| 查看: 54 | 回复: 1 | |||
[交流]
从发现活性到理解机制，Cryo-EM 正在进入药企新药研发流程 已有1人参与
|
|
药研人员都知道，在新药研发中，真正困难的往往不只是“找到一个有效分子”，而是解释它为什么有效、如何进一步优化，以及它是否真的按照预期方式作用于靶点。例如，一个小分子筛选出了活性，但结合位点在哪里？一个抗体表现出较强亲和力，但它识别的表位在哪里，是否覆盖关键功能区域，或阻断关键受体结合界面？一个 PROTAC 分子能够诱导降解，但三元复合物是否稳定形成？一个 AI 模型预测了潜在结合模式，但这种预测是否能被实验结构验证？ 这些问题背后，其实都涉及同一个关键需求：药物研发需要更加可靠的结构证据。 过去，新药研发很大程度上依赖高通量筛选、经验优化和功能实验验证。随着结构生物学的发展，越来越多药企开始意识到，药物研发不能只停留在“有没有效果”的层面，更需要回答“为什么有效”和“怎样变得更好”。也正因为如此，冷冻电镜（Cryo-EM）正在从基础科研，逐渐进入药企的早期研发、机制研究和候选分子优化流程当中。 新药研发真正缺的，往往不是分子，而是机制证据 今天的药物研发，并不缺少发现候选分子的路径。无论是高通量筛选、DNA 编码化合物库、虚拟筛选，还是基于 AI 的分子生成，都在不断扩大早期候选分子的来源。但候选分子越多，另一个问题就越突出：哪些分子值得继续推进？为什么这个分子比另一个更有潜力？后续结构又该如何调整？ 仅靠活性数据，其实很多时候很难回答这些问题。因为活性数据更多反映的是一个分子在特定实验条件下“有没有效果”以及“效果强不强”，但它并不能充分说明分子是如何与靶点结合的，也不能直接解释这种作用是否具有足够的选择性和可优化空间。比如，两个化合物可能 IC50 接近，但结合姿态完全不同；一个分子可能体外活性很好，却因为结合方式不理想而带来选择性差、脱靶风险高等问题；一个抗体可能亲和力不错，但如果没有阻断真正关键的功能界面，后续开发价值也可能受到限制。因此，对药企来说，这些结构层面的不确定性，最终都会影响项目推进效率和后续优化判断。 这也是结构信息在药物研发中发挥作用的地方。它并不是简单地给出一张蛋白“长什么样”的图片，而是帮助研发团队进一步解释活性数据背后的原因。通过解析药物靶点及其复合物结构，研究人员可以看到配体进入了哪个结合口袋，与哪些关键氨基酸残基发生相互作用，是否诱导了靶点构象变化，以及这些结构变化能否与功能实验结果相互印证。这样一来，研发团队就不只是知道某个候选分子“有没有效果”，还可以进一步判断它为什么有效、是否值得继续推进，以及后续优化应该朝哪个方向展开。 基于结构的药物设计，让研发决策更可视化 在传统药物研发中，一个项目从 hit 发现到 lead optimization，往往需要经历不断合成、测试、再设计、再验证的过程。这个过程并不一定低效，因为药物优化本身就离不开实验迭代；但如果缺少结构信息，很多优化判断就更依赖已有经验和活性结果本身。哪些位置值得改？为什么某个取代基带来了活性提升？一个分子活性下降，是因为结合力变弱，还是结合姿态发生了变化？这些问题如果缺少结构证据，往往很难被直接回答。 而当结构证据开始被纳入研发流程，药物发现就不再只是“筛到一个分子，再看它有没有活性”，而是可以进一步围绕靶点结构、结合模式和作用机制展开设计与优化，这也正是基于结构的药物设计（Structure-Based Drug Design, SBDD）的核心价值。 在这个过程中，SBDD 并不是要取代高通量筛选、虚拟筛选或 AI 分子设计，而是将这些方法获得的候选分子，进一步放到靶点结构和作用机制中进行理解：它是否真正进入了合理的结合口袋？结合模式是否支持后续优化？功能实验结果能否被结构变化解释？这些问题的答案，会直接影响候选分子的优先级判断与推进方向，也能帮助药企在早期发现、机制解释与分子优化之间建立更连续的研发决策链条。 过去，X 射线晶体学在 SBDD 中发挥了非常重要的作用。很多经典药物都受益于高分辨率晶体结构。但晶体学方法有一个现实限制：并不是所有靶点都容易结晶。尤其是膜蛋白、大型蛋白复合物、构象动态明显的靶点，往往很难获得稳定、高质量的晶体结构。而这些靶点，恰恰又是药企非常关注的方向。 Cryo-EM 的出现，为这些难解析靶点提供了新的结构研究路径。它不需要蛋白结晶，可以在更接近天然状态的条件下研究较大分子量的复合物和膜蛋白体系。对于很多过去“重要但难解析”的靶点来说，Cryo-EM 让结构证据更有机会进入药物研发流程，也让 SBDD 能够覆盖更多复杂靶点和复杂作用机制。 为什么复杂靶点更需要 Cryo-EM？ 药企关注的许多热门靶点，本身就具有复杂性。比如 GPCR、离子通道、转运蛋白、病毒蛋白复合物、抗体-抗原复合物、E3 连接酶相关复合物等，它们往往不是一个静态结构，而是在不同功能状态之间变化。药物分子结合后，也可能不是简单地“占住一个口袋”，而是稳定某一种构象、阻断某一个界面，或者重新塑造蛋白之间的相互作用。 以 GPCR 为例，这类受体是药物研发中非常重要的靶点，但它们高度动态，且位于细胞膜环境中。一个激动剂、拮抗剂或变构调节剂结合之后，可能改变跨膜螺旋排列，影响下游 G 蛋白或 β-arrestin 信号通路。如果只知道配体有活性，却看不清它如何改变受体状态，就很难进一步解释药物作用机制。 Cryo-EM 的优势在于，它可以解析 GPCR 与配体、G 蛋白、抗体片段或其他结合伙伴形成的复合物结构。这样的结构不仅能显示配体在哪里结合，还能展示受体处于什么构象状态，以及这种状态如何关联下游信号。这对于优化小分子调节剂、理解偏向性信号和提高药物选择性都有重要意义。 类似地，离子通道和转运蛋白也常常存在开放、关闭、中间态等不同构象。药物可能通过稳定某一种状态发挥作用。Cryo-EM 能够捕捉这些状态差异，使研究人员更直接地理解药物如何影响蛋白功能。对于研发决策来说，这类信息比单纯的活性数据更有解释力。 药物形式越复杂，越需要结构证据 Cryo-EM 的应用并不限于小分子药物。随着药物形式越来越复杂，结构解析不再只是“事后解释机制”的工具，而是越来越多地参与到早期研发决策中。 在抗体药物开发中，研究人员关心的不只是抗体能否结合抗原，还要知道它识别的表位在哪里，是否覆盖关键功能区域，是否阻断受体结合，是否可能产生交叉反应或逃逸突变风险。Cryo-EM 可以直接解析抗体-抗原复合物，帮助定位表位、解释中和机制，并为抗体工程改造提供结构依据。 对于病毒抗体、肿瘤相关抗原、膜蛋白抗原等体系，Cryo-EM 尤其具有价值。这些体系往往结构复杂、柔性较强，晶体学方法未必容易获得完整复合物结构。而 Cryo-EM 可以在复合物状态下观察抗体与抗原的结合方式，使抗体筛选和优化不再只依赖亲和力数据，而能够进一步结合结构机制进行判断。 PROTAC 和分子胶等诱导邻近技术，则让结构问题变得更加复杂。PROTAC 分子不是简单结合一个靶点，而是同时连接靶蛋白和 E3 泛素连接酶，诱导形成三元复合物。这个复合物是否形成、构象是否合理、界面是否稳定，都会直接影响后续降解效果。 因此，PROTAC 研发中的关键问题，不只是“分子是否能分别结合两端蛋白”，而是“它是否能把两个蛋白以合适的空间方式组织在一起”。 对于这个问题，Cryo-EM 能够帮助研究人员观察这类复杂复合物的整体结构和界面关系，为 linker 设计、优化结合姿态和解释降解机制提供重要参考。 由此可见，药物形式越复杂，越需要结构生物学更早介入研发流程。 药物优化不能只看“有没有结构”，还要看结构是否可靠 随着 Cryo-EM 技术快速发展，结构数量正在明显增加。但对于药物研发来说，真正重要的不是“有没有一个结构”，而是这个结构是否足够可靠，是否能够支持后续药物设计。 药物优化对结构质量要求很高。研究人员需要看清配体密度是否明确，关键氨基酸残基位置是否可信，结合口袋是否清晰，水分子、金属离子或其他辅助相互作用是否能够被合理识别。如果结构质量不足，可能只能用于说明大致构象，不适合直接指导分子改造。 这也是近年来 Cryo-EM 领域越来越重视质量评估的原因。结构模型并不是实验结果本身，而是对实验密度图的解释。一个模型看起来完整，并不代表它一定与实验图谱高度一致。因此，Q-score、model-to-map correlation 等评价指标正在变得越来越重要。 对于药企项目而言，这一点尤其关键。如果结构数据要进入药物设计流程，就必须保证从样品制备、数据采集、图像处理、三维重构、模型搭建到结构精修的每一步都可靠。否则，错误或不充分的结构解释可能会影响后续分子优化方向。 因此，Cryo-EM 服务的价值也不应只理解为“上机拍图”或“得到一个结构”。更完整的价值在于围绕项目目标，对样品状态、数据质量、结构分辨率、模型可靠性和生物学解释进行系统判断。只有这样，结构结果才能真正转化为药物研发中可用于判断和优化的依据。 AI 提出结构假设，Cryo-EM 提供实验验证 近年来，AI模型的发展，正在深刻影响药物研发和结构生物学。AlphaFold 等工具显著提高了蛋白结构预测能力，分子对接、生成式模型和机器学习方法也被广泛用于虚拟筛选和候选分子设计。对药企来说，AI 的价值在于加快假设生成，提高早期探索效率。 但 AI 预测的并不等于实际结构。它只是能帮助研究人员更快提出候选结合模式和优化方向，而不能直接替代实验验证。对于药物研发来说，Cryo-EM 的价值正在于把这些计算预测放回真实样品中检验，判断候选分子是否按照预期方式结合，以及预测结果是否具备继续指导实验优化的基础。 因此，Cryo-EM 与 AI 的结合，正在形成一种新的研发模式。AI 可以帮助研究人员更快地提出结构预测结果、分析潜在结合位点，并生成分子设计方案；Cryo-EM 则通过实验结构解析，验证这些结构假设是否与真实结构状态一致，并为后续模型优化和分子迭代提供依据。同时，在 Cryo-EM 数据处理中，AI 也已经被用于颗粒挑选、图像去噪、三维重构、构象分类和模型搭建等环节，从而提高数据处理效率。 对于药企来说，这种结合具有实际意义。未来的新药研发可能不是单纯依赖实验筛选，也不是完全依赖计算预测，而是形成“计算提出假设—实验结构验证—功能实验确认—分子迭代优化”的闭环。 结语：让药物研发有更多结构依据 从 SBDD 到抗体药物、PROTAC，再到 AI 预测后的实验验证，Cryo-EM 可以在药物研发的关键节点提供更加可靠的结构证据。基于这些结构信息，药企研发团队能够更好地理解候选分子如何作用于靶点，并判断其是否具备继续推进和优化的基础。 达远辰光围绕冷冻电镜方向提供科研技术服务，可支持病毒、蛋白复合物、膜蛋白、抗体-抗原复合物等样品的结构研究需求，协助科研团队完成从样品评估、数据采集到结构分析的完整流程，为靶点机制研究、候选分子优化和复杂复合物解析提供结构层面的技术支持。 参考文献： [1] Zhu K-F, Yuan C, Du Y-M, et al. Applications and prospects of cryo-EM in drug discovery. Military Medical Research. 2023;10:10. doi:10.1186/s40779-023-00446-y [2] Cebi E, Lee J, Subramani VK, Bak N, Oh C, Kim KK. Cryo-electron microscopy-based drug design. Frontiers in Molecular Biosciences. 2024;11:1342179. doi:10.3389/fmolb.2024.1342179 [3] Rubach P, Majorek KA, Gucwa M, et al. Advances in cryo-electron microscopy (cryoEM) for structure-based drug discovery. Expert Opinion on Drug Discovery. 2025;20(2):163–176. doi:10.1080/17460441.2025.2450636 |
回复此楼
| 感谢分享~ |
2楼2026-06-29 10:56:38