AI驱动的分子指纹转移与生成技术实现内质网应激靶向诊疗一体化

本研究针对内质网应激(ERS)精准诊疗难题，创新性提出"被动+主动"双靶向策略，通过机器学习(ML)识别ER靶向分子指纹，结合深度学习(DL)构建PM-1模型生成Grp78高亲和力分子骨架，成功开发出兼具成像与治疗功能的小分子探针ABT-CN2（MW<400，IC50=53.21 μM），为细胞器靶向诊疗提供了新范式。

　　

内质网作为细胞中最大的膜性细胞器，在蛋白质合成与折叠中扮演着关键角色。当细胞遭遇氧化应激或营养缺乏时，内质网应激(ERS)会引发包括癌症在内的多种疾病。然而，现有商业染料如ER-Tracker仅能实现单机制靶向，无法同时满足Grp78（葡萄糖调节蛋白78）的精准成像与调控需求。更棘手的是，传统基于水解反应的探针设计策略对非典型水解酶Grp78完全无效，而抗体/多肽探针又存在渗透性差、成本高等缺陷。

针对这一系列挑战，中南大学的研究团队在《Journal of Advanced Research》发表了一项突破性研究。他们开创性地将人工智能技术与化学生物学相结合：首先通过机器学习筛选出控制ER靶向的关键分子指纹（如带正电的MACCS49片段），随后利用自主开发的PM-1深度学习模型，以Grp78的ATP结合口袋为模板从头生成3D分子结构。最具创新性的是，研究人员建立了分子指纹转移技术，将ER导航指纹"嫁接"到生成分子骨架上，最终构建出多功能单分子探针ABT-CN2。

研究主要运用了五项核心技术：1）基于MACCS指纹的随机森林算法预测ER靶向规则；2）PM-1深度学习模型进行3D分子生成；3）分子对接验证Grp78结合亲和力；4）100ns分子动力学模拟评估复合物稳定性；5）TD-DFT量子计算预测荧光特性。

【ML模型指导ER被动导航】
通过分析156个ER靶向分子数据集，发现带正电的MACCS49、含磷原子的MACCS30等指纹是决定ER靶向效率的关键特征，构建的MACCS-RF模型测试集准确率达0.852。

【3D分子生成技术】
改进的PM-1模型生成的分子与Grp78结合能显著优于基准方法（51% vs 42%高亲和力分子），SNN相似度仅0.286，表明其强大的结构创新性。

【指纹转移与结构优化】
初始分子GIn-1经ADMET优化和指纹替换后，logD从-1.307提升至3.742，合成难度(SA)从5.615降至2.813，同时保留了对Grp78的结合能力（DS=-7.3160）。

【选择性结合机制】
分子动力学显示ABT-CN2与Grp78的结合自由能达-33.6080 kcal/mol，关键相互作用残基包括Thr14/Tyr16等。量子计算揭示其ESIPT（激发态分子内质子转移）特性：结合态荧光发射波长547nm，而游离态因构象扭曲导致荧光淬灭。

【ER成像与肿瘤识别】
在肝癌细胞HepG2中，ABT-CN2与ER-Tracker共定位系数达0.93，且红/绿通道荧光强度比(1.4070)显著高于正常肝细胞L02(0.8323)，这种差异源自肿瘤细胞更高的Grp78表达水平。CCK-8实验证实其抗肿瘤活性(IC₅₀=53.21μM)。

这项研究开创了细胞器双靶向探针设计的新范式：通过ML揭示的物理化学规律实现被动靶向，结合DL生成的3D结构实现主动靶向，最终用单个小分子同步解决了成像、诊断和治疗三大难题。ABT-CN2的成功不仅为癌症诊疗提供了新工具，其分子指纹转移策略更可推广至线粒体、溶酶体等其他细胞器靶向药物的开发。特别值得注意的是，研究首次证明人工智能生成的分子骨架经合理修饰后，可完美整合多种生物功能，这为未来多功能药物设计指明了方向。