Trends in Biochemical Sciences综述丨大规模靶向“不可成药”蛋白的全新策略

在过去的几十年里，大规模基因组测序和功能缺失筛选极大加速了疾病治疗靶点的鉴定， 但被临床批准药物靶向的蛋白质不到12%；即便算上化学探针，这一比例仍不足20%。 这种困境不仅面临巨大的未满足的临床需求，而且导致大量制药企业处于同质化竞争，造成社会资源的极大浪费。

基于结构的药物设计的挑战：结构可及性

历史上，药物发现从经验性和表型筛选转向“靶点-机制”范式，结构生物学和药物化学的发展使得基于结构的药物设计（SBDD） 成为先导药物发现和优化的主流策略。但SBDD面临的关键瓶颈在于，仅约35%的人类蛋白组被解析出结构，并且大多是非全长结构（见图1A）。另外，约60%人类蛋白质组含内在无序区域（IDRs），IDR因疏水残基少、极性/带电残基多而呈动态构象，很难用于SBDD。重要的是，用于结构测定的重组纯化蛋白与其对应的细胞内蛋白之间存在显著差异（见图1B），可能是药物研发进展缓慢的重要原因。

1.翻译后修饰（PTMs）。真核细胞有超过400种PTMs，极大拓展了蛋白质形式多样性，并与疾病密切相关。PTMs可改变蛋白质结构并重塑蛋白质组的配体结合能力，导致SBDD的体外活性结果未必能转化为体内效应，是结构信息向治疗应用转化的重要障碍。

2.蛋白-蛋白相互作用（PPIs）。几乎所有的细胞内蛋白都存在广泛的PPIs，甚至形成多蛋白复合物。PPI或复合物的改变与众多生理、病理过程密切相关。重要的是，PPI可改变构象动态分布、遮蔽经典口袋或稳定变构/隐蔽位点，从而有可能形成新的配体结合口袋，重塑蛋白可成药性。

3.寡聚体、聚集体与生物凝聚体。 约20%真核蛋白形成寡聚体（oligomer），可产生靶向界面或变构位点。寡聚体进一步形成聚集体（aggregate），与多种重大疾病相关。另外，IDR蛋白经液-液相分离形成生物凝聚体（biomolecular condensate），受多价作用和PTMs调控，参与转录等过程并与多种疾病关联。

▲图1. 与重组蛋白相比，细胞蛋白可能有更多的被配体结合的机会。

基于细胞蛋白的药物发现策略

与SBDD不同，基于细胞蛋白的药物-蛋白互作测定强调在接近天然的温和条件下，其中蛋白的共价或非共价相互作用得以保留，以维持翻译后修饰、蛋白互作、凝聚或聚集状态。目前已经多种简便可行的技术可以细胞蛋白与药物结合的测定，并都可以联用全蛋白组学技术。重要的是，这种策略无需蛋白纯化或稳定结构，理论上适用于所有蛋白质，包括那些含有IDR的“不可成药”蛋白（见图2）。

▲图2. 基于细胞蛋白的药物发现策略。

大规模化学蛋白质组学的机遇

基于细胞蛋白的药物发现策略，通过大规模化学蛋白质组学技术，有望大幅拓展配体-蛋白相互作用的数据库，实现对全蛋白组的靶向小分子开发（见图二）。

1.与AI结合

蛋白质组规模的配体-蛋白互作矩阵过于庞大，AI在预测片段混杂性和去噪方面极为有用。机器学习还能把观测图谱转化为机制和泛化模型，揭示隐藏结合模式、细胞相互作用特征和亚细胞分布规律。另外，AI能够生成小分子-蛋白识别规则，预测超出已测定配对范围之外的新细胞内相互作用并优先排序无先导配体的蛋白。AI还可提取肽段级“结合指纹”并估算结合区域。

2.挑战与发展方向 

大规模化学蛋白质组学在靶向全蛋白质组时仍存在漏洞，需要通过功能表型分析结合功能缺失实验进行验证，以区分因果靶标与其他非特异性结合事件。AI建模受限于高质量标注数据稀缺，非特异性标记需对照过滤，可整合多组学数据库尤其是PTM、PPI、蛋白寡聚和复合物数据库，进而大幅拓展数据规模和药物-靶标结合模型的精度。

▲图3. 通过大规模化学蛋白组学策略实现对大规模靶向“不可成药”蛋白。

总结

当前药物发现瓶颈在于过度依赖稳定结构及重组蛋白，但存在结构可及性的巨大挑战。基于细胞的蛋白质组学策略可全局识别可结合蛋白，但需要足够多的样本与互作数据。大规模化学蛋白质组学仍面临方法偏差、高质量AI数据集稀缺及噪声阈值界定等挑战。此外，需结合结构研究以阐明机制与优化配体。随之而来的一个关键问题是，若由于技术限制，无法通过体外方法加以证实，如何在体内定义药物与靶点的结合？