结构生物学与计算生物学：竞争还是互补？

《Journal of Medicinal Chemistry》：Structural and Computational Biology: Compete or Complement?

结构生物学通过X射线晶体学、NMR和冷冻电镜等技术解析大分子三维结构，支撑药物设计；深度学习（如AlphaFold）提升结构预测效率，但需实验验证解决柔性结构、蛋白质互作等挑战，两者协同而非竞争是未来方向。

　　

在过去的一个世纪里，随着X射线晶体学、核磁共振（NMR）和冷冻电子显微镜（cryo-EM）技术的进步，结构生物学不断发展，能够以原子级分辨率确定大分子的三维结构（1,2）（图1），为基于结构的药物发现和设计提供了坚实的理论基础。由于这些方法的独特特性，它们常被用于生物学和药物研究中的特定应用（表1）。在过去的几十年中，X射线晶体学在基于结构的药物设计（SBDD）中发挥了关键作用，成功开发出了多种获得FDA批准的药物，包括用于治疗慢性髓性白血病（CML）的II型酪氨酸激酶（BCR-ABL）抑制剂伊马替尼（Gleevec）(3)、用于治疗黑色素瘤的突变BRAF^V600E激酶抑制剂维莫非尼(4)、用于治疗流感的神经氨酸酶抑制剂达菲(5)，以及HIV蛋白酶抑制剂达鲁那韦(5)。NMR光谱技术被用于确定包括RNA、内在无序蛋白、跨膜蛋白、高分子量复合物及其不同构象形式在内的多种大分子的结构(6)。近年来，冷冻电子显微镜（cryo-EM）通过直接观察生物分子在不同构象状态下的形态，彻底改变了结构生物学的研究方式，揭示了蛋白质和RNA的动态“结构景观”，而不仅仅是静态的快照。对于蛋白质和大型复合物，cryo-EM能够通过图像分类和单颗粒数据的3D分析，解析出不同的功能状态、反应中间体和构象转变，使结构生物学家能够捕捉到与生物功能密切相关的动态过程(7)。结合质谱（MS）(8)和小角X射线散射（SAXS）(9)等技术，这些实验方法在揭示生物系统的结构信息方面发挥了互补作用。

图1

图1. 结构生物学（绿色）和计算生物学（橙色）的发展历程。

高分辨率图像

下载MS PowerPoint幻灯片

表1. 结构生物学中常用的方法

数据收集所需的样品量极少（通常为微克级别）可以捕捉多种构象状态适用于大型大分子复合物接近原子级分辨率（3.0–2.0 ?）适用于多种大小和类型的大分子复合物大分子和复合物的原子分辨率通常可达到2.0 ?在药物发现中是非常强大的工具是药物发现领域中成熟的应用技术可以监测构象变化可在活细胞中提供结构信息能够测量强相互作用、弱相互作用和瞬态相互作用可以研究短肽和跨膜螺旋的结构对内在无序蛋白质的解析能力强

方法	优势	劣势
冷冻电子显微镜	样品在玻璃态冰中快速冷冻（接近天然状态），无需结晶	对于小分子或RNA来说较为困难
	分辨率受样品柔韧性、颗粒大小和冰层厚度的影响
X射线晶体学	提供高分辨率结构	需要可衍射的晶体
	主要捕捉由晶体堆积决定的单一静态状态
	对于非常大或嵌入膜中的复合物难以应用
NMR光谱	提供溶液状态下的结构信息	仅适用于较小的蛋白质
	需要对较大蛋白质进行特异性标记
	蛋白质NMR实验需要同位素标记
	数据分析耗时较长

另一方面，基于深度学习的蛋白质结构预测技术最近取得了突破性进展，从而重塑了药物发现和设计的范式(10)。计算蛋白质结构建模技术，尤其是通过AlphaFold(11)和Rosetta平台(12)等工具，显著推动了高质量三维结构预测的发展，为新型配体与药物靶点的虚拟筛选提供了可能(13)。例如，Díaz-Holguín等人比较了使用AlphaFold生成的trace胺相关受体1（TAAR1）的蛋白质结构进行的虚拟筛选与传统的同源建模结果，发现AlphaFold的筛选命中率（60%）是传统方法的2倍以上，从而发现了有效的激动剂(14)。Lyu等人发现，使用高置信度的AF2预测结构作为起始模型，与使用实验结构进行对接实验一样有效，这突显了结构预测在药物发现中的潜力(15)。Insilico Medicine利用AlphaFold预测的CDK20结构，成功发现了一种新型小分子抑制剂(16)。

随着基于AI的计算方法迅速发展(17)，学术实验室和生物技术公司对实验结构生物学的依赖逐渐减少。因此，对蛋白质构建设计、表达与纯化、条件优化以及复杂数据采集与解析等领域的专业技能需求也可能下降，从而导致传统结构生物学工作流程的整体投资减少。这种变化可能会在计算生物学和结构生物学之间产生竞争(1)。然而，计算预测仍面临诸多挑战，这表明需要持续投资于实验研究，以增强实验方法与计算方法之间的协同作用，而不是简单地优先选择或取代其中一方。López-Sagaseta等人观察到，在比较基于AI的预测结果与实验解析的结构时，对于双结构域蛋白质的折叠建模存在显著偏差(18)。另一个问题是计算工具生成的蛋白质-蛋白质相互作用模型的验证。尽管AlphaFold-Multimer（AF-MM）(19)等技术的进步提高了预测蛋白质-蛋白质相互作用界面的能力，但基准测试显示，这些模型在处理内在无序区域和高灵活性蛋白质时仍需进一步改进(20)。此外，用于三元复合物形成的计算流程（如PROTAC设计）也需要可靠的实验验证(21)。因此，应重点扩展实验确定的结构数据库，这些数据库可作为训练深度学习模型的“数据中心”。此外，基于深度学习的RNA结构预测和RNA小分子结合的计算建模仍存在许多不足(22)。在基于深度学习的蛋白质-配体相互作用预测方面，多项研究指出了其在新靶点和多样化靶点上的泛化能力有限，以及这些模型在符合物理规律性方面的局限性(23)。

结构生物学和计算生物学历经漫长发展，致力于揭示包括蛋白质、RNA、DNA及其复合物在内的生物分子的分子结构。借助结构生物信息学和机器学习算法，最近在蛋白质-配体相互作用、蛋白质-蛋白质相互作用界面及其亲和力方面的预测取得了成功。此外，分子动力学模拟已成为研究动态构象的重要工具，能够提供更接近生理条件下蛋白质结构的见解。计算生物学为实验科学家提供了初步假设和结构模型，以供进一步验证。尽管计算生物学的崛起有望加速药物发现的规模和速度，但结构生物学在处理具有高度灵活性、翻译后修饰区域或计算预测置信度较低的分子相互作用方面仍然至关重要。药物发现的未来在于结构生物学与计算生物学的“结合”，(24)，而不是将它们视为竞争关系。