David Baker最新论文：AI从头设计大环肽，高亲和力靶向目标蛋白

2025 年 6 月 20 日，诺贝尔奖得主、蛋白质设计先驱、华盛顿大学 David Baker 教授团队在 Nature 子刊 Nature Chemical Biology 上发表了题为：Accurate de novo design of high-affinity protein-binding macrocycles using deep learning 的研究论文。

该研究开发了一种从头设计大环肽的新框架——RFpeptides，实现了精确的从头设计与目标蛋蛋白质具有高亲和力的大环肽。

大环肽（Macrocyclic peptide）为开发介于小分子药物和大分子生物制剂之间的新型治疗药物提供了一条充满希望的途径。生物制剂虽然能够以高亲和力和高选择性结合多种治疗靶点，但由于其体积大且极性高，通常无法穿过细胞膜，因而仅限于细胞外靶点。相反，小分子能够进入细胞内靶点，但对于缺乏深疏水口袋的蛋白质而言，它们并非理想的靶向选择。原则上，介于小分子和蛋白质之间的大环肽，可以调控传统治疗手段无法触及的分子靶点。开发靶向蛋白质的蛋白质结合大环肽，将会有许多诊断和治疗方面的应用。

传统上，肽类药物的研发依赖于天然产物的发现，或者利用展示技术对数以万亿计的随机肽进行高通量筛选以寻找与靶点结合的肽。然而，天然产物的发现面临诸多挑战，尤其是合成困难、稳定性差以及已发现的活性物质对突变的耐受性低等问题。尽管高通量筛选方法十分强大，但其耗时、耗资且费力，并且只能涵盖大环化合物丰富化学和结构多样性中的一小部分。此外，由于要实现这些功能特性需要对结构进行精确控制，这类方法往往无法同时优化多种生物物理特性，例如靶点结合、选择性和膜通透性。

结构导向设计方法为文库筛选方法提供了一种互补途径，能够快速在计算机中探索大量化学和结构多样性，从而设计出靶向治疗靶点的大环结合剂。

David Baker 团队之前开发了基于物理原理的方法，通过借鉴已描述的结合配体的基序或相互作用作为锚点，来设计靶向蛋白质靶点的超稳定约束肽、结构化大环和结合剂。然而，尽管利用这些方法设计单体大环化合物时观察到了很高的准确性，但在设计蛋白质结合大环化合物方面却成果有限，仅获得了中等的结合亲和力，而且在很多情况下，实验测定的结构与设计模型并不一致。

此外，近期还有研究利用 AlphaFold2 或其他基于深度学习的方法来预测大环化合物和大环-靶点复合物的结构，以设计与蛋白质靶点结合的肽类结合剂。然而，迄今为止，这些方法尚未得到广泛的结构验证，也未显示出能够稳健地对与各种蛋白质靶点形成复合物的环肽结构进行原子级精度的从头设计。仅利用蛋白质的结构或序列信息就能从头准确设计出高亲和力大环结合剂的计算方法，对于更广泛的治疗应用是必需的。

研究团队认为，近期生成式人工智能领域的突破，可被用于实现对大环结合剂的准确且高效的设计。诸如 RFdiffusion 之类的蛋白质设计扩散模型经过训练，能够从随机初始化的氨基酸残基作为起点生成多样化的蛋白质结构，并在设计蛋白质单体、结合剂以及中大型蛋白质的对称寡聚体方面取得了显著成功。

然而，尽管基于人工智能的蛋白质设计方法在近期取得了相当大的进展，但这些方法并不容易应用于设计大环肽。由于用于训练此类模型的实验数据有限，从零开始开发类似的肽设计方法一直颇具挑战性。

为应对这些挑战，研究团队扩展了 RoseTTAFold2（RF2）结构预测网络和 RFdiffusion 蛋白质骨架生成框架，以纳入循环相对位置编码，进而推出了 RFpeptides，这是一个基于去噪扩散（denoising diffusion）的流程，用于从头设计靶向目标蛋白的大环肽。

研究团队针对四种不同蛋白质（MCL1、MDM2、GABARAP 和 RbtA）分别测试了不超过 20 种设计的大环肽，并对所有靶标均获得了中高亲和力的结合剂。  其中，对于 RbtA，仅基于预测的靶标结构就设计出了高亲和力结合剂（K_d < 10 nM）。

进一步结构解析线索，从头设计的大环肽结合的 MCL1、GABARAP 以及 RbtA 复合物的 X 射线晶体结构均与计算模型高度吻合，相对于设计模型的 Cα 原子均方根偏差（Cα RMSD）小于1.5 Å。  

总的来说，该研究表明，RFpeptides 为快速定制设计用于诊断和治疗应用的大环肽提供了系统性框架。