深度学习驱动的蛋白质结合大环化合物精准从头设计新策略

本研究通过开发基于去噪扩散模型的RFpeptides平台，实现了蛋白质结合大环化合物的精准从头设计。研究人员针对MCL1、MDM2、GABARAP和RbtA四种靶点成功设计出高亲和力（Kd<10 nM）大环配体，X射线晶体结构验证显示设计模型与实验结构Cα RMSD<1.5 ?。该技术突破了传统文库筛选方法的局限性，为开发靶向难成药蛋白的治疗性大环化合物提供了新范式。

　　

在药物开发领域，大环化合物因其独特的性质被视为连接小分子药物和生物制剂的重要桥梁。然而传统开发方法面临两大瓶颈：一方面，天然产物发现受限于合成难度和稳定性问题；另一方面，基于展示技术的高通量筛选不仅耗时耗资，且难以同时优化结合亲和力、选择性和膜渗透性等多重属性。更关键的是，现有计算方法依赖已知结合配体的结构信息，难以实现真正意义上的从头设计。

华盛顿大学蛋白质设计研究所的研究团队在《Nature Chemical Biology》发表突破性成果，开发出基于深度学习的RFpeptides平台。该技术通过改造RoseTTAFold2(RF2)结构预测网络和RFdiffusion蛋白质骨架生成框架，引入循环相对位置编码机制，实现了蛋白质结合大环化合物的精准从头设计。研究针对四种结构各异的靶蛋白（包括仅通过预测获得结构的RbtA）进行验证，成功获得纳摩尔级亲和力的配体，其中GABARAP结合剂GAB_D8的K_d达6 nM，创下该靶点结合活性新纪录。

关键技术包括：1）改进的循环相对位置编码算法；2）基于RFdiffusion的骨架生成与ProteinMPNN序列设计；3）AfCycDesign和Rosetta双重过滤系统；4）表面等离子共振(SPR)结合验证；5）X射线晶体学结构解析（分辨率达1.5-2.6 ?）。

大环化合物结合剂的设计与表征
针对髓系细胞白血病蛋白1(MCL1)，研究生成9,965个骨架设计，通过四轮迭代优化获得27个候选分子。最佳设计MCB_D2（K_d=2 μM）的晶体结构显示其以翻转的α螺旋构象结合BH3位点，Cα RMSD仅0.7 ?。值得注意的是，环区通过阳离子-π相互作用贡献了40%的结合界面，这是天然配体未见的特征。

MDM2结合剂的开发
设计聚焦p53转录激活结构域结合位点，从10,000个骨架中筛选出11个候选。领先设计MDB_D8（K_d=1.9 μM）通过苯丙氨酸、色氨酸和亮氨酸组成的螺旋段模仿天然p53相互作用模式，但采用全新空间排布方式。

GABARAP高亲和力配体
通过定义6个热点残基引导设计，获得两个突破性分子：GAB_D8（K_d=6 nM）和GAB_D23（K_d=36 nM）。晶体结构揭示GAB_D8采用β-折叠构象，与靶标形成边缘-链相互作用，其AlphaScreen竞争实验IC₅₀达0.7 nM，是目前报道的最强效GABARAP调节剂。

针对预测结构的精准设计
在无实验结构的A.baumannii表面蛋白RbtA设计中，研究验证了计算预测的可靠性。最佳设计RBB_D10（K_d=9.4 nM）的晶体结构显示，其与AF2预测模型的Cα RMSD仅1.4 ?，且结合界面极性相互作用与设计完全一致。

该研究标志着计算生物学在药物设计领域的重大突破：首先，RFpeptides首次实现了仅凭靶标结构信息即可设计高亲和力大环配体，成功率达传统方法的100倍以上（测试≤20个设计/靶点）；其次，技术可精准靶向平坦蛋白表面等难成药位点；最重要的是，原子级精确的设计模型（平均Cα RMSD<1.5 ?）为后续优化提供了可靠模板。未来整合全原子扩散模型后，该方法有望扩展至非天然氨基酸和特殊环化化学物的设计，为靶向此前"不可成药"靶点开辟新途径。