编辑 | X

AlphaFold2 (AF2)和 RosettaFold 极大地扩展了可用于基于结构的配体发现的结构的数量，尽管它们在这一目标中的直接作用提出了质疑。

1 月 18 日，Nature 发表题为《AlphaFold found thousands of possible psychedelics. Will its predictions help drug discovery?》的新闻报道。

文章地址：https://www.nature.com/articles/d41586-024-00130-8

加州大学的研究团队已经使用蛋白质结构预测工具 AlphaFold 识别出数十万种潜在的新型迷幻（psychedelic）分子，这可能有助于开发新型抗抑郁药。

该研究首次表明，只需按一下按钮即可进行 AlphaFold 预测，对于药物发现来说，它与通过实验得出的蛋白质结构一样有用，而后者可能需要数月甚至数年才能确定。

相关研究以《AlphaFold2 structures template ligand discovery》为题，于 2023 年 12 月21 日 发在预印平台 bioRiv 上。

论文链接：https://www.biorxiv.org/content/10.1101/2023.12.20.572662v1

具体而言，研究人员前瞻性地测试了 unrefined 的 AF2 模型，比较了针对 AF2 模型的大型文库对接的实验命中率和亲和力与针对相同受体实验结构的相同 screens。

在针对 σ2 和 5-HT2A 受体的回顾性对接筛选中，AF2 结构难以重现之前发现的与受体实验结构对接的配体，这与已发表的结果一致。然而，AF2 模型的预期大型文库对接与实验衍生结构的对接相比，两种受体的命中率相似。

作为对接的实验结构，研究人员使用了 5-HT2A 受体与部分激动剂麦角乙脲（Lisuride）和 Gαq 的复合物。

麦角乙脲是一种有效的非迷幻性部分激动剂，其结构似乎适合于长期致力于发现新型和非迷幻性的 5-HT2A 激动剂。

针对每个模型和每个受体的每个结构对数百个分子进行了优先排序和测试。尽管两个靶标与实验结构的正构口袋残基构象存在差异，但 AF2 模型还是取得了成功。

有趣的是，针对 5-HT2A 受体最有效的亚型选择性激动剂是通过与 AF2 模型而非实验结构对接发现的。

为了从分子角度理解这一点，研究确定了一种更有效和更具选择性的配体的冷冻电镜结构，该配体通过与 5-HT2A 受体的 AF2 模型对接而出现。研究结果表明，AF2 模型可能会采样与配体发现相关的构象，从而大大扩展了基于结构的配体发现的适用范围。

这一进展推动了 AlphaFold 的发展，DeepMind 开发的 AI 工具 AlphaFold，已经改变了生物学领域的游戏规则。公共 AlphaFold 数据库包含几乎所有已知蛋白质的结构预测。与疾病有关的分子的蛋白质结构在制药工业中用于识别和改进有前途的药物。但一些科学家开始怀疑 AlphaFold 的预测是否可以替代寻找新药的黄金标准实验模型。

瑞典乌普萨拉大学（University of Uppsala）的计算化学家 Jens Carlsson 说，「AlphaFold 绝对是一场革命。如果我们有一个好的结构，我们应该能够将其用于药物设计。」

AlphaFold 怀疑论

加州大学旧金山分校的药物化学家 Brian Shoichet 表示，将 AlphaFold 应用于寻找新药遭到了相当大的质疑。「有很多炒作。每当有人说‘某某将彻底改变药物发现’时，就值得怀疑。」

Shoichet 统计了十多项研究，这些研究发现，当用一种叫做蛋白质配体对接的建模方法来识别潜在药物时，AlphaFold 的预测不如通过实验方法（例如 X 射线晶体学）获得的蛋白质结构有用。

这种方法在药物发现的早期阶段很常见，涉及对数亿或数十亿种化学物质如何与靶蛋白的关键区域相互作用进行建模，以期识别出改变蛋白质活性的化合物。先前的研究往往发现，当使用 AlphaFold 预测的结构时，模型很难挑选出已知与特定蛋白质结合的药物。

由 Shoichet 和北卡罗来纳大学教堂山分校（University of North Carolina at Chapel Hill）的结构生物学家 Bryan Roth 领导的研究人员，在将与神经精神疾病有关的两种蛋白质的 AlphaFold 结构与已知药物进行对比时，得出了类似的结论。

研究人员想知道，与实验结构的微小差异是否可能导致预测的结构错过某些与蛋白质结合的化合物，但也使他们能够识别出同样有前途的不同化合物。

为了测试这个想法，研究小组使用这两种蛋白质的实验结构来虚拟筛选数亿种潜在药物。之前使用冷冻电子显微镜测定了一种蛋白质，一种感知神经递质血清素的受体。另一种蛋白质（称为 σ2 受体）的结构已使用 X 射线晶体学绘制出来了。

药物差异：没有两个分子是相同的

他们对从 AlphaFold 数据库中提取的蛋白质模型进行了相同的筛选。然后，他们合成了数百种最有前途的化合物，这些化合物具有预测结构和实验结构，并在实验室中测量了它们的活性。

具有预测结构和实验结构的筛选产生了完全不同的候选药物。「没有两个分子是相同的，」Shoichet 说。「它们甚至一点都不像。」

但令研究小组惊讶的是，两组的「命中率」，即实际上以有意义的方式改变蛋白质活性的标记化合物的比例，几乎相同。AlphaFold 结构确定了最有效地激活血清素受体的药物。迷幻药 LSD 一定程度上是通过这种途径发挥作用，许多研究人员正在寻找具有相同作用的非致幻化合物，作为潜在的抗抑郁药。「这是一个真正的新结果，」Shoichet 说。

预测能力

在未发表的研究中，Carlsson 的团队发现 AlphaFold 结构擅长识别针对一类热门靶标的药物（称为 G 蛋白偶联受体），其命中率约为 60%。

Carlsson 说，对预测的蛋白质结构有信心可能会改变药物发现的游戏规则。通过实验确定结构并非易事，许多潜在的靶点可能无法屈服于现有的实验工具。「如果我们能够按下按钮并获得可用于配体发现的结构，那将非常方便，」他说。

加拿大不列颠哥伦比亚大学（University of British Columbia）的结构生物学家 Sriram Subramaniam 表示，Shoichet 和 Roth 团队选择的两种蛋白质是依赖 AlphaFold 的良好候选蛋白质。相关蛋白质的实验模型——包括药物与其结合的区域的详细图谱——很容易获得。「如果你综合考虑的话，AlphaFold 是一种范式转变。它改变了我们做事的方式。」他补充道。

一家位于纽约市的药物软件公司 Schrödinger 疗法研发总裁 Karen Akinsanya 说道，「这不是万能药」。预测的结构对某些药物靶点有帮助，但对其他药物靶点没有帮助，而且并不总是清楚哪种适用。一项研究发现，在大约 10% 的情况下，AlphaFold 认为高度准确的预测与实验结构有很大不同。

Akinsanya 补充道，即使预测的结构可以帮助识别先导化合物，通常也需要更详细的实验模型来优化特定候选药物的特性。

大赌注

Shoichet 同意 AlphaFold 预测并不普遍有用。「有很多模型我们甚至没有尝试，因为我们认为它们太糟糕了，」他说。但他估计，在大约三分之一的情况下，AlphaFold 结构可以启动一个项目。「与实际出去建立一个新结构相比，你可以将项目推进几年，这是巨大的，」他说。

这就是 DeepMind 在伦敦的药物研发分公司 Isomorphic Labs 的目标。1 月 7 日，该公司宣布了价值至少 8250 万美元（如果实现业务目标，最高可达 29 亿美元）的交易，使用 AlphaFold 等机器学习工具代表制药巨头诺华 (Novartis) 和礼来 (Eli Lilly) 寻找药物。

RoseTTAFold All-Atom 相关论文链接：https://www.biorxiv.org/content/10.1101/2023.10.09.561603v1

该公司表示，这项工作将得到新版本 AlphaFold 的帮助，该版本可以预测蛋白质与药物和其他相互作用分子结合时的结构。DeepMind 尚未透露何时或是否会像早期版本的 AlphaFold 那样向研究人员提供更新。其开发人员将很快推出名为 RoseTTAFold All-Atom 的竞争工具。

科学家表示，此类工具不会完全取代实验，但它们帮助寻找新药的潜力不应被低估。「有很多人希望 AlphaFold 能做所有事情，很多结构生物学家也想找到理由来证明我们仍然需要它，」 Carlsson 说。「找到适当的平衡是很困难的。」