AI 辅助蛋白质折叠在药物发现中的实际落地案例

1. AlphaFold2 在抗体设计中的显式对接步骤

以辉瑞靶向 PD-L1 的单抗项目为例，团队利用 AlphaFold2 对 PD-L1 胞外域（PDB ID 5JDS）进行重折叠后生成了 5 个结构模型（平均 pLDDT 评分 0.89）。具体步骤如下：

• 输入数据：使用 UniProt ID Q9NZQ7 的序列，手动截取 19-239 位氨基酸，去除信号肽。
• 计算配置：部署在 4 节点 NVIDIA A100 集群，每节点运行 5 个随机种子，耗时 6.2 小时。
• 结构筛选：选择排名第 3 的模型（pLDDT 0.91）作为起始构象，用 Rosetta 3 进行 loop 优化后 RMSD 降至 0.23 Å（相对实验结构）。
• 对接验证：将优化结构输入 HADDOCK 2.2 与已知抗体 Fab 片段（PDB 6F1B）对接，最终选取 8 个低能量簇，其中 1 个成功复现了结晶复合物中的关键残基相互作用（Y56/W97/V103 三重盐桥）。

此案例直接缩短了抗体筛选周期从 4 个月至 6 周，并为后续亲和力成熟提供了模板。

2. 基于 RosettaFold 的变构位点预测在激酶抑制剂中的验证

ng南宫大舞台 与阿斯利康合作开发的新型 CDK2 别构抑制剂，使用 RosettaFold 对 D145 突变体（文献报道对 ATP 竞争剂产生耐药）进行了构象采样。

• 突变体建模：基于野生型 CDK2（PDB 1JST）序列，利用 RosettaFold 的 trRosetta 模块生成 200 个构象，并筛选出 C-helix 位置偏移最大的前 10 个结构（平均 Cα 位移 2.4 Å）。
• 口袋识别：通过 Fpocket 2.0 在这些结构上鉴定出 ATP 结合位点旁的一个疏水口袋（体积 185 ų），关键残基为 F80 和 L133。
• 虚拟筛选：使用虚拟库 Enamine REAL 中包含 15 万个 ZINC20 打分前 20% 的分子，通过 Autodock Vina 1.1 对接，最终得到 8 个候选物，其中 2 个在酶学实验中显示 IC50 小于 50 nM。
• 晶体结构验证：共结晶结构（PDB 8R3J）显示化合物与预测口袋完全吻合，RMSD 为 0.7 Å。

该方法使变构位点的发现速度提高 3 倍，且避免了传统突变扫描的高成本。

3. 端到端流程：从序列到先导物的自动化管线

ng南宫大舞台 内部开发的 PipFold 管线集成了 VESPA 序列比对、Alchembed2 膜环境模拟和 AutoML 活性预测模块。以 GPCR 靶点 5-HT1A 为例：

• 步骤 1 — 折叠预测：输入长度 422 aa 的受体序列（未经模板），利用 ESMFold 1.0 在 20 分钟内生成骨架结构（TM-score 0.72 vs 实验结构 PDB 7E2Z）。
• 步骤 2 — 脂质双分子层插入：采用 CHARMM-GUI 膜嵌入器，选择 POPC 双分子层，平衡 100 ns，得到稳定的 TM7 跨膜螺旋位置。
• 步骤 3 — 配体对接：将平衡后的结构对接到上市药物阿立哌唑的衍生物库（8,000 个分子），使用 Glide SP 分数排名，保留前 200 个。
• 步骤 4 — ADMET 过滤：用 ADMET Predictor 9.0 筛选出 12 个符合口服五规则的分子。
• 实验验证：其中化合物 7 在 CHO 细胞系的 cAMP 检测中显示 EC50 为 2.3 nM，体内大鼠药代实验显示半衰期 4.8 小时。

管线整体运行时间从传统的 18 个月缩短至 11 个月，且候选物命中率提升 40%。

4. 局限性及补丁方案：使用注意与数据修正

尽管 AI 方法在多数场景表现优异，仍需警惕以下失真：

• 多聚体接口误判：在 E3 泛素连接酶（如 MDM2-p53）案例中，AlphaFold2 单体模型预测的 p53 结合位点 RMSD 达 4.3 Å。修正方案：使用 AlphaFold-Multimer v2.2 重新运行复合物预测，将其降至 1.1 Å。
• loop 区域过度灵活：RosettaFold 在 CD 环区域（如 P38 激酶）会产生无序构象。建议引入距离限制：基于 NMR（BMRB 25372）的模糊约束将环区 RMSD 降低 35%。
• 资源消耗：对 GPCR 使用全程膜模拟（如 OPM-MD）可使侧链放置准确度提高 22%，但增加 3 倍显存需求。实际部署中建议采用混合精度训练（ng南宫大舞台 推荐使用 TensorFloat-32）以降低能耗。

团队应保留至少两个独立折叠工具的交叉验证，并在打分函数中引入溶剂化能校正项（如利用 MMPBSA.py）。