[Chem. Sci.] AlphaFold 结盟生成式 AI：30 天内从零锁定肝癌新药靶点与先导物

TL;DR

在药物研发领域，“结构决定功能”是黄金法则，但获取实验结构往往是最大的瓶颈。本文通过 AlphaFold 与 Insilico Medicine 两个 AI 平台的协同，完成了对“暗靶点” CDK20 的突破：仅用 30 天，从靶点筛选、分子生成、合成到生物学验证，成功发现了一个具有纳摩尔级别抑制活力的先导分子。这是全球首个应用 AlphaFold 预测结构实现 Hit-to-Lead 闭环的重磅案例。

核心速览：AI 时代的“快准狠”

• 靶点 (Target)：CDK20 (与肝癌 HCC 高度相关，此前无实验结构)。
• 方法 (Method)：PandaOmics (靶点筛选) + AlphaFold (结构支持) + Chemistry42 (生成化学)。
• 战绩 (Impact)：两轮合成共 13 个化合物，获得 $I{C}_{50}$ 达 33.4 nM 的高效抑制剂。

痛点深挖：为何我们需要 AlphaFold 救场？

结构基础药物发现（SBDD）的核心在于清晰地观察蛋白质的“锁孔”（Binding Pocket），以便设计精准的“钥匙”（Ligand）。然而：

1. 结构荒：人类蛋白组中绝大多数蛋白缺乏实验解析结构。
2. 周期长：传统的晶体解析或冷冻电镜实验可能耗时数月甚至数年。
3. 暗靶点困扰：CDK20 虽然在多种癌症中过表达，但因缺乏结构，长久以来被视为药物研发的死角。

深度解析：端到端的 AI 流水线架构

1. 靶点定位 (PandaOmics)

研究人员首先利用 PandaOmics 对 10 个肝癌数据集进行荟萃分析，结合文本挖掘、专利分析和组学数据，将 CDK20 列为优先级最高的 First-in-class 潜在靶点。

2. 构建“锁孔”模型 (AlphaFold)

在缺乏实验结构的情况下，团队从 AlphaFold 数据库中提取了 CDK20 的预测结构。

• 关键修整：AlphaFold 模型显示 CDK20 的 C 末端置信度较低（pLDDT分值低），甚至遮挡了 ATP 结合位点。
• 直觉校正：基于领域知识，研究团队切除了柔性的 C 末端（Pro303-Gly346），从而解封了用于小分子嵌入的 ATP 结合口袋（体积约 150 ${\mathring{A}}^3$）。

图 1：从靶点选择到分子生成的 AI 协同工作流

3. 分子生成与进化 (Chemistry42)

Chemistry42 就像是一个“分子乐高专家”。它基于 AlphaFold 提供的 3D 轮廓，利用生成式对抗网络（GAN）和增强学习（RL）生成了近 9000 个分子原型。

• 第一轮探索：锁定了铰链区（Hinge region）的 Met84 作为锚点，选出 7 个分子合成。其中 ISM042-2-001 展现出 9.2 $\mu$M 的亲和力。
• 第二轮进化：利用第一轮的 SAR（构效关系）反馈，AI 优化了分子的疏水填充和溶剂区相互作用。最终发现的 ISM042-2-048 引入了与 Lys33 形成氢键的基团，活性实现了量级飞跃。

实验战果：精准打击癌细胞

在生物学验证中，ISM042-2-048 表现出了极强的针对性，不仅在激酶测试中达到了 33.4 nM 的高活性，更在一组横向对比实验中表现优异：

• Huh7 (肝癌细胞)：$I{C}_{50}\approx 208$ nM（精准杀伤）。
• HEK293 (健康细胞拟态)：$I{C}_{50}\approx 1706$ nM（毒性相对较低）。

图 2：ISM042-2-048 的激酶抑制及细胞活性曲线对比

技术洞察与总结

这篇论文的真正价值不在于 CDK20 抑制剂本身，而在于证明了 “AI + 结构预测 + 自动化平台” 的模式可以将药物发现的早期阶段压缩到以“周”计算。

局限性分析： 虽然 AlphaFold 为 SBDD 提供了起点，但其静态预测对蛋白构象变化的捕捉（如 DFG-out 状态）仍有欠缺。此外，ADME（吸收、分布、代谢、排泄）特性的多目标优化仍需在未来工作中进一步强化。

结语： AlphaFold 不仅补充了生物学的图谱，更成为了 AI 药学工业生产线上的底层基石。正如作者所言，这是人类首次在实战中验证了这一闭环的巨大威力。