NDUFA2

编辑丨王多鱼排版丨水成文遗传性听力损失约占先天性耳聋的 60%。尽管腺相关病毒（AAV）介导的基因疗法在治疗遗传性听力损失方面显示出巨大潜力，但人们对 AAV 载体的特异性和安全性仍存在重大担忧。此外，耳蜗的复杂结构进一步加大了精准靶向基因递送的难度。2025 年 4 月 21 日，上海科技大学 iHuman 研究所钟桂生课题组在 Cell 子刊 Neuron 上发表了题为：Deciphering enhancers of hearing loss genes for efficient and targeted gene therapy of hereditary deafness 的研究论文。该研究提出并验证了一种创新的体内转录增强子重构技术——ARBITER（AAV reporter-based in vivo transcriptional enhancer reconstruction）。该研究不仅在耳蜗基础科研领域开辟了新路径，还在基因表达调控的底层机制研究和遗传性耳聋精准基因治疗中展现了巨大潜力。听力损失是最常见的感觉障碍，全球有超过 4 亿人受其影响，其中有 3400 万是儿童。遗传突变约占所有先天性耳聋的 60%，迄今为止已发现 100 多个非综合征型听力损失基因。腺相关病毒（AAV）介导的基因疗法已成为治疗遗传性和基因性疾病的一种有前景的策略，包括遗传性听力损失。近期的临床试验表明，通过采用双 AAV 载体策略递送 OTOF 基因，成功恢复了患有 DFNB9 型隐性耳聋儿童的听力功能。尽管 AAV 载体由于其高效性和低免疫原性而颇具前景，但人们对高剂量 AAV 给药的安全性仍存担忧。例如肝细胞因脱靶转染而出现肝毒性、血栓性微血管病（TMA）以及 AAV 的基因组整合可能引发肝细胞癌风险等问题，都是其面临的显著挑战。为了降低这些风险，提高 AAV 的效率和特异性，同时尽量减少脱靶效应并降低所需剂量至关重要。Myo15 启动子可靶向内耳的毛细胞（HC），是研究最为透彻的内耳细胞特异性启动子，在遗传性听力损失的基因治疗的临床前和临床研究中得到了广泛应用。然而，耳蜗的复杂结构极大地挑战了基因递送的精准定位。作为一个高度极化且结构有序的器官，耳蜗内存在多种细胞类型，例如毛细胞（HC），可细分为外毛细胞（OHC）和内毛细胞（IHC），此外还有支持细胞（SC）和螺旋神经节神经元（SGN）。每种细胞类型都含有独特的细胞特异性基因，这些基因对于听觉至关重要。耳蜗的复杂结构体现了器官发育过程中精细的调控机制；然而，这极大地增加了基因传递精准定位的难度。在这项研究中，研究团队介绍了一种基于 AAV 报告基因的体内转录增强子重构（AAV-reporter-based in vivo transcriptional enhancer reconstruction，ARBITER）工作流程，能够高效且可靠地解析增强子。通过 ARBITER 技术，研究团队成功证明了基因位点内的保守非编码元件（CNE）协同调控 Slc26a5 基因的表达，这一结论进一步通过基因敲除小鼠模型得到了验证。研究团队还通过在 Slc26a5 突变小鼠中进行基因治疗，评估了所鉴定增强子治疗遗传性听力损失的潜力。基于效率有限的原始 Slc26a5 增强子，研究团队设计出了一种高效且具有外毛细胞特异性的增强子——B8，它成功地恢复了 Slc26a5 基因敲除小鼠的听力。ARBITER 系统的建立不仅标志着耳蜗基础研究的一项重要突破，也为遗传性耳聋患者带来了切实的治疗希望。其在创新性、严谨性及临床潜力方面均展现出卓越优势，为遗传性耳聋的基因治疗开辟了全新的路径。为未来拓展到支持细胞、不同遗传背景与更复杂疾病模型的基因治疗提供了可行方案。此外，ARBITER 方法还有助于深入理解非编码序列与转录因子的调控关系，为人类发育与疾病研究打开了新窗口。论文链接：https://www.cell.com/neuron/abstract/S0896-6273(25)00223-5设置星标，不错过精彩推文开放转载欢迎转发到朋友圈和微信群 微信加群 为促进前沿研究的传播和交流，我们组建了多个专业交流群，长按下方二维码，即可添加小编微信进群，由于申请人数较多，添加微信时请备注：学校/专业/姓名，如果是PI/教授，还请注明。点在看，传递你的品味

近日，北京大学张亮仁教授/刘振明研究员团队与北京泰德制药Wang hongjun在国际顶级药物化学期刊《Journal of Medicinal Chemistry》上发表题为“开发强效的SHP2变构抑制剂：设计、合成与抗肿瘤效果评估”的研究论文。该研究通过活性片段拼接策略，设计并合成了一系列新型SHP2变构抑制剂。其中，化合物B8展现出优异的SHP2抑制活性（IC50 = 9.0 nM）和抗肿瘤效果，并在体内外实验中表现出良好的药代动力学特性和生物利用度。这一成果为SHP2靶向抗癌药物的研发提供了重要基础。 图片来源：ACS 01 Background 研究背景 目前，SHP2抑制剂主要分为两类：正构抑制剂（作用于PTP催化位点）和变构抑制剂（通过稳定SHP2的关闭状态发挥作用）。正构抑制剂通常选择性较差且口服生物利用度低，而变构抑制剂在活性和药物代谢方面表现出更好的特性。近年来，基于变构抑制剂的研究取得了显著进展，例如SHP099的发现为SHP2变构抑制剂的开发奠定了基础。本研究旨在通过结构分析和活性片段拼接策略，设计和合成一系列新型的SHP2变构抑制剂，以期开发出具有更好药理特性的抗癌药物。 图片来源：ACS 02 Drug Design 药物设计与评价 ①药物设计 研究团队基于SHP2与已知变构抑制剂SHP099的复合物晶体结构，分析了SHP099在SHP2蛋白“隧道”口袋中的结合模式。该口袋由N-SH2、C-SH2和PTP结构域共同构成。基于此，作者提出了一种“活性片段拼接”策略，设计了两类新型的SHP2变构抑制剂：噻唑并[5,4-b]吡啶和咪唑并[1,2-c]嘧啶衍生物。这些化合物的核心结构由三个关键部分组成：(1) 中心杂环核心，与SHP2形成强氢键相互作用；(2) 一侧的卤代芳香基团，嵌入疏水口袋并与周围氨基酸残基形成π-π相互作用；(3) 另一侧的杂环胺，与蛋白骨架的羰基形成氢键并贡献范德华力。通过精确设计这些结构特征，新型抑制剂能够优化与SHP2的相互作用，稳定其关闭状态，从而抑制其磷酸酶活性，为癌症治疗提供潜在的药物候选物。 图片来源：ACS ②构效关系研究 作者通过一系列合成化合物的活性测试，深入探讨了SHP2抑制剂的构效关系（SAR）。研究发现，化合物的活性受到多个因素的影响，包括核心骨架的类型、取代基的性质以及分子的整体结构。具体而言，当核心骨架为噻唑并[5,4-b]吡啶时，活性优于其他类似结构（如噻唑并[5,4-b]吡嗪和苯并噻唑等）。此外，C-2位置的氮杂环胺基团和C-5位置的芳香基团对活性有显著影响，尤其是当C-4位置的哌啶基团被甲基化时，活性显著提高。进一步的结构优化表明，引入酰胺键的化合物（A21-A30）活性比未引入的化合物（A1-A20）提高了约10倍，这表明R3部分的羰基可能与周围氨基酸残基形成额外的氢键，从而增强活性。最终，通过调整R1、R2和R3部分的结构，化合物B8展现出最佳的SHP2抑制活性（IC50 = 9.0 nM），并且其活性是其他化合物的两倍以上，这表明引入的1,3-二氢螺[茚-2,4'-哌啶]-1-胺基团和咪唑环上的额外氮原子有助于增强与SHP2的氢键相互作用，进一步提升抑制活性。 图片来源：ACS 03 In vitro In Vivo 体内外评价 ①B8抑制肿瘤细胞增生以及对p-ERG的调节 作者研究了化合物B8对肿瘤细胞增殖的抑制作用以及对p-ERK（细胞外信号调节激酶）的调节作用。实验结果表明，B8不仅能够显著抑制SHP2的活性，还能有效抑制肿瘤细胞的增殖，并调节p-ERK的水平。具体而言，B8在体外对肿瘤细胞的增殖抑制作用与SHP2抑制活性呈正相关，其对p-ERK的调节作用也与SHP2抑制活性一致。此外，B8在KYSE-520细胞中的增殖抑制活性和p-ERK调节活性均达到了与阳性对照化合物TNO155相当的水平，表明B8具有良好的抗肿瘤潜力。这些结果进一步证实了B8作为SHP2抑制剂在癌症治疗中的潜在应用价值。 图片来源：ACS ②化合物B8与SHP2蛋白之间的潜在结合模式 研究发现，B8能够有效地将SHP2稳定在一种自我抑制的非活性构象中，通过占据N-SH2、C-SH2和PTP结构域界面形成的“隧道”位点来实现。与TNO155相比，B8的一部分结构深入口袋内部，而另一部分则靠近溶剂区域的蛋白表面，并与之形成相互作用。具体而言，B8中的杂环上的氧原子与SHP2中的H116形成氢键，而螺环结构则与口袋内的多个氨基酸残基产生疏水相互作用。此外，B8末端的氨基还与R111恢复氢键相互作用。这种结合模式显示出B8与SHP2的“隧道”变体具有良好的形状互补性，与其观察到的活性一致，进一步证实了B8作为SHP2抑制剂的高亲和力和选择性。 图片来源：ACS ③B8选择性的研究 作者通过全面的激酶谱分析实验，评估了化合物B8对186种肿瘤相关激酶的潜在抑制活性。实验结果显示，B8对这些激酶的抑制作用极小或可以忽略不计，表明其具有高度的选择性。此外，B8在正常肝细胞和肾细胞中也未表现出显著的细胞毒性。这些结果进一步证实了B8对SHP2的高度选择性，同时表明其在非癌细胞中具有良好的安全性，为后续的药物开发提供了有力支持。 图片来源：ACS ④B8对肿瘤细胞侵袭能力和增殖能力的影响 实验结果显示，B8能够显著抑制KYSE-520细胞的迁移能力，随着B8浓度的增加，细胞划痕愈合的速度变慢，表明其对细胞迁移的抑制作用增强。此外，B8还能减少细胞克隆形成的能力，随着浓度的增加，细胞克隆的数量明显减少。这些结果表明，B8不仅能够抑制肿瘤细胞的增殖，还能降低其侵袭能力，显示出其在抑制肿瘤生长和转移方面的潜力。 图片来源：ACS ⑤化合物B8的药代动力学特性 实验在雄性SD大鼠中进行，分别采用1 mg/kg静脉注射和10 mg/kg口服给药的方式。结果显示，B8具有较低的清除率（CL = 24.3 mL/min/kg），较长的半衰期（静脉注射T1/2 = 3.49小时，口服T1/2 = 3.32小时），以及较好的口服生物利用度（F = 26.4%）。此外，B8在体内的分布体积适中（AUC = 693 ng/mL·h，静脉注射；AUC = 1890 ng/mL·h，口服），且在给药后能够达到较高的血浆峰浓度（Cmax = 212 ng/mL，静脉注射；Cmax = 243 ng/mL，口服）。这些药代动力学特性表明B8具有良好的体内稳定性和吸收特性，为其作为潜在的口服抗癌药物提供了有力支持 图片来源：ACS ⑥B8在体内抑制食道癌肿瘤生长 作者通过KYSE-520细胞异种移植小鼠模型评估了化合物B8对食管癌肿瘤生长的抑制效果。实验中，小鼠被分为四组，分别接受不同剂量的B8（25 mg/kg和50 mg/kg）或阳性对照药物TNO155（25 mg/kg）处理，持续给药20天。结果显示，B8在体内展现出显著的抗肿瘤活性，与对照组相比，肿瘤体积显著减小，且在50 mg/kg剂量下，B8的抗肿瘤效果与TNO155相当。此外，所有治疗组的小鼠在治疗期间体重未出现下降，且未观察到其他异常表现，表明B8具有良好的耐受性。组织病理学分析也未发现B8对主要器官造成明显毒性，进一步证实了其在体内的安全性和有效性。这些结果表明，B8作为一种潜在的SHP2靶向抑制剂，在食管癌治疗中具有显著的临床应用潜力。 图片来源：ACS 总结 研究团队通过合理的药物设计、合成和全面评估，开发了一系列新型的噻唑并[5,4-b]吡啶和咪唑并[1,2-c]嘧啶衍生物作为SHP2变构抑制剂。这些化合物在体外表现出对SHP2的强效抑制活性，其中化合物B8尤为突出，不仅具有显著的抗肿瘤效果和对p-ERK的调节能力，还能够抑制肿瘤细胞的侵袭能力。B8的药代动力学特性表明其具有良好的口服生物利用度和体内稳定性，使其成为具有临床应用潜力的药物候选物。此外，B8在KYSE-520异种移植小鼠模型中表现出显著的肿瘤生长抑制效果，且未观察到明显的毒性。这些综合数据表明，B8作为一种SHP2靶向抑制剂，具有高效性、选择性和生物利用度的优良组合，是开发SHP2靶向抗癌药物的有前景的先导化合物。未来的研究将集中在进一步优化B8的药理特性，并探索其在肿瘤治疗中的应用前景。 参考来源： https://doi.org/10.1021/acs.jmedchem.4c02100 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↓

撰文丨王聪 编辑丨王多鱼 排版丨水成文 大约 35 亿年前，地球从化学反应中诞生了最初的生命。大自然发明了 RNA、蛋白质和 DNA 这些生命的核心分子，并创造了核糖体这一分子工厂，它能根据基因组中的指令合成蛋白质。 蛋白质是奇妙的动态分子，具有令人难以置信的功能——从驱动运动的分子引擎，到捕获光并将其转化为能量的光合作用机器，构建细胞内部骨架的支架，与环境相互作用的复杂传感器，以及运行生命程序和操作系统的信息处理系统等等，蛋白质关乎疾病与健康，许多救命药物本身就是蛋白质。 生物学是用一种人类尚未理解的“语言”所书写。如果我们能够学会利用生物学的“语言”来读写，那么，生物学将变得可编程，反复试验将被逻辑取代，费力的实验将被模拟所替代。 2024年诺贝尔化学奖授予了 AI 蛋白质设计先驱 David Baker 教授以及 AI 蛋白质结构预测工具 AlphaFold 的开发者 Demis Hassabis 和 John Jumpe，他们的研究为我们利用 AI 来理解、想象和创造蛋白质奠定了基础。 近日，AI 初创公司 EvolutionaryScale 的研究团队在国际顶尖学术期刊 Science 上发表了题为：Simulating 500 million years of evolution with a language model 的研究论文。论文标题非常简单直接，甚至是夸张——用语言模型模拟 5 亿年的进化。 该研究开发了一种人工智能语言模型——ESM3，ESM3 在思维链（Chain of Thought）的提示下生成了一种全新的绿色荧光蛋白——esmGFP，其在进化上与天然的绿色荧光蛋白（GFP）差异巨大，与已知的最接近的荧光蛋白只有 58% 的序列同源性，大自然需要 5 亿年时间才能进化出这种新型绿色荧光蛋白，也就是说，ESM3 模拟了 5 亿年进化，创造了一种新型绿色荧光蛋白。 研究团队表示，ESM3 是一款向生命科学领域的前沿人工智能语言模型，也是第一个同时对蛋白质的序列、结构和功能进行推理的生成式人工智能模型，它提升了我们利用生命密码进行编程和创造的能力，让我们能够像设计建筑、制造机器和微芯片以及编写计算机程序一样，从底层原理出发来改造生物学。 2023 年 3 月， Alexander Rives 领导的 Meta 蛋白质折叠团队在 Science 期刊发表了题为：Evolutionary-scale prediction of atomic-level protein structure with a language model 的研究论文【2】。 该研究开发了一种名为 ESMFold 的蛋白质语言模型，能够快速、准确、大规模预测蛋白质结构，仅花费两周时间就预测了超过 6.17 亿个蛋白质的结构，这些蛋白质来自细菌、病毒和其他尚未被表征的微生物。 然而，Meta 公司不久后解散了蛋白质折叠团队，Alexander Rives 与团队成员创立了 EvolutionaryScale，2024 年 6 月，EvolutionaryScale 完成了高达 1.42 亿美元的种子轮融资，致力于开发 AI 工具以深化对生物学的理解，进而造福人类健康和社会。 这项新研究所展示的 ESM3 模型，训练自地球上多达数十亿的天然蛋白质，ESM3 也是当今世界上训练于最高通量 GPU 集群之一的前沿生物学生成式人工智能模型，它处于参数、算力和数据的最前沿，训练时使用了超过 1×1024 次浮点运算和 980 亿参数。 对蛋白质的序列、结构和功能进行推理 语言模型是基于离散单元或标记进行操作的。为了创建一个能够对蛋白质的三个基本生物学特性——序列、结构和功能——进行推理的模型，必须将三维结构和功能转化为离散的字母表，并构建一种将每个三维结构都写成字母序列的方法。这使得 ESM3 能够大规模训练，从而释放出新兴的生成能力。ESM3 的词汇表在同一个语言模型中将序列、结构和功能联系起来。 ESM3 是通过一个简单的目标进行训练的。对于每种蛋白质，提取其序列、结构和功能，进行标记化处理，并部分屏蔽。ESM3 的任务是利用受自然语言处理模型启发的掩码语言建模目标来预测掩码位置。为了完成这项任务，ESM3 必须从进化规模的数据中深入理解序列、结构和功能之间的联系。当在数十亿种蛋白质和数百亿个参数的规模上进行扩展时，ESM3 学会了模拟进化（simulate evolution）。 鉴于通过实验确定的结构和功能注释的蛋白质的数量有限，研究团队通过添加数亿个合成数据点来扩充 ESM3 的多模态训练数据集，这些合成数据点包括对各种序列的预测结构和功能。 ESM3 是一个多轨道 Transformer，可以对蛋白质序列、结构和功能进行联合推理 编程生物学 ESM3 作为一个生成式模型，它使生物学可编程，可以根据提示生成新的蛋白质。科学家可以与 ESM3 互动，引导它进行各种应用创造。ESM3 可以通过从一组完全掩码的 tokens 开始生成蛋白质，并迭代解掩，直到所有位置都被填充。由于序列、结构和功能都在训练过程中被掩码和预测，ESM3 可以在所有三种模态中生成。这个生成过程也可以由序列、结构和功能的部分或全部规范的任何组合来指导。 ESM3 的多模态推理能力使科学家能够以前所未有的控制程度产生新的蛋白质。例如，可以提示该模型结合结构、序列和功能，为 PETase 的活性位点提出潜在框架，PETase 是一种降解聚对苯二甲酸乙二醇酯（PET）塑料的酶。 规模带来的能力涌现 ESM3 在规模扩大时展现出解决复杂蛋白质设计任务的能力。其中一项任务是原子协调，即根据指定氨基酸在序列中相距甚远但在结构中彼此靠近的原子位置的提示来设计蛋白质。这衡量了模型在结构生成时达到原子级精度的能力，对于设计功能性蛋白质至关重要。 ESM3 解决这些任务的能力会随着规模的扩大而提升，也就是说，ESM3 解决更难的生成问题的能力取决于其规模。 ESM3 进一步通过使用类似于在大语言模型（LLM）中应用的人类反馈强化学习（RLHF）的对齐方法进行反馈改进。ESM3 能够自我改进，而非从人类那里获得反馈，它能对自身生成的内容质量进行评估。来自实验室实验或现有实验数据的反馈也可用提升其生成能力。 ESM3 模型生成蛋白质的能力随着规模的扩大而提升 模拟 5 亿年的进化过程 绿色荧光蛋白（GFP）及其荧光蛋白家族，是自然界中最美丽的蛋白质之一。下村修、Martin Chalfie 和钱永健因发现和应用 GFP 而获得了 2008 年诺贝尔化学奖。 GFP 是生物学中应用最广泛的工具之一，被誉为“照亮了生命科学”。GFP 含有一种荧光发色团，其能吸收一个短波长的单色光子，捕获其中部分能量，并以不同颜色、更长波长的新光子形式释放其余能量。天然的 GFP 能够吸收蓝光并发出绿光。 GFP 是一种能自我转变的蛋白质，其结构是一个由 11 条链组成的桶状结构，中间有一条螺旋贯穿其中，在 GFP 折叠完成后，会自发地发生反应。在 GFP 的中心，构成蛋白质链的原子重新排列成新的结构，形成一个荧光发色团。这种机制是独一无二的，没有其他已知的蛋白质能自发地从自身结构中形成荧光发色团，这表明即使对大自然来说，产生荧光也并非易事。 科学家们在自然界中发现了许多 GFP 的变体，并在实验室中对这些天然蛋白质进行了改造，创造出了新的 GFP 变体。最早的人工 GFP 变体是通过制造少量能增强亮度或改变颜色的基因突变而发现的。借助更先进的实验室技术和机器学习方法，如今已能够将这种搜索范围扩大，从而找到与原始序列差异高达 20% 的 GFP 变体。但大多数功能性 GFP 突变并非来自蛋白质工程，而是通过探索自然界获得的。 产生新的荧光蛋白的进化过程需要漫长的岁月，在遥远的过去，大自然无意中发明了第一种荧光蛋白。天然荧光蛋白从远古时期的祖先序列历经数亿年的演化，才变成了如今的模样。 基于天然 GFP 核心区域几个氨基酸残基的结构，ESM3 通过一系列推理生成了新型 GFP 的候选结构。研究团队在首次实验中测试了生成的 96 种 GFP，发现其中一些会发出荧光，包括一种与自然界中的任何蛋白质都相去甚远的蛋白质——B8，但其亮度只有天然 GFP 的五十分之一，而且其发色团成熟需要一周时间，而不是一天之内，但它在序列空间的一个未被探索的区域中呈现出功能信号。在 B8 的基础上进行思维链推理，ESM3 又生成了一组 96 种蛋白质，其中有几个荧光强度与天然 GFP 相似，最亮的一个位于 C10 孔中，研究团队将其命名为——esmGFP。 esmGFP 与自然界中发现的最接近的荧光蛋白相比存在 96 处突变（在 229 个氨基酸中，序列相似度为 58%）。通过类似于对自然界中新发现的蛋白质进行的分析，研究团队估计 esmGFP 相当于由进化模拟器完成的超过 5 亿年的自然演化。 由ESM3模型生成的新的绿色荧光蛋白——esmGFP 据悉，EvolutionaryScale 公司正在开发 ESM3 的专用版本，以解锁前沿药物设计领域的应用，助力科学家创造新型药物。 EvolutionaryScale 公司表示，相信未来的人工智能将帮助我们在最基础的层面上理解生命的复杂系统，做出改变我们对生物学认知的新发现，助力我们找到疾病治疗方法，并构建一个更可持续的世界。 参考链接： https://www.science.org/doi/10.1126/science.ads0018 https://www.science.org/doi/10.1126/science.ade2574 https://www.evolutionaryscale.ai/blog/esm3-release 设置星标，不错过精彩推文 开放转载 欢迎转发到朋友圈和微信群  微信加群  为促进前沿研究的传播和交流，我们组建了多个专业交流群，长按下方二维码，即可添加小编微信进群，由于申请人数较多，添加微信时请备注：学校/专业/姓名，如果是PI/教授，还请注明。 点在看，传递你的品味