综述：基于序列与结构的变构位点预测

这篇综述系统梳理了变构调节（allostery）在药物设计中的关键作用，提出整合蛋白质序列进化信息（如MSA、DCA）与结构特征（如X-ray、cryo-EM）的计算方法可突破传统变构位点预测瓶颈，尤其强调多模态数据与可解释深度学习在克服"不可成药"靶点（undruggable）挑战中的潜力，为变构药物（如CCNE1:CDK2抑制剂）开发提供新范式。

　　

Abstract

变构调节通过效应分子诱导的构象或动态变化调控蛋白质功能，变构药物因其高特异性、多样化调控类型（如变构激活剂/抑制剂）及克服耐药性（如与正构药物联用）的独特优势，成为靶向"不可成药"蛋白的新策略。然而目前FDA批准的变构药物仅33种，开发瓶颈在于变构位点识别的困难性。

Introduction

变构现象广泛存在于癌症、心血管疾病等病理过程中。经典MWC和KNF模型强调构象变化，而现代研究发现动态变构（无显著构象改变）同样关键。X-ray和cryo-EM揭示的结构细节（如CCNE1:CDK₂界面隐藏口袋）为变构设计奠定基础。序列进化分析表明，变构网络通过统计耦合分析（SCA）识别的共进化残基形成，而蛋白语言模型（pLM）如ESM₂能从更广序列空间挖掘变构特征。

FDA-approved allosteric drugs

已上市变构药物多靶向GPCRs（如Cinacalcet）或激酶（如Abitrexate），但临床失败案例（如AmcenestrantⅢ期终止）凸显变构效应优化的复杂性。

Structure-based allosteric site prediction

计算方法可分为三类：

1. 物理化学特征法：如AlloFinder通过结合自由能识别变构口袋；
2. 动态分析工具：如gRINN基于弹性网络模型捕捉变构通信路径；
3. 机器学习模型：如DeepAllo整合结构指纹与动态指纹预测位点。

Mechanisms of hidden allosteric site formation

隐藏位点形成机制包括：

• 环运动：如CDK₂中N112侧链位移暴露口袋；
• 结构域转动：如RIPK1激酶域旋转产生变构调控界面；
• 二级结构变化：如β-发夹构象翻转形成调控开关。

Future perspectives

挑战在于变构信号的多尺度建模与有限数据下的泛化能力。整合AlphaFold2预测结构、单分子成像动态数据及pLM生成序列的"全息变构图谱"可能是下一代发展方向，而可解释AI（如注意力机制）将助力变构药物理性设计。