PROTAC-DB 4.0：靶向蛋白降解模式扩展知识库与人工智能驱动的知识发现

《Nucleic Acids Research》：PROTAC-DB 4.0: an expanded knowledgebase of targeted protein degradation modalities with AI-powered knowledge discovery

　　

蛋白水解靶向嵌合体（proteolysis-targeting chimeras, PROTACs）是一种新兴的治疗模式，利用泛素-蛋白酶体系统诱导靶向蛋白降解（targeted protein degradation, TPD）。其事件驱动和催化机制为靶向以往难以成药的蛋白质提供了新机会。然而，TPD技术的快速扩展，包括分子胶（molecular glues, MGs）和X-功能靶向嵌合体（X-functional targeting chimeras, XTACs），以及人工智能（artificial intelligence, AI）在降解剂设计中的日益应用，凸显了对全面且持续更新的数据资源的需求。在此，研究人员介绍PROTAC-DB 4.0，一个覆盖主要靶向降解和诱导邻近技术的扩展知识库。与前一版本相比，PROTAC-DB 4.0包含15 502条PROTAC条目、24 798条MG条目和272条XTAC条目，并扩展了实验注释、专利来源化合物和模态特定数据字段。PROTAC-DB 4.0的一个重大进步是集成了大语言模型（large language model, LLM）和基于检索增强生成（retrieval-augmented generation, RAG）的自然语言查询系统，该系统将结构化数据库记录与科学文献相连接，以实现跨PROTACs、MGs和XTACs的直观知识发现。通过将全面的数据整理与AI辅助信息检索相结合，PROTAC-DB 4.0提供了一个可访问的平台，以支持降解剂发现、数据驱动建模以及下一代靶向降解和诱导邻近疗法的合理设计。PROTAC-DB 4.0可免费访问：http://cadd.zju.edu.cn/protacdb/。

靶向蛋白降解（targeted protein degradation, TPD）已成为药物发现领域发展最快的治疗策略之一。与通过持续占据蛋白活性位点发挥作用的传统小分子药物不同，TPD技术通过诱导靶蛋白与细胞内效应系统之间的新邻近关系，实现疾病相关蛋白的选择性消除。这种事件驱动的作用机制为靶向传统上难以成药的蛋白质提供了新机遇。蛋白水解靶向嵌合体（proteolysis-targeting chimeras, PROTACs）是TPD技术中最为成熟的一类，其分子由靶蛋白（protein of interest, POI）配体、连接子和E₃泛素连接酶配体组成，通过同时结合POI和E₃连接酶诱导靶蛋白泛素化并随后经泛素-蛋白酶体系统降解。近年来，PROTAC技术已从概念验证快速走向临床转化。然而，TPD技术的理性设计仍面临巨大挑战，降解活性受连接子组成与长度、三元复合物形成、协同性、细胞通透性等多重因素影响，传统的试错优化成本高昂。人工智能（artificial intelligence, AI）和机器学习（machine learning, ML）越来越多地应用于TPD药物发现的多个环节，但高性能数据驱动模型的构建依赖于大规模、结构标准化且具有实验注释的高质量数据资源。此前，研究人员已开发了PROTAC-DB系列数据库，其中PROTAC-DB 3.0收录了6111个具有唯一SMILES表示的PROTAC，并整合了药代动力学参数、三元复合物结构和分子相似性搜索功能。然而，现有数据资源仍主要聚焦于传统PROTAC，而对快速涌现的分子胶（molecular glues, MGs）和多种X-功能靶向嵌合体（X-functional targeting chimeras, XTACs）的覆盖不足。为此，研究人员开发了PROTAC-DB 4.0，将数据库范围扩展至更广泛的靶向降解和诱导邻近技术，并引入基于大语言模型（large language model, LLM）和检索增强生成（retrieval-augmented generation, RAG）的自然语言查询系统。相关论文发表于《Nucleic Acids Research》。

在技术实现方面，研究人员通过PubMed数据库进行系统性文献检索，检索关键词包括“degrader* OR protac OR proteolysis targeting chimera”，并扩展了与新兴降解模式相关的关键词，如“molecular glue”、“DUBTAC”、“PHOTAC”、“RIBOTAC”、“HaloPROTAC”等。同时，系统筛查专利数据库以补充文献中尚未充分公开的化合物。所有来自文献和专利的条目均经过人工管理和质量控制。分子结构通过标准化SMILES表示，并使用RDKit计算分子描述符。自然语言查询系统采用多代理架构，包括路由代理、数据库检索代理和论文RAG代理。文献语料库包含1271篇出版物（894篇PROTAC、328篇MG、49篇XTAC），PDF文本通过PyMuPDF和MinerU混合提取，并建立语义和词法检索索引。数据库检索基于PostgreSQL，以只读方式提供化合物、靶蛋白、E₃连接酶、XTAC类型等参数的查询。最终由LLM综合数据库记录和文献证据生成结构化回答，并标注置信度和局限性。

在结果部分，数据概览（Data overview）显示，与前一版本相比，PROTAC条目数从9380增至15 502，对应10 725个唯一SMILES分子；MG条目数达到24 798，对应15 237个唯一分子；XTAC条目数为272。具有DC₅₀、细胞活性和western blotting数据的PROTAC条目分别增至3595、4997和5547。靶蛋白和E₃连接酶覆盖范围分别扩展至573种和22种。实验测定的晶体结构数从23增至37，含药代动力学数据的PROTAC数从145增至374。这些统计结果证实数据库在规模、广度和注释深度上均有显著扩展。在将MGs和XTACs集成到浏览和检索框架（Integration of MGs and XTACs into the browsing and retrieval framework）方面，研究人员在前端框架中新增了MG和XTAC数据源，支持在浏览化合物、浏览靶标等模块中进行统一检索与过滤。每个MG和XTAC条目均设有独立详情页，采用与PROTAC记录一致的四面板布局，显示概要信息、活性数据、结构表示和分子性质计算值。通过这种设计，用户可在保持一致的浏览体验的前提下，探索多样化的诱导邻近系统。在基于LLM和RAG的自然语言查询系统（LLM and RAG-based natural language query system for knowledge discovery）方面，研究人员实现了多代理检索框架。路由模块负责识别查询域（PROTACs、MGs、XTACs或跨域）并确定检索策略；数据库检索代理将自然语言转换为参数化查询；论文RAG代理从文献中提取支持证据。系统支持会话历史、实时流式响应和Markdown渲染。通过四个示例场景——结构化数据库检索与解释、机制解释、比较分析以及新兴模式知识总结——系统展示了其能力。例如，查询“靶向BTK且DC₅₀低于10 nM的PROTAC”时，系统能够筛选条目并总结所采用的E₃连接酶；询问“lenalidomide等分子胶如何将新底物招募至CRBN”时，系统检索文献并生成涉及E₃连接酶重编程和新底物识别的机制解释。

在讨论部分，研究人员指出，TPD领域已迅速扩展到传统PROTAC之外，对全面且高质量的数据资源提出了持续需求。PROTAC-DB 4.0的更新将数据库从面向PROTAC的专用资源转变为覆盖多种靶向降解和诱导邻近技术的综合知识平台。结合AI辅助信息检索，该数据库有望促进降解剂发现，支持数据驱动建模，并加速下一代靶向降解疗法的合理设计。所有数据均在http://cadd.zju.edu.cn/protacdb/免费开放获取。