Alisertib

导读：同一种癌症、同一种药，不同患者的疗效却可能天差地别。要在成百上千种抗癌药中为特定肿瘤挑出最合适的那一种，是精准肿瘤学的核心难题。近日，韩国东国大学（Dongguk University）生命科学系 Hyeon Jun Yoon 与 Minho Lee 团队在 Communications Biology 发表研究，提出了一个名为 GCNPath 的新型深度学习模型。该模型把细胞里的基因通路抽象成一张张"网络图"，再利用图卷积网络（GCN）来预测癌细胞对不同药物的反应，在多个严格盲测场景中都取得了与现有最先进方法相当甚至更优的成绩，并且首次系统地评估了此类模型在跨平台、跨数据集场景下的稳健性。 一、研究背景 抗癌药物研发面临一个尴尬的现实：在培养皿里表现优异的药物，到了患者体内却常常失效。这背后的核心原因在于肿瘤的高度异质性——即使是同一种癌症，不同患者的基因突变、基因表达模式都可能截然不同，从而导致对同一药物的反应完全不同。 为了解决这个问题，科学界建立了多个大型公开数据库，比如 GDSC（癌症药物敏感性基因组学数据库）和 CCLE（癌症细胞系百科全书）。这些数据库记录了数百种抗癌药在数百个癌细胞系上的疗效数据，为训练人工智能模型提供了宝贵的素材。近年来，涌现出 tCNNS、GraphDRP、TGSA、DRPreter、PaccMann、HiDRA 等一系列基于深度学习的药物反应预测（Drug Response Prediction, DRP）模型。 但这个领域长期存在两个被忽视的问题。 第一，缺乏系统性的"盲测"评估。一个模型在训练时见过的细胞系和药物上表现再好，也不能说明它能处理全新的情况。真正考验模型实用性的，是它能否预测一个完全没见过的细胞系对一种完全没见过的药物的反应（即"严格盲测"）。更令人担忧的是，很少有研究用真实临床数据（如 TCGA 患者数据）去验证这些模型。 第二，不同实验室测出的基因表达数据存在"批次效应"——就像不同品牌的秤称同一件物品读数会不一样。如果一个模型只在某一家实验室的数据上训练，换一个数据来源它可能就失灵了。如何预处理基因表达数据以消除这种技术偏差，此前一直没有明确答案。 GCNPath 就是为解决这两个痛点而生的。二、核心创新：把"通路"变成图，让 AI 读懂基因之间的"社交网络" GCNPath 最核心的思想，是把细胞内复杂的基因调控关系抽象成一张"通路交互网络"（Pathway Crosstalk Network, PCN）图，然后用图神经网络去挖掘其中的规律。 打个比方：传统方法把每个细胞看作一堆孤立的基因表达数字，就像看一个城市里每个路口的车流量。而 GCNPath 则把基因通路想象成城市里的地铁线路，每条线路（通路）不是孤立运行的，而是与其他线路有换乘站（crosstalk）。通过分析整张"地铁图"的拓扑结构，模型可以捕捉到传统方法看不到的高阶信息。 具体来说，GCNPath 的两大创新点是： ·通路级图表示：它整合了三类先验生物学知识——蛋白质相互作用网络（来自 STRING 数据库）、基因调控网络（来自 RegNetwork）、通路活性相关性——把原本动辄两万个基因的表达数据压缩成 292 条 BIOCARTA 通路的活性分数，并构建这三类通路之间的连接图。这一步同时实现了"降维"和"生物学知识注入"。 ·双重图神经网络架构：细胞端用关系图卷积网络（RGCN）处理 PCN 图，药物端用图注意力网络（GAT）处理药物分子的原子-化学键图，两者拼接后共同预测药物反应。这种设计让模型既能理解细胞的"生物背景"，又能理解药物的"化学结构"。三、模型架构详解3.1 基础理论：什么是图卷积网络 图卷积网络（Graph Convolutional Network, GCN）是一类专门处理"图结构"数据的深度学习模型。在普通神经网络里，输入数据是规整的表格或图像；但在真实世界中，很多数据天然就是图——社交网络、分子结构、蛋白质相互作用，都是节点加边的图结构。GCN 的核心操作是让每个节点"听一听"邻居节点的信息，然后更新自己的状态，经过多轮信息传递后，整个图的全局特征就被编码进了每个节点里。 GCNPath 用到的两个变体各有侧重： ·RGCN（关系图卷积网络）：普通 GCN 假设所有边都是同一种关系，而 RGCN 能区分"这是蛋白质相互作用"、"这是基因调控"、"这是活性相关"等不同类型的边，非常适合 PCN 这种融合了多种生物学关系的网络。 ·GAT（图注意力网络）：在分子图里，并非所有原子都同等重要。GAT 引入"注意力机制"，让模型自动学习哪些原子和化学键对药效贡献最大，从而聚焦于关键结构。3.2 整体架构 图1 | GCNPath 的工作流程。a 数据处理：将细胞系的基因表达数据通过 GSVA 转化为 292 条 BIOCARTA 通路的活性分数，再结合 STRING 蛋白互作网络、RegNetwork 基因调控网络和通路活性相关性，构建三张通路交互网络（PCN）图；药物则被表示为原子-化学键图。b 模型架构：细胞模块使用三层 RGCN 处理 PCN 图，药物模块使用三层 GAT 处理分子图，两者的输出拼接后经全连接层预测药物反应（以 ln(IC50) 衡量）。c 测试场景：从宽松的"已知细胞+已知药物"到最严苛的"全新细胞+全新药物"（严格盲测）四种设定。 这张图是理解整篇论文的钥匙。左侧是数据流向：细胞的 RNA 测序数据经过 GSVA（基因集变异分析）转化为 292 条通路的活性分数，每张 PCN 图就是 292 个节点加上它们之间的连接关系。右侧是模型架构：细胞图进入 RGCN，分子图进入 GAT，两路信息汇合后输出最终的药物敏感性预测。3.3 训练与基准设计 模型在 GDSC1、GDSC2 以及两者合并（GDSC1+2）三个版本的药敏数据上分别训练，目标标签是 ln(IC50)——使一半细胞死亡所需的药物浓度的自然对数。评估指标采用 RMSE（均方根误差）、PCC（皮尔逊相关系数）和 SCC（斯皮尔曼相关系数）。 为了确保公平对比，研究团队把所有模型放在四种盲测场景下系统评估：无盲测（训练集和测试集细胞、药物都有重叠）、细胞盲测（测试集是全新细胞系）、药物盲测（测试集是全新药物）、严格盲测（细胞和药物都是全新的）。参与对比的包括 GraphDRP、tCNNS、PaccMann、HiDRA、TGDRP、TGSA、DRPreter 等主流深度学习模型，以及 Random Forest 和 BMTMKL 两种传统机器学习方法。四、实验结果：在严苛盲测中脱颖而出4.1 消融实验：图结构确实有用 研究者首先做了一个关键的"拆解"实验：如果把 GCN 换成普通的全连接网络（FCN），性能会掉多少？ 图2 | 细胞模块和药物模块的消融测试。a 在细胞模块中，使用 PCN 图结构的 GCN 架构（深蓝色）在三种盲测场景下都显著优于使用普通全连接网络的 FCN 架构（浅蓝色）；扰动 PCN 图的边（Pert）或加入噪声（Noise）会导致性能下降，证明图结构本身携带了有意义的生物学信息。b 在药物模块中，处理分子图的 GAT 架构同样优于处理一维指纹特征的 FCN 架构。横轴上标注 "[DE]" 的是论文最终采用的默认架构。 这个实验回答了一个根本问题：图结构带来的提升是真实的，而不是参数更多带来的假象。当研究者把 PCN 图里的连接关系随机打乱后，模型性能明显下降——这说明图里的"谁和谁相连"确实编码了有价值的生物学知识。4.2 多种盲测场景下的全面对比 图3 | GCNPath 与其他主流 DRP 模型在四种盲测场景下的性能对比。a 无盲测、b 细胞盲测、c 药物盲测、d 严格盲测。纵轴为 RMSE，越低越好。深蓝色为 GCN 类模型，浅蓝色为非 GCN 类模型，GCNPath 用更深的蓝色高亮显示。 可以看到几个关键现象： ·在最宽松的无盲测场景下，各模型差距不大，GCN 类模型（GCNPath、TGDRP、TGSA、DRPreter）整体优于非 GCN 类模型。 ·随着盲测条件变严格，所有模型性能都下降，但 GCNPath 下降得最慢，在细胞盲测、药物盲测和严格盲测中都取得了最低或接近最低的 RMSE。 ·传统方法 Random Forest 和 BMTMKL 在细胞盲测中还能一拼，但在药物盲测和严格盲测中明显落后，说明深度学习方法在泛化到全新药物时具有不可替代的优势。 ·只在药物端使用 GCN 的 GraphDRP 反而表现欠佳，印证了"细胞端也需要图结构"的设计哲学。4.3 跨平台、跨数据集稳健性 真实应用场景中，要预测的新样本往往来自其他实验室、其他测序平台。模型能否扛得住这种"分布偏移"？ 图4 | 模型在 ChEMBL 外部测试集上的表现。a-c 使用训练时的原始组学数据作为输入；d-f 把基因表达数据替换为来自外部数据集（GDSC、CCLE、SANGER）的版本。绿色三角表示对应的 RNA 数据集来源。 ChEMBL 是一个比 GDSC 化学空间更广阔的公开药敏数据库。在 ChEMBL 外部测试中，GCNPath 仅次于 HiDRA 位列第二，但在用外部细胞系数据替换训练表达数据的更严苛场景下（图4 d-f），GCNPath 一致地取得最佳性能，而 HiDRA 和 PaccMann_SG 则明显落后。这说明 GCNPath 的通路级特征表示对"换数据源"这种现实挑战具有更强的稳健性。 为什么 GCNPath 更抗批次效应？秘密在于它的特征工程——GSVA。 图5 | 不同特征预处理方法对三种来源（SANGER、CCLE、GDSC）的 404 个相同细胞系基因表达数据的影响。a 不做归一化、b ArcSinh 变换、c 样本内标准化、d 基因间标准化、e ssGSEA、f 不做跨样本归一化的 ssGSEA、g GSVA、h singscore、i stingscore。理想情况下，来自不同平台的同一细胞系应该在 PCA 图上重叠在一起。 主成分分析（PCA）结果显示，未处理的原始数据中三个平台各自为政（图5 a）；而 GSVA（图5 g）和基因间标准化（图5 d）能把不同来源的同一细胞系对齐到一起。值得注意的是，ssGSEA、singscore 等其他通路级方法的效果不如 GSVA，这也是 GCNPath 选择 GSVA 的原因。4.4 临床数据上的初步验证 细胞系毕竟不等同于患者。研究团队进一步在 TCGA 临床数据上测试了 GCNPath 区分"应答者"和"无应答者"的能力。 图6 | 在 TCGA 临床数据上的表现（未做批次校正）。a 各模型在 11 种药物上的效应量与显著性，越靠右上角代表既能显著区分应答者又效应量大。b 各模型预测的应答者与无应答者的 ln(IC50) 分布。c 肿瘤组织与匹配正常组织之间预测反应差异的比较。 GCNPath 在 5 种药物上显著区分了应答者与无应答者：氟尿嘧啶（P = 6.3×10⁻¹⁵）、吉西他滨（P = 1.5×10⁻²）、索拉非尼（P = 4.9×10⁻⁴）、顺铂（P = 1.1×10⁻²）和替莫唑胺（P = 1.3×10⁻⁷），是所有模型中表现最好的。更有意义的是，图6c 显示 GCNPath 预测的"肿瘤-正常组织反应差异"在应答者中显著大于无应答者（P = 1.1×10⁻⁵），提示模型确实捕捉到了与临床疗效相关的生物学信号。4.5 在结直肠癌、乳腺癌和小细胞肺癌中的生物学解读 一个好模型不仅要预测得准，还要"讲得出道理"。研究者在三种癌症中验证了 GCNPath 的预测是否符合已知的生物学机制。 图7 | GCNPath 在结直肠癌和乳腺癌中的预测与已知生物标志物的关联。a 结直肠癌：VEGFR 抑制剂（Fruquintinib、Regorafenib）的预测敏感性与 VEGF 通路活性呈负相关（即通路越活跃，药物越有效）；BRAF V600E 突变型细胞对 Encorafenib 更敏感。b 乳腺癌：HER2 阳性亚型对 Lapatinib 更敏感，BRCA1/2 突变型对 PARP 抑制剂（Olaparib、Talazoparib）更敏感。 可以看到，GCNPath 的预测与已知临床知识高度一致——抗 VEGFR 药物在 VEGF 通路活跃的细胞里更有效，BRAF 突变的细胞对 BRAF 抑制剂更敏感，HER2 阳性乳腺癌对 HER2 抑制剂更敏感，BRCA 突变肿瘤对 PARP 抑制剂更敏感。尤其值得注意的是，GCNPath 的输入中并没有突变信息，却能通过基因表达模式间接捕捉到 BRAF V600E 和 BRCA1/2 突变带来的药物敏感性差异。 图8 | GCNPath 在小细胞肺癌（SCLC）中的应用。a 72 个 SCLC 细胞系中，三种获批疗法（依托泊苷、顺铂、Lurbinectedin）和三种新兴抗体药物偶联物（PBD、Deruxtecan、Calicheamicin）的预测敏感性与已知靶点或耐药标志物的关联。b 在 NMF 分子亚型（NMF1-NMF4）中，NMF3 亚型对 RTK 抑制剂 Anlotinib 更敏感，NMF4 亚型对 AURKA 抑制剂（Alisertib、Barasertib、AMG-900）更敏感。c 在蛋白质组数据上的迁移能力：仅用转录组数据训练的模型，其预测与蛋白质组数据的 GSVA 分数也高度相关（r = 0.580 ~ 0.825）。 小细胞肺癌是一种侵袭性极强的神经内分泌肿瘤，长期缺乏有效的精准治疗手段。GCNPath 不仅成功复现了已知的耐药机制（如 MET 通路与依托泊苷耐药、AKT 通路与顺铂敏感性），还预测出 NMF3 亚型对 Anlotinib 敏感、NMF4 亚型对 AURKA 抑制剂敏感——这与 Liu 等人最近的临床研究发现一致。更令人惊喜的是图8c：模型虽然只在转录组数据上训练，但用蛋白质组数据做输入时预测依然高度相关，这为将来在蛋白质组学层面应用该模型打开了大门。五、讨论与结论 GCNPath 的贡献可以归纳为三点。 第一，方法论上，它首次将通路交互网络（PCN）与图神经网络结合用于药物反应预测，证明了"通路之间的串扰"这一此前难以利用的生物学信息确实能提升模型性能。 第二，评估上，它建立了迄今最系统的 DRP 模型基准测试之一，覆盖四种盲测场景、三个 GDSC 版本、ChEMBL 外部测试、TCGA 临床数据以及多平台基因表达数据，为后续研究树立了新标准。 第三，实用性上，GCNPath 在严苛的严格盲测和跨平台场景下都表现稳健，并且在三种癌症中复现了已知的药物-生物标志物关系，还在小细胞肺癌中给出了与最新临床发现一致的新预测。六、局限性 研究团队也坦诚地讨论了 GCNPath 的不足。 ·药物盲测和严格盲测仍是短板：尽管 GCNPath 在这些场景下领先，但所有模型的绝对性能都不高，说明"预测全新药物的反应"仍是整个领域的难题。 ·训练数据仅限于单药治疗：模型无法直接预测联合用药的效果，而临床上联合化疗才是常态。 ·对少数患者使用的药物预测不准：在 TCGA 验证中，使用人数较少的药物由于样本量不足，预测性能明显下降。 ·非癌细胞系数据稀缺：训练数据几乎都是癌细胞系，模型对正常组织的毒性预测能力尚未充分验证。七、未来方向 作者指出了几个值得探索的方向：引入药物靶点信息以改善药物盲测性能；整合更多组学数据（如蛋白质组、表观基因组）；扩展模型以支持联合用药预测；以及在更大规模的临床队列中验证。结语 GCNPath 用一张"通路地铁图"把零散的基因表达数据组织成有意义的生物学结构，为抗癌药物反应预测提供了一种兼顾准确性、稳健性和可解释性的新范式。它不仅是 DRP 模型家族的有力新成员，更重要的是为这个领域建立了更严格、更贴近真实应用场景的评估标准。 参考文献 Yoon HJ, Lee M. GCNPath: introspecting drug response prediction with pathway-guided graph convolution networks. Communications Biology, 2026, 9: 720. DOI: 10.1038/s42003-026-09957-5 往期文章 PrePR-CT：用细胞特异图谱网络破解小数据药物反应预测难题 CMonge：一个条件最优传输框架实现普适性单细胞扰动预测｜Nature Machine Intelligence Nature Methods：空间转录组也能跨组学翻译？NicheTrans用Transformer填补空间多组学的技术鸿沟 Nature methods：长读长测序的SNV检测难题，终于被这个轻量级模型解决了 Nature Methods ：蛋白质亚细胞定位预测，目前到底研究到什么程度了？ Nature 子刊【Nature Machine Intelligence】：多模态 AI 模型MIDAS 系统挖掘免疫治疗新靶点 Cell 重磅：基因调控驱动的单细胞动态模型 RegVelo 问世，破解细胞命运决定的因果机制 Missense3D：预测错义变异在蛋白质三级结构及二元复合物中引起的结构变化 Nature Methods 顶刊背书：40 种单细胞多模态整合方法大测评，不同数据场景该选谁？ Nature Methods | 重磅！cellSTAAR：攻克细胞异质性，非编码罕见变异研究的 “新神器” 重磅！Nature 子刊新突破：scPEFT 让单细胞大语言模型 “轻装上阵”，跨物种研究效能翻倍 重磅！Nature Methods 新工具 Squidiff：精准预测细胞命运与多场景扰动响应 Nature methods：CellVoyager AI Agent，自主解锁单细胞数据的隐藏洞见 找预后关键细胞亚群不用愁了！Nature 子刊新作 scSurvival，一键搞定单细胞生存分析 Nature Methods重磅：DeepMVP深度学习框架精准锁定蛋白质修饰位点与致病变异 【Nature Methods】PUPS：单细胞水平蛋白质亚细胞定位预测 scMultiSim：基于基因调控网络和细胞间相互作用的单细胞多组学及空间数据模拟 重磅！空间机械转录组学计算框架，开启生信新篇章 scNET：整合scRNA-seq和PPI用于学习基因和细胞的embedding DeepSurv：一种基于深度神经网络的 Cox 比例风险模型方法 重大发现：nature和science同时报道科学界发现全新未知生命实体“方尖碑(obelisks)” scGHOST:鉴定单细胞3D基因组亚区室 CaNDis | 一个用于探索疾病、药物和药物靶标之间因果关系的在线工具 B站视频合集 加入生信学习交流群 经    典    栏    目

最近，来自中科院上海药物所中山研究院的陈铁根研究员联合暨南大学张章副研究员、彭丽洁副研究员等在药物化学TOP期刊J Med Chem. 上发表了题目为“Discovery of a Highly Subtype-Selective AURKA PROTAC Degrader (CT3) with Superior Activity to the Inhibitor for Hematological Malignancies”的研究论文，报道了首个基于变构位点的高亚型选择性AURAK PROTAC降解剂，细胞活性显著优于抑制剂，体内展现出潜在白血病治疗活性，并能同时抑制AURKA的激酶和非激酶功能。对于理解AURKA的功能以及药物开发具有重要意义，提供了重要工具分子和先导分子。 导读  AURKA 抑制剂的两个「老大难」 AURKA（Aurora 激酶 A）是一种在细胞有丝分裂中至关重要的丝氨酸/苏氨酸激酶，它的异常会驱动肿瘤发生，在血液肿瘤等多种癌症里是热门抗癌靶点。 但传统的 ATP 竞争性 AURKA 抑制剂（如已进入临床的 MLN8237/alisertib、AK-01、MK-5108）有两个"老大难":(1) 亚型选择性差——AURKA 与 AURKB、AURKC 的催化域高度相似，小分子很难只抑制其中一个，脱靶会带来毒性;(2) 封不住「非催化功能」——AURKA 不仅靠激酶活性致癌，还通过与 TPX2、c-MYC 等蛋白的相互作用促癌，单纯抑制酶活性堵不住这条路。 本文的思路是把"抑制"升级为"降解":基于一个变构（allosteric）抑制剂 CAM2602（它结合 AURKA-TPX2 的变构口袋，对 AURKA 的选择性是 AURKB 的 1000 倍以上）+ CRBN 招募配体，做成 PROTAC 降解剂。作者由此发现了 CT3——一个高度亚型选择性的 AURKA 降解剂。 一图读懂 ① 设计:把高选择性变构抑制剂 CAM2602 接上 CRBN 配体（来那度胺）做成 PROTAC，系统优化 linker 后得到 CT3。 ② 强效选择:CT3 降解 AURKA 的 DC50=25.6 nM、Dmax=88%，对 AURKB/AURKC 的选择性 >40 倍。 ③ 全面制敌:CT3 既降酶活、又封住 AURKA 与 TPX2/c-MYC 的"非催化"相互作用，抗增殖活性约为母体抑制剂的 10 倍。 ④ 体内有效:在 Jurkat 白血病异种移植模型中肿瘤抑制率（TGI）达 48.5%，体重无明显下降。 01  设计:从变构抑制剂到 PROTAC 图1 汇总了背景:(A) 三个已进临床的 ATP 竞争性 AURKA 抑制剂;(B) 变构抑制剂 CAM2602;(C) 已报道的多个 AURKA 降解剂。它们大多基于 ATP 竞争性抑制剂设计，选择性仍待提高。 图1. 选择性 AURKA 抑制剂与降解剂的化学结构。(A) ATP 竞争性抑制剂 MLN8237（III 期）、AK-01（II 期）、MK5108（I 期）;(B) 变构（PPI）抑制剂 CAM2602;(C) 已报道的降解剂 JB170、JB300、HLB-0532259、SK2188、SK5527、CCT400028、M9101。 关键设计点在图2:CAM2602-AURKA 的晶体结构（PDB: 8C1K）显示，CAM2602 磺酰胺上的 N,N-二甲基基团朝向溶剂、不与蛋白发生特异作用——这正是理想的 linker "出口"。作者把它改造成哌嗪环用于连接 CRBN 配体（来那度胺），再系统优化 linker 的长度、连接位点与化学组成。 图2. AURKA PROTAC 的设计。(A) AURKA-CAM2602 复合物晶体结构（PDB: 8C1K），红圈标出朝向溶剂的 N,N-二甲基基团（"solvent-exposed"）。(B) 由 CAM2602（作为 AURKA 结合弹头）+ 哌嗪/linker + 来那度胺（CRBN 配体，品红色）组装出 AURKA PROTAC 降解剂。 02  linker 优化:CT3 脱颖而出 作者合成了 21 个化合物（CT1–CT21），考察 linker 的长度、连接位点与化学组成（合成路线见 Scheme 1、2）。规律很清晰:linker 太短没活性、太长又掉活性，只有中等长度的碳链恰到好处——CT3（−CO−(CH₂CH₂)₃CH₂− 连在来那度胺的 5′ 位）成为最强的 AURKA 降解剂:300 nM 下把 AURKA 降 80%，Jurkat 细胞 IC₅₀=0.81 μM，约为母体抑制剂 CAM2602（8.45 μM）的 10 倍。改动羰基、换 PEG、引入酰胺或刚性含氮杂环，降解活性都不及 CT3。 Scheme 1. CT1–9、13–21 的合成路线（下方列出各化合物的 linker 位置与结构）。以 1a/1b 为关键中间体，经磺酰化、脱保护、与不同 SCT-n（来那度胺衍生物）偶联得到系列 PROTAC。反应条件见图注。 Scheme 2. CT10–12 的合成路线。经亲核取代把不同 linker 的来那度胺衍生物接到中间体 1d 上（反应条件:Na₂CO₃、NaI、DMF、80°C）。 表1（节选）. 代表性化合物的 AURKA 降解与抗增殖活性化合物linker 特点AURKA降解(300nM)IC50(μM)CT1最短炔-酸 linkerND>10CT2+2 个碳65%1.57CT3−CO−(CH₂CH₂)₃CH₂−（中等碳链，5′）80%0.81CT4+1 个碳72%3.96CT5再加长37%>10CT6更长9%7.89CT10亚甲基替代羰基32%>10CT11 / CT12PEG 链38% / 51%>10CAM2602母体变构抑制剂ND8.45JB170已报道降解剂16%2.68 注:CT3 行以橙色标出。ND=未检测到降解;IC50 为 Jurkat 细胞 CCK8。完整 21 化合物数据见原文 Table 1。 03  CT3 强效、快速、剂量/时间依赖降解 AURKA CT3 对 AURKA 的降解剂量依赖(图3A,B):DC₅₀=25.6 nM、最大降解 Dmax=88%（1000 nM 达到）。也时间依赖:1 h 即见降解、8 h 达峰(图3C)。用蛋白合成抑制剂 CHX 追踪，AURKA 半衰期约 2.6 h，而加 CT3 后骤缩到 0.4 h(图3D,E)。RT-qPCR 显示 CT3 并不降低 AURKA 的 mRNA（反而反馈上调）——证明它是在蛋白层面降解，而非抑制转录(图3F)。 图3. CT3 在 Jurkat 细胞中对 AURKA 的降解特性。(A,B) 剂量依赖降解，DC50=25.62±0.74 nM、Dmax=88%。(C) 100 nM CT3 的降解时程。(D,E) CHX 追踪:AURKA 半衰期由 2.6 h 缩短至 0.4 h。(F) CT3 不降低 AURKA mRNA（反有反馈上调）。均值±SD，n=3。 04  机制:走泛素-蛋白酶体通路 图4 确认了降解机制:CT3 诱导的 AURKA 降解可被多种抑制剂救回——CAM2602（竞争 AURKA 结合）、MLN4924（抑制 NEDD8 活化/neddylation）、MG132（抑制蛋白酶体）、以及来那度胺（竞争 CRBN）——说明降解依赖 CRBN–泛素–蛋白酶体系统（UPS）。免疫共沉淀进一步显示 CT3 增加了 AURKA 的泛素化。（作者还做了一个 CRBN 失活的阴性对照 CT3-CRBi，如预期无降解活性。） 图4. CT3 的降解机制。(A–D) 分别用 CAM2602、MLN4924、MG132、来那度胺预处理后再加 CT3 的 AURKA western blot——四者均能救回降解。(E) A–D 的定量。(F) CT3（100 nM，2 h，MG132 存在下）诱导 AURKA 泛素化（IP-AURKA 检测 Ub）。 05  高度亚型选择性:只降 AURKA 这是 CT3 最大的亮点(图5):它只降解 AURKA，对高度同源的 AURKB、AURKC 几乎不动（western + 定量确认，选择性 >40 倍）。全蛋白质组定量（5408 个蛋白）中，只有包括 AURKA 在内的 11 个蛋白显著下调，而 AURKB 无变化;CT3 也不诱导 GSPT1、CK1α、IKZF3 等常见"脱靶新底物"的降解——选择性极高。 图5. CT3 选择性降解 AURKA。(A) western blot:CT3 降解 AURKA，而 AURKB、AURKC 不受影响。(B) 定量蛋白质组火山图（100 nM CT3 vs DMSO，6 h）:AURKA 显著下调（红），AURKB 无差异（蓝）。 06  抗增殖优于母体，且与降解/CRBN 相关 在 6 种肿瘤细胞中(图6)，CT3 的抗增殖活性与 AURKA 降解程度和 CRBN 表达密切相关。对 CRBN/AURKA 高表达的敏感细胞(IMR-32 IC₅₀=2.12、MV4-11 3.74、Molt4 4.46 μM)，CT3 明显强于母体 CAM2602（在 Molt4、MV4-11 中约 6–7 倍）;而对 CRBN 低表达的 AGS（DC₅₀>1000 nM）几乎无降解、也不敏感。DC₅₀:MV4-11 30 nM、Molt4 46 nM、IMR-32 49 nM、K562 158 nM。 图6. CT3 的抗增殖活性依赖 AURKA 降解。(A) CT3 与 CAM2602 在 5 种细胞的活力曲线与 IC50。(B,C) 各细胞的 AURKA 降解 western 与 DC50 曲线。(D) 各细胞 AURKA、CRBN 表达:AGS 的 CRBN 最低、对降解与增殖抑制均不敏感。 07  封住 AURKA 的「非催化功能」 降解相比抑制的独特优势:能一并"拔掉"AURKA 的非催化（支架）功能。AURKA 会与 TPX2 结合促其入核、并稳定 c-MYC、激活其转录，从而驱动致癌信号。图7 的免疫共沉淀显示:CT3 显著削弱了 AURKA 与 TPX2、以及与 c-MYC 的相互作用，并降低 c-MYC 蛋白水平——这是单纯抑制酶活性做不到的。 图7. CT3 破坏 AURKA 的非催化功能。(A) 免疫共沉淀（CoIP）:CT3 处理后 AURKA 与 TPX2、c-MYC 的结合明显减弱。(B) western blot:随 CT3 浓度升高，AURKA、TPX2、c-MYC 蛋白水平下降。 08  诱导 G2/M 阻滞与凋亡 功能上(图8)，CT3 剂量依赖地把细胞阻滞在 G2/M 期，并诱导凋亡（Annexin V 阳性细胞增多）。分子层面:Cyclin B1 升高，凋亡标志 PARP 剪切、cleaved-caspase-3 增加——与 AURKA 降解导致的有丝分裂灾难与凋亡一致。 图8. CT3 诱导 G2/M 期阻滞与凋亡。(A) 细胞周期分析:CT3 剂量依赖增加 G2/M 比例。(B) Annexin V/7-AAD 凋亡检测:凋亡随剂量增多。(C) 周期相关蛋白（Cyclin B1、CDK1）。(D) 凋亡相关蛋白（PARP、caspase-3、cleaved-caspase-3）。 09  体内有效:Jurkat 异种移植模型 在 Jurkat 白血病异种移植小鼠模型中(图9)，CT3（40 mg/kg，腹腔注射，每日一次）显著抑制肿瘤生长，肿瘤抑制率 TGI=48.5%，优于母体 CAM2602（41.1%）;小鼠体重无明显下降，提示耐受良好。肿瘤组织中 AURKA 蛋白水平也显著降低，与体外机制一致。 图9. CT3 在 Jurkat 异种移植模型中抑制肿瘤生长。(A) 肿瘤体积:CT3 TGI=48.5%、CAM2602 41.1%。(B) 体重无明显变化。(C,D) 给药 3 天后肿瘤组织 AURKA western 及定量，CT3 组显著降低。均值±SD，*P<0.05，**P<0.01，***P<0.001 vs 载体。 小结  意义与展望 • 从「抑制」到「降解」:CT3 基于高选择性变构抑制剂 CAM2602 设计，把"抑制 AURKA"升级为"降解 AURKA"，一举解决了亚型选择性与非催化功能两大痛点。 • 全面且选择:CT3 强效、亚型选择性降解 AURKA（DC₅₀ 25.6 nM、>40 倍于 AURKB/C），既封酶活、又拔支架功能（TPX2、c-MYC），抗增殖活性约为母体的 10 倍，并在体内有效。 • 展望: CT3 为血液肿瘤提供了一个有前景的 AURKA 降解剂先导；作者指出，进一步的结构优化有望产出更优的候选分子。 结论:CT3 是一个高亚型选择性、强效的 AURKA PROTAC 降解剂——它同时封住 AURKA 的催化与非催化功能，抗肿瘤活性显著优于母体抑制剂，并在白血病模型中体内有效，为靶向 AURKA 的血液肿瘤治疗提供了新思路。 — 原文引用 — Ye Y, Feng Y, Wang H, Xu L, Zhu Q, Peng L, Zhang Z, Chen T-G. Discovery of a Highly Subtype-Selective AURKA PROTAC Degrader (CT3) with Superior Activity to the Inhibitor for Hematological Malignancies. Journal of Medicinal Chemistry. 2026. DOI: 10.1021/acs.jmedchem.6c00805。 声明：发表/转载本文仅仅是出于传播信息的需要，并不意味着代表本公众号观点或证实其内容的真实性。据此内容作出的任何判断，后果自负。若有侵权，告知必删！ 长按关注本公众号  粉丝群/投稿/授权/广告等 请联系公众号助手 觉得本文好看，请点这里↓