撰文丨王聰

編輯丨王多魚

排版丨水成文

開發靶向治療性蛋白質的大環結合劑（例如大環肽），通常依賴于大規模篩選方法，這種方法資源消耗大，且對結合模式的控制很少。盡管蛋白質設計領域已取得重大進展，但目前仍缺乏從頭設計結合蛋白質的大環化合物的可靠方法。

2025 年 6 月 20 日，諾貝爾獎得主、蛋白質設計先驅、華盛頓大學David Baker教授團隊在 Nature 子刊Nature Chemical Biology上發表了題為 ： Accurate de novo design of high-affinity protein-binding macrocycles using deep learning 的研究論文。

該研究開發了一種從頭設計大環肽的新框架——RFpeptides，實現了精確的從頭設計與目標蛋蛋白質具有高親和力的大環肽。

大環肽（Macrocyclic peptide）為開發介于小分子藥物和大分子生物制劑之間的新型治療藥物提供了一條充滿希望的途徑。生物制劑雖然能夠以高親和力和高選擇性結合多種治療靶點，但由于其體積大且極性高，通常無法穿過細胞膜，因而僅限于細胞外靶點。相反，小分子能夠進入細胞內靶點，但對于缺乏深疏水口袋的蛋白質而言，它們并非理想的靶向選擇。原則上，介于小分子和蛋白質之間的大環肽，可以調控傳統治療手段無法觸及的分子靶點。開發靶向蛋白質的蛋白質結合大環肽，將會有許多診斷和治療方面的應用。

傳統上，肽類藥物的研發依賴于天然產物的發現，或者利用展示技術對數以萬億計的隨機肽進行高通量篩選以尋找與靶點結合的肽。然而，天然產物的發現面臨諸多挑戰，尤其是合成困難、穩定性差以及已發現的活性物質對突變的耐受性低等問題。盡管高通量篩選方法十分強大，但其耗時、耗資且費力，并且只能涵蓋大環化合物豐富化學和結構多樣性中的一小部分。此外，由于要實現這些功能特性需要對結構進行精確控制，這類方法往往無法同時優化多種生物物理特性，例如靶點結合、選擇性和膜通透性。

結構導向設計方法為文庫篩選方法提供了一種互補途徑，能夠快速在計算機中探索大量化學和結構多樣性，從而設計出靶向治療靶點的大環結合劑。

David Baker團隊之前開發了基于物理原理的方法，通過借鑒已描述的結合配體的基序或相互作用作為錨點，來設計靶向蛋白質靶點的超穩定約束肽、結構化大環和結合劑。然而，盡管利用這些方法設計單體大環化合物時觀察到了很高的準確性，但在設計蛋白質結合大環化合物方面卻成果有限，僅獲得了中等的結合親和力，而且在很多情況下，實驗測定的結構與設計模型并不一致。

此外，近期還有研究利用 AlphaFold2 或其他基于深度學習的方法來預測大環化合物和大環-靶點復合物的結構，以設計與蛋白質靶點結合的肽類結合劑。然而，迄今為止，這些方法尚未得到廣泛的結構驗證，也未顯示出能夠穩健地對與各種蛋白質靶點形成復合物的環肽結構進行原子級精度的從頭設計。僅利用蛋白質的結構或序列信息就能從頭準確設計出高親和力大環結合劑的計算方法，對于更廣泛的治療應用是必需的。

研究團隊認為，近期生成式人工智能領域的突破，可被用于實現對大環結合劑的準確且高效的設計。諸如 RFdiffusion 之類的蛋白質設計擴散模型經過訓練，能夠從隨機初始化的氨基酸殘基作為起點生成多樣化的蛋白質結構，并在設計蛋白質單體、結合劑以及中大型蛋白質的對稱寡聚體方面取得了顯著成功。

然而，盡管基于人工智能的蛋白質設計方法在近期取得了相當大的進展，但這些方法并不容易應用于設計大環肽。由于用于訓練此類模型的實驗數據有限，從零開始開發類似的肽設計方法一直頗具挑戰性。

為應對這些挑戰，研究團隊擴展了RoseTTAFold2（RF2）結構預測網絡和RFdiffusion蛋白質骨架生成框架，以納入循環相對位置編碼，進而推出了RFpeptides，這是一個基于去噪擴散（denoising diffusion）的流程，用于從頭設計靶向目標蛋白的大環肽。

研究團隊針對四種不同蛋白質（MCL1、MDM2、GABARAP 和 RbtA）分別測試了不超過 20 種設計的大環肽，并對所有靶標均獲得了中高親和力的結合劑。 其中，對于 RbtA，僅基于預測的靶標結構就設計出了高親和力結合劑（Kd?<?10?nM）。

進一步結構解析線索，從頭設計的大環肽結合的 MCL1、GABARAP 以及 RbtA 復合物的 X 射線晶體結構均與計算模型高度吻合，相對于設計模型的 Cα 原子均方根偏差（Cα RMSD）小于1.5 ?。

總的來說，該研究表明，RFpeptides 為快速定制設計用于診斷和治療應用的大環肽提供了系統性框架。

論文鏈接：

https://www.nature.com/articles/s41589-025-01929-w