困难 ② 表型筛选 先看效果再找靶点 可靠的细胞/动物模型 可能发现全新机制 靶点发现困难 ③ 靶点导向 先找靶点再设计分子 靶点结构/功能已知 理性设计、效率高 受制于已知知识 ④ 偶然发现 意外中发现 运气+识别能力 往往开辟全新领域 完全不可复制 ⑤ CADD 计算机虚拟筛选 靶点3D结构 低成本、高速度 需要实验验证 ⑥ AI设计 AI从头生成分子 大量训练数据 设计全新化学空间 合成/ADMET验证 ⑦ 基因驱动 从人类遗传到靶点 GWAS/家系数据 靶点已自然验证 只覆盖有遗传线索的疾病 二甲双胍的胍：天然产物分离（路径①）格列卫的BCR-ABL：靶点导向设计（路径③）万艾可：偶然发现（路径④）ISM001-055：AI驱动（路径⑥）PCSK9抑制剂：基因驱动（路径⑦）每一种方法都在不同的时代、不同的条件下，为人类找到了新的药物。 ⚗ · 🔬 · ⚗ 终章：七条路，一个终点 发现新药活性成分的过程，本质上是在回答一个问题：大自然（或我们自己）能不能设计出一个分子，精确地干预人体的某个故障？ 七条路径代表了七种不同的哲学： ① 向自然学习——38亿年的进化已经做了筛选② 放下预设——先看效果，再解释原因③ 精确打击——先找到弱点，再设计武器④ 拥抱意外——最好的发现往往不是计划出来的⑤ 计算先行——在虚拟世界先筛一轮⑥ 创造全新——AI设计自然中从未存在的分子⑦ 读基因天书——人类自身就是最好的实验 这七条路径不是互相替代的，而是互相补充的。现代药物研发往往同时使用多种方法——用AI筛选虚拟化合物，用基因验证靶点，用天然产物寻找灵感，用表型筛选验证整体效果。 从牧羊人到AI，方法变了。但那个核心问题从未改变：这棵草里，到底有什么在起作用？ ⚗ 新药活性成分是怎么被发现的 七种发现路径 · 从一棵草到一颗药的完整方法论