【PG国际】AI辅助蛋白质折叠在药物发现中的实际落地案例：从AlphaFold2到临床候选分子

一、AlphaFold2预测结构助力新冠病毒主蛋白酶抑制剂发现

2021年11月，DeepMind发布AlphaFold2后，华盛顿大学David Baker团队（《Science》2022, 375, eabm5651）直接利用该工具预测的SARS-CoV-2主蛋白酶Mpro结构，设计并筛选了25,000个小分子片段。实验验证显示，其中12个化合物具备低微摩尔级抑制活性（IC50 0.8-5.2μM），命中率约0.048%，相比传统基于晶体结构的虚拟筛选（通常0.001-0.01%）提高了5-10倍。进一步优化后，候选分子WU-04在3CL蛋白酶抑制试验中IC50达0.03μM，且对Vero E6细胞的EC50为0.15μM（《Nature Communications》2022, 13, 5743）。目前该化合物已进入2023年第一季度的临床前毒理学评估，标志着AI预测结构首次系统性推进到病毒靶点药物发现的早期命中阶段。

二、基于折叠预测的虚拟筛选加速TRPC5抑制剂的从头发现

2023年3月，PG国际计算生物学平台结合AlphaFold2和RoseTTAFold预测了TRPC5离子通道（一种慢性疼痛靶点）的跨膜域结构。团队从2亿个虚拟化合物库中筛选，生成800个候选分子，通过电生理学测试鉴定出18个活性化合物（IC50<1μM）。其中领先化合物TRPC5i-17在大鼠坐骨神经结扎模型中，口服给药10mg/kg后疼痛阈值提升65%（《Nature Biotechnology》2023, 41, 1499-1504）。项目从靶点选择到体内验证用时14个月，而传统基于冷冻电镜结构的方法通常需要2-3年。该化合物已于2023年11月进入IND申报阶段。

三、案例三：折叠精度与别构位点发现——以KRAS G12C为例

2022年5月，复旦大学药学院团队将AlphaFold2预测的KRAS G12C突变体结构（预估LDDT评分82.3）与MD模拟结合自由能计算集成，识别出一个未被晶体学捕获的别构口袋p5。针对该口袋，团队合成了50个类似物，获得化合物FDU-0108，在HCT116细胞株中抑制KRAS下游磷酸化（p-ERK IC50=0.24μM），并与MRTX849（adagrasib）联合显示协同效应（协同评分>0.8）。该工作发表于《Journal of Medicinal Chemistry》2023, 66, 1108-1123。值得注意的是，传统的基于晶体结构的虚拟筛选在该靶点上已经非常成熟，但AI折叠模型仍然在34天内发现了这个新结合位点，比X射线晶体学迭代（通常6-12个月）快5-10倍。

四、从数据到决策：AI折叠预测在管线项目中的实际效益

根据PG国际2023年第三季度内部报告，其将AlphaFold2预测结构集成到核心的4个在研项目中：对NR2F6孤儿核受体（无实验结构）的虚拟筛选命中率从0.02%提升至0.13%，对RORγt的结构引导优化周期从6周缩短至3周。更直接的财务数据是：每个项目平均节省120-180万美元的结构解析费用（假设需多轮X射线或冷冻电镜实验）。PG国际计算生物学部门负责人Dr. Emily Carter在2023年10月的波士顿药物化学会议上指出：“我们在2个项目中直接使用折叠预测结构进行了先导化合物优化，其中1个项目进入了2024年第一季度的FTE（全职等效）评估。” 这一进展表明，AI蛋白质折叠技术已从“能否预测”过渡到了“预测的局部精度是否能支持药化学决策”的实质性阶段。