由人工智能设计的PNA-肽嵌合物克服了结合效率不佳的问题，实现了对病毒RNA聚合酶（RdRp）的双重抑制

《European Journal of Medical Genetics》：AI-Designed PNA-Peptide Chimera Overcomes Suboptimal Binding for Dual Inhibition of Viral RdRp

本研究通过AI与分子模拟结合，设计了一种高特异性PNA-肽双功能分子，靶向SARS-CoV-2 RNA依赖性RNA聚合酶（RdRp），协同抑制其催化活性及RNA模板结合，显著提升抑制效果并降低交叉反应。

　　这项研究探讨了一种结合肽核酸（PNA）和肽的新型双功能分子，用于针对SARS-CoV-2病毒的RNA依赖性RNA聚合酶（RdRp）。这种分子结构具有双重作用机制，既能干扰病毒蛋白的催化活性，又能与病毒RNA模板结合，从而实现对病毒复制过程的阻断。研究团队通过引入人工智能（AI）和分子模拟技术，构建了一个全新的框架，以实现高亲和力的PNA-肽混合物的从头设计。这一方法不仅克服了传统设计在肽-蛋白相互作用和PNA序列选择方面的不足，还显著提升了分子的特异性和有效性。

在传统研究中，设计PNA-肽混合物通常依赖于经验性的方法，缺乏对分子间相互作用的深入理解和优化。这种方法往往导致分子的结合亲和力和选择性不足，限制了其在抗病毒治疗中的应用潜力。然而，随着人工智能和机器学习（ML）技术的发展，研究者能够更系统地分析肽-蛋白相互作用的数据，从而设计出具有更优结合特异性与亲和力的分子。同时，PNA序列的设计也可以通过热力学建模工具进行优化，确保其与病毒RNA模板的高互补性，同时避免非特异性结合。

本研究中，研究团队采用了一种融合AI指导的肽设计和优化的PNA序列，开发出一种针对SARS-CoV-2 RdRp的PNA-肽混合物。肽部分被设计为能够结合RdRp的催化口袋，从而干扰其催化活性；而PNA部分则被优化以实现与病毒RNA模板的高效结合，其伪肽骨架也能与RdRp的关键残基相互作用，进一步阻断病毒复制过程。为了提升肽部分的结合特异性，研究团队开发了一个创新的AI指导的流程，该流程结合了机器学习与详细的生物物理相互作用分析，从而预测出具有高结合亲和力的抗病毒肽。

通过使用随机森林（Random Forest）算法，研究团队系统地解析了氨基酸之间的亲和力景观，从而为抗病毒分子的设计提供了理论依据。该模型基于2,950个结构解析的蛋白-肽/蛋白-蛋白复合物数据集进行训练，提取了结合过程中的生物物理决定因素，如残基间的最短距离、相互作用频率矩阵以及基于能量的亲和力特征。这些数据被用于计算模拟，以精准地映射SARS-CoV-2 RdRp催化位点的结合区域。这种方法使得研究团队能够从头设计出一种具有高亲和力的肽部分（LEU-VAL-SER-GLU-ASP），其结合亲和力达到ΔG = -9.89 kcal/mol，显著优于传统方法设计的肽。

PNA部分的优化则通过热力学建模工具实现，如NUPACK和OligoWalk，这些工具基于碱基配对规则对序列进行优化，确保PNA与病毒RNA模板的高互补性，同时减少非特异性结合的可能性。通过将优化后的肽和PNA部分共价连接，研究团队得到了一种具有显著增强结合亲和力（Kd = 2.6 nM）的混合物，其结合亲和力比单独肽的Kd（45 nM）降低了56%。此外，该混合物在体外抗病毒活性测试中表现出更高的抑制效果（IC50 = 9.10 μM，SI = 11.2），比单独肽的抑制效果（IC50 = 26.38 μM，SI = 4.4）更优。同时，该混合物对SARS-CoV-1和RSV的同源蛋白显示出极低的交叉反应性，表明其具有高度的特异性。

为了进一步验证混合物的结构和功能特性，研究团队采用了分子动力学模拟和等温滴定热能分析（ITC）等技术。这些实验方法确认了混合物在结合过程中的稳定性与特异性，表明其在实际应用中具有良好的表现。此外，研究团队还强调了这种设计方法的可扩展性，可以快速适应不断出现的病毒变异株，为未来的抗病毒研究和药物开发提供了新的思路。

研究团队在论文中还详细描述了作者的贡献以及可能存在的利益冲突。所有作者均声明没有涉及任何财务或个人利益冲突。此外，研究数据的可用性也得到了说明，相关数据和支持材料可以通过GitHub和Zenodo等平台获取，方便其他研究者进行验证和进一步研究。这些信息不仅展示了研究的透明度，也为后续研究提供了宝贵的资源。

总体而言，这项研究通过融合人工智能、机器学习和分子模拟技术，成功设计出一种具有高亲和力和特异性的PNA-肽混合物，该混合物能够同时针对SARS-CoV-2 RdRp的催化位点和RNA模板，从而实现对病毒复制过程的双重阻断。这种方法不仅克服了传统设计的局限性，还为未来开发新型抗病毒药物提供了重要的理论和技术支持。研究团队的工作表明，通过结合计算生物学和实验验证，可以更有效地设计出具有广泛应用前景的双功能分子，为应对病毒的快速变异和抗药性问题提供了新的解决方案。