综述：创新计算方法识别隐秘口袋的比较研究

这篇综述系统总结了识别蛋白质隐秘口袋（cryptic pockets）的前沿计算策略，重点分析了分子动力学（MD）、图神经网络（GNN）等方法在揭示这类瞬态结合位点中的应用，并以TEM-1 β-内酰胺酶为例展示其克服耐药性的潜力，为药物设计提供新思路。

　　

隐秘口袋的奥秘与计算破解之道

Abstract

隐秘口袋（cryptic pockets）作为药物发现的关键靶点，因其瞬态性和隐蔽性成为研究难点。计算方法的突破为系统揭示这类位点提供了高效工具。本文通过分析TEM-1 β-内酰胺酶的案例，展示了计算策略如何推动新型药物靶点的发现。

Introduction

隐秘口袋在蛋白质无配体（apo）状态下往往不可见，却能通过构象变化（如侧链重排、结构域运动）形成临时结合位点。这类位点不仅可规避传统活性位点的耐药突变，还能通过变构调控（allosteric regulation）影响蛋白功能。实验技术如X射线衍射和核磁共振（NMR）虽能检测隐秘口袋，但存在假阴性、成本高等局限。相比之下，计算方法（如混合溶剂MD、FAST算法）通过模拟蛋白质动态或AI预测，大幅提升了发现效率。

Nature of cryptic pockets

隐秘口袋的形成机制多样（图1a）：

1. 侧链旋转：芳香族残基的旋转可暴露疏水核心

2. 环区运动：柔性环区位移形成临时空腔

3. 二级结构位移：α螺旋或β折叠的局部解离

4. 结构域重排：多结构域蛋白的界面重构

   这些动态过程通常在纳秒至毫秒级完成，传统分子动力学（MD）难以捕捉，需依赖增强采样技术。

MD-based methods

混合溶剂MD（MixMD）通过有机小分子探针（如异丙醇）标记潜在结合位点；马尔可夫状态模型（MSM）则构建构象能量图谱预测口袋开放概率（图2a）。值得注意的是，Folding@home平台通过分布式计算发现了50余个病毒蛋白隐秘口袋，为抗病毒药物开发提供新靶点。

TEM-1 β-lactamase的实战案例

TEM-1 β-内酰胺酶的两个隐秘口袋被证实可调控催化活性：

• Ω环区口袋：结合变构抑制剂后使活性中心变形

• β5-β6环区口袋：稳定突变体K234R的耐药构象

  比较发现，GNN模型PocketMiner预测效率比传统MD高20倍，但需注意假阳性问题。

Concluding remarks

当前挑战包括：

1. 机器学习模型依赖训练数据质量

2. 超快动态过程的模拟精度不足

   未来方向可整合AlphaFold3的构象预测与强化学习算法，实现从静态结构到动态药靶的跨越。

CRediT authorship

作者团队获中国国家自然科学基金（32260688）等资助，声明无利益冲突。