《Smart Molecules》：Artificial intelligence empowers targeted protein degradation: Core technological innovations, multi-scenario applications, and translational prospects
编辑推荐：
靶向蛋白降解（TPD）已成为一种变革性的治疗策略，为消除传统药物开发中面临重大挑战的“不可成药”蛋白质提供了前所未有的机会。目前的TPD方法，包括蛋白水解靶向嵌合体（PROTACs）、分子胶和溶酶体靶向嵌合体（LYTACs），面临若干局限性，例如形成稳定三元复
靶向蛋白降解（TPD）已成为一种变革性的治疗策略，为消除传统药物开发中面临重大挑战的“不可成药”蛋白质提供了前所未有的机会。目前的TPD方法，包括蛋白水解靶向嵌合体（PROTACs）、分子胶和溶酶体靶向嵌合体（LYTACs），面临若干局限性，例如形成稳定三元复合物的复杂性、连接子设计欠佳、E3连接酶种类有限以及药代动力学性质不足。人工智能（AI）迅速成为应对这些挑战的关键工具，通过数据驱动的洞察和预测建模革新了TPD药物发现过程。本综述系统探讨了AI在TPD开发中的应用，涵盖稳定三元复合物的预测与设计、连接子的合理优化、E3连接酶配体的高通量筛选，以及降解效率与ADMET（吸收、分布、代谢、排泄、毒性）性质的准确预测。此外，本综述强调了AI在分子胶发现中的开创性作用，从靶点识别到活性预测，并讨论了AI驱动的新兴TPD模式（如LYTACs和PROTAC/IMiD双功能分子）的优化。尽管取得了显著进展，仍存在若干关键挑战，例如标准化数据集的缺失、动态生物系统的静态建模以及高级AI架构的不透明性。未来研究应集中于整合多组学数据以改进模型训练、开发动态和机制性AI框架、推进可解释AI（XAI）以增强机制可解释性，并鼓励跨学科合作以加速临床转化。通过将AI与结构生物学、药理学和实验验证相结合，TPD技术有望扩展可成药蛋白质组，并为癌症、神经疾病及其他顽固性疾病提供新型治疗解决方案。
论文主体部分总结如下：
1 引言
传统药物开发面临“不可成药蛋白”的重大挑战，这些蛋白缺乏稳定三维构象和明确配体结合口袋，难以通过传统小分子药物靶向。靶向蛋白降解（TPD）作为一种新兴策略，通过利用细胞自身的降解系统（如泛素-蛋白酶体系统（UPS）和溶酶体途径）选择性清除疾病相关蛋白，而非仅抑制其功能。TPD方法包括PROTACs、分子胶、LYTACs等，具有更高选择性和有效性。然而，TPD面临特异性、耐药性等问题。人工智能（AI）通过处理大量数据并简化筛选流程，显著提升了TPD设计效率，降低了研发成本和时间。
2 AI在PROTAC开发中的核心应用
PROTAC分子通过异双功能结构连接靶蛋白（POI）和E3连接酶，形成三元复合物以诱导泛素化降解。AI在多个环节发挥作用。
2.1 三元复合物的预测、设计与稳定性评估
多种AI模型（如DeepPROTACs、ET-PROTACs、PROTAC-STAN等）基于图神经网络（GNN）、Transformer、等变图神经网络（EGNN）等架构，实现降解活性预测与三元复合物结构建模。DeepPROTACs采用多模块神经网络，融合POI口袋、E3连接酶口袋、靶蛋白配体和E3配体的图卷积网络（GCN）编码，以及连接子的双向长短期记忆（LSTM）编码，在测试集上达到77.95%准确率和0.8470的AUROC。BOTCP通过贝叶斯优化实现高效的三元复合物构象采样，在14个PDB复合物验证中显著优于传统方法。PRODE集成了蛋白-蛋白对接、扭转扩散构象采样和分子动力学（MD）模拟，成功应用于FGFR1-MDM2系统设计新型降解剂。AI-DPAPT利用随机森林（RF）等分类器，AUC达0.93-0.97。PROTACable采用SE(3)等变图Transformer实现自动从头设计。PROFLOW是首个端到端预测PROTAC三元复合物结构的深度学习模型，通过流匹配优化实现快速准确预测。ET-PROTACs引入三元注意力机制，融合三维结构和序列信息，AUC达0.781。AIMLinker基于门控图神经网络（GGNN）生成连接子，在BRD4-AT7-VHL系统中验证。LM-PROTAC利用语言模型生成PROTAC分子，在Wnt3a靶点实现剂量依赖性降解。PROTAC-STAN采用层次化表征和三元注意力网络，准确率达88.41%。DegradeMaster通过半监督E(3)-EGNN，结合伪标签策略，在PROTAC-8K数据集上AUROC达0.882。此外，生物基础模型与大型语言模型（LLM）通过迁移学习支持零样本和少样本生成，但缺乏TPD特异训练数据限制了泛化能力。
2.2 连接子的优化与设计
连接子设计影响三元复合物形成效率。AI模型如DeLinker、DEVELOP、SyntaLinker、PROTAC-RL、DRLinker、3DLinker、DiffLinker、PROTAC-INVENT、Link-INVENT、ShapeLinker、LinkerNet、FFLOM、DiffPROTACs、GRELinker等，通过图变分自编码器（GVAE）、Transformer、强化学习（RL）、扩散模型等方法实现连接子生成。DeLinker首次将三维结构信息融入GNN，生成分子三维相似性提高60%。DEVELOP引入三维药效团约束，恢复率提升10倍以上。SyntaLinker将片段连接视为“句子补全”，恢复率达62.7%。PROTAC-RL结合Transformer和RL，优化药代动力学（PK）性质，命中率50%。DRLinker通过RL精确控制连接子长度和logP。3DLinker实现端到端三维等变生成，RMSD低至0.079?。DiffLinker支持任意数量片段连接，有效率达93%。PROTAC-INVENT融合三维构象和RL，用于BTK降解剂设计。Link-INVENT基于RNN和RL，实现多目标优化。ShapeLinker通过注意力点云对齐优化几何匹配。LinkerNet协同设计片段姿态和连接子，首次突破固定片段假设。FFLOM基于流模型实现100%化学有效性。DiffPROTACs结合扩散模型和Transformer，生成有效性达93.86%。GRELinker采用RL和课程学习（CL），在logP控制任务中有效率达94.56%。当前基础模型可仅通过蛋白序列生成完整PROTAC骨架，但ADMET约束不足。
2.3 E3连接酶配体的预测与筛选
ErG整合XGBoost系统实现17种E3亚型配体选择性预测，准确率94.0%。MatchMaker模型通过药物-靶点相互作用（DTI）预测，发现首个DCAF1小分子配体CYCA-117-70（亲和力70μM），后续通过DNA编码库（DEL）和ML优化得到纳摩尔级配体OICR-8268（SPR Kd=38nM）。
2.4 降解效率的预测
LightGBM、MAPD、PrePROTAC等模型基于蛋白序列和理化描述符预测降解活性。GraphINVENT结合RL优化PROTAC分子，预测活性从50.8%提升至83.8%。MAPD通过随机森林分析内在蛋白特征（如泛素化潜力），AUPRC达0.759。PrePROTAC利用ESM蛋白语言模型嵌入和随机森林，ROC-AUC为0.81，并识别615个高置信度可降解靶点。多模态学习整合多组学数据可提升系统筛选能力。
2.5 ADMET性质的预测
MT-GNN全局模型、树集成模型和KNN分类模型专门针对TPD分子优化。Jiménez等开发基于随机树的溶解度分类工具，准确率86.7%。Poongavanam等建立VHL型PROTAC渗透性分类模型，准确率超80%。MT-GNN通过迁移学习微调，降低异双功能分子预测误差，分子胶误分类率低于4%。
2.6 AI驱动的PROTAC临床转化
ARV-110（Bavdegalutamide）和ARV-471（Vepdegestrant）作为临床验证分子，为AI模型提供关键设计参数（如三元复合物构象、连接子长度、E3配体偏好）。Insilico Medicine的Chemistry42平台设计的PKMYT1靶向降解剂D16_M1P2已进入临床前阶段。
3 AI在分子胶开发中的创新应用
分子胶通过诱导蛋白-蛋白相互作用（PPI）实现降解，AI在靶点识别和分子设计方面发挥关键作用。
3.1 靶点识别
Jiang等通过融合多种生物特征（FMBS）和Swiss Target Prediction等AI策略，鉴定蟾毒灵（bufalin）为ESR1的分子胶降解剂，结合E3连接酶STUB1促进ERα降解。
3.2 分子胶设计与活性预测
MOLDE框架建立从结构预测到亲和力评估的完整流程，通过生成式AI设计新分子胶SAIT_MG_26121。LC-JT-VAE结合ProtBERT和ESM2蛋白语言模型，生成针对Aβ42的分子胶，化学有效性超96%。Orionis Biosciences的Allo-Glue平台通过蛋白化学计量学（PCM）模型，将靶点G-loop序列信息纳入预测，随机森林算法优于朴素贝叶斯。ProGlu AI平台发现KRAS G12D降解分子胶IPS-06061。GlueMap结合MD模拟和ML，通过马尔可夫状态模型和变分自编码器实现降解效率预测（R2=0.91）。
4 AI向其他TPD模式的扩展
4.1 LYTACs
Cantudo等通过同源建模、分子对接和MD模拟设计LYTAC-MMP2，靶向基质金属蛋白酶-2（MMP-2），利用CI-MPR受体介导内吞-溶酶体途径，MRH3结构域显示最高亲和力。
4.2 EndoTags
Huang等通过计算设计内吞诱导蛋白（EndoTags），融合IGF2R、ASGPR、TfR等受体靶向结构域，形成蛋白基LYTACs（pLYTACs），在48小时内清除80%以上EGFR，并支持逻辑门控降解和信号放大。
4.3 双功能TPD模式
Jin等开发PROTAC/IMiD双功能分子库，合成BC6（BCL6/IKZF1/3降解剂）和BT6（BTK/IKZF1/3降解剂），BC6在DLBCL细胞中DC50为0.08-0.64nM，口服生物利用度良好。Wang等利用AI平台Chemistry42设计PKMYT1靶向双功能分子D16_M1P2。
5 总结与展望
AI在TPD领域已应用于三元复合物设计、连接子优化、降解效率预测、ADMET预测、E3连接酶配体筛选、分子胶靶点发现等。核心算法包括RF、GNN、Transformer、扩散模型等，数据集主要来自公共库和内部实验集合。当前挑战包括数据量小且质量不一、静态模型忽略动态生物系统、AI模型黑箱特性。未来方向包括：整合多组学数据构建标准化多模态数据集；开发动态与机制性AI模型（结合MD模拟和系统生物学）；推进可解释AI（XAI）以增强透明度；探索新型化学空间（如大环PROTACs）；促进跨学科合作；实现个性化TPD治疗。
6 结论
AI正在加速TPD药物发现，但需提升模型可解释性并通过实验数据验证。多模态学习与基础模型驱动的生成式AI具有巨大潜力，有望推动TPD策略进入临床。
