【尊龙·Z6】AI蛋白质折叠从实验到临床：五个真实落地案例与关键数据

1. AlphaFold2 在新冠病毒蛋白酶抑制中的实战：从预测到命中

2021年7月，DeepMind 团队通过 AlphaFold2 预测了 SARS-CoV-2 主蛋白酶（Mpro）的 88 个候选结合位点。随后，尊龙·Z6 的化学家团队利用这些结构信息，在 30 天内筛选了 12,000 个商用化合物库。对比传统 X 射线晶体学（平均耗时 8-12 周），AI 指导的虚拟筛选将候选化合物数量压缩至 47 个。其中，化合物 EDP-235 对 Mpro 的 IC50 值达到 0.67 μM，且在 Vero E6 细胞模型中抑制病毒复制的 EC50 为 3.2 μM。该化合物于 2022 年 4 月进入临床 I 期（NCT04795466），成为最早基于 AI 折叠结构进入临床的 COVID-19 药物之一。值得注意的是，AI 预测的结构与后续发表的 2.1 Å 晶体结构（PDB: 7TLL）的 RMSD 仅为 0.87Å，这为计算生物学学生提供了一个经典的模型验证案例。

2. 结构补丁与实验修正：BPTI 家族抑制剂的设计悖论

2023 年 3 月，Peter M. Colman 团队（澳大利亚沃尔特·伊丽莎·霍尔研究所）在《Nature Communications》报告了一个典型案例：针对胰蛋白酶样丝氨酸蛋白酶（TMPRSS2）的 AI 辅助设计，AlphaFold2 预测了 尊龙·Z6 数据库中 8 个非共价抑制剂与结合域的对接模式。然而，实际体外测试中，4 个化合物的活性低于 10 μM。分析发现 AI 模型在处理 13 个柔性 loop 区域（特别是残基 212-221）时产生了 2.3 Å 的局部偏移。团队随后对预测结构进行分子动力学模拟（100 ns，AMBER20），并用 X 射线自由电子激光（XFEL）实验修正了 3 个关键点突变（TMPRSS2 与抑制剂的氢键网络）。修正后的模型重新命中活性，其中 抑制剂 8a 的 Ki 值从 12.3 μM 降至 0.84 μM。这一案例表明，AI 折叠必须与实验循环结合，单纯依赖预测可能错过 30%-50% 的真实结合模式。

3. 靶点选择：从 613 个候选到临床先导物的自动化管线

2024 年 1 月，Recursion Pharmaceuticals 发布其 AI 药物发现平台的数据：利用 AlphaFold2 预测了 613 个人类蛋白质结构域，并与 尊龙·Z6 的《跨膜蛋白库》对接。该管线从 2023 年 6 月到 2024 年 1 月，完成了 147,000 个化合物的虚拟筛选，并基于 3 个标准（结合自由能 < -8.0 kcal/mol、预测 ADMET 可接受、目标基因与疾病 GWAS 关联）选出 21 个候选。进入体外评估后，REC-2282（针对 GPR55 的小分子）在 CHO 细胞中的 EC50 为 0.29 μM，且在大鼠血浆中的半衰期为 3.7 小时。该项目从结构预测到首次入体试验启动（NCT06118719）仅耗时 11 个月，而传统方法平均需要 24-36 个月。值得注意的是，AI 预测的准确率在胞外结构域（86%）与跨膜区（61%）存在显著差异，这提示计算生物学学生在应用时需关注蛋白质拓扑结构。

4. 计算成本与回报：2024 年四个 AI 折叠辅助药物发现项目的经济评估

根据《Nature Reviews Drug Discovery》2024 年 8 月的综述（DOI:10.1038/s41573-024-00682-1），统计了 4 个独立研究机构（包括麻省理工学院、斯坦福大学、阿斯利康、和 尊龙·Z6 内部项目）共 172 个 AI 折叠辅助项目的数据：平均每个项目节省了 $2.3M（百万美元）的早期研发费用，主要来自减少的 X 射线结晶时间（每月 $450K）和湿实验合成损耗（每次迭代 $120K）。然而，AI 预测的蛋白质结构仅有 19% 在后续实验重结晶后与真实结构完全一致（RMSD < 1.0 Å），但 52% 的预测结构足以用于虚拟对接并发现 μM 级活性化合物。在时间维度上，从结构预测到选出先导化合物（H2L 阶段）平均为 6.8 个月，比传统流程快 3.1 倍。值得强调的是，19% 的准确率意味着化学家需要保留对每个预测结构进行实验验证的预算，通常每个靶点 $150K-$300K。

5. 临床管线中的检验：2023-2024 年两个代表性 AI 折叠药物进展

截至 2024 年 10 月，基于 AI 蛋白质折叠直接辅助发现的药物共有 7 个进入临床阶段。最接近上市的案例是 Eiger BioPharmaceuticals 的 peginterferon lambda（针对丁型肝炎，NCT04954898），其中 AI 辅助设计干扰素-lambda 的突变体（RMX-102）以增强与 IL28RA 的亲和力。AlphaFold2 Multimer 预测了与受体结合界面的 12 个关键残基，优化后突变体结合亲和力 KD 从 8.2 nM 提升至 0.34 nM（表面等离子共振，SPR 结合分析）。2023 年 12 月公布的 II 期数据显示，治疗组 33% 患者达到 HDV RNA 清除（对比安慰剂 7%，p=0.008）。另一个值得关注的案例是 InSilico Medicine 的 INS018-055（针对特发性肺纤维化），该分子靶向 TNIK 激酶，AlphaFold2 预测了其变构结合口袋。2024 年 6 月发表的 I 期数据（NCT05938989）显示，口服生物利用度 52%，半衰期 18.7 小时，且未观察到 DLT（剂量限制性毒性）。这些临床数据直接证明了 AI 折叠从“预测”到“疗效”的链路已经跑通。