Na tle współczesnej farmakologii odkrywanie leków peptydowych stało się dziedziną o wysokim stawce. Często opisane jako „środek drogi” między małymi cząsteczkami a biologikami, peptydy zajmują wyjątkowe miejsce w podejmowaniu celów, które wcześniej były uważane za „nieleczalne”.

Wraz z ostatnim wybuchem generatywnego AI i modeli biologii strukturalnej, projektowanie peptydów z wykorzystaniem AI przechodzi z laboratoryjnej ciekawości na fundament badania i rozwoju farmaceutycznego. Oto szczegółowa analiza, dlaczego peptydy będą następnym „wyzwoleniem” AI.

01 | Cząsteczka „Złotego Środka”: Dlaczego peptydy?

Podstawowa logika odkrywania leków peptydowych opiera się na ich unikalnych właściwościach fizycznych i chemicznych.

• Mostowanie luki: Lekarstwa oparte na małych cząsteczkach często nie mogą wiązać się z dużymi, płaskimi interfejsami interakcji białko-białko (PPI), ponieważ brakuje im głębokich „ kieszeni” do zakotwiczenia.
• Celowanie w przestrzeń wewnątrzkomórkową: Chociaż przeciwciała (biologiki) doskonale identyfikują białka powierzchniowe, ich duży rozmiar uniemożliwia im przechodzenie przez błony komórkowe, aby dotrzeć do celów wewnątrzkomórkowych.
• Zalety peptydów: Peptydy posiadają wystarczającą elastyczność, aby dostosować się do powierzchni białek, jednocześnie utrzymując wysoką specyficzność i powinowactwo. Dzięki temu są idealnym „kluczem” do otwarcia celów PPI wewnątrzkomórkowych.
• Dowiedziona skuteczność: Terapia peptydowa nie jest nowością – od insuliny po ponad 100 zatwierdzonych przez FDA leków peptydowych – ale AI teraz przyspiesza tę dziedzinę do fazy szybkiego rozwoju.

02 | Bariera danych: Jakość ponad ilością

W świecie AI pierwszym barierą nie jest model – to podstawa danych. Projektowanie peptydów znacznie różni się od ogólnego projektowania białek z powodu niedoboru wysokiej jakości danych strukturalnych.

• Niedobór strukturalny: Bazy danych takie jak ProPedia, PepBDB i CPSet stanowią fundament do treningu, ale często są dotknięte nadmiarowymi próbkami, krótkimi peptydami lub przestarzałym hostingiem sieciowym.
• Innowacyjne pozyskiwanie danych: Przedni badacze obecnie traktują regiony pęknięć białkowych jako zasoby „pseudopeptydowe”. Ponieważ pęknięcia na strukturalnym i dynamicznym poziomie naśladują zachowanie peptydów, służą jako ważny odniesienie do wypełnienia przestrzeni konformacyjnej peptydów.
• Hybridowa przyszłość: Przyszłość projektowania peptydów zależy od integracji „Prawdziwych struktur eksperymentalnych + Wirtualnych struktur przewidywanych (z AlphaFold DB) + Wiedzy o sekwencji”.

03 | Od predykcji do projektowania: Trzy poziomy kompetencji AI

Ewolucja AI w tej dziedzinie postępuje według wyraźnej trajektorii rosnącej złożoności.

Poziom 1: Predykcja interakcji

Odpowiadanie na pytanie, gdzie powierzchnia białka może wiązać peptyd, i identyfikacja krytycznych reszt. Modele takie jak PepNN, CAMP i MaSIF integrują strukturę białka, sekwencję i geometrię powierzchni, aby przewidzieć, „czy i gdzie” następuje wiązanie.

Poziom 2: Predykcja złożonej struktury

Przechodzenie od „czy” do „jak”. Chociaż tradycyjne dokowanie walczyło z peptydami o wysokiej elastyczności, nowa generacja modeli – AlphaFold 3, RoseTTAFold All-Atom, Chai-1 i Boltz-1 – rewolucjonizowała modelowanie wieloskładnikowe. Jednak systematyczne benchmarkowanie dla nie-naturalnych i makrocyklicznych peptydów pozostaje wyzwaniem.

Poziom 3: Projektowanie specyficzne dla celu

To obecna „gorąca strefa”. AI nie tylko analizuje, ale generuje nowe cząsteczki od podstaw, aby wiązać się z określonymi celami.

04 | Trzy generatywne ścieżki do de novo projektowania peptydów

Przegląd podkreśla trzy główne ścieżki AI, które obecnie rywalizują o dominację w de novo projektowaniu wiążących cząstek.

4.1 Projektowanie oparte na halucynacji: Iteracyjna optymalizacja

Ta logika „odwrotnego tworzenia” wykorzystuje model predykcji struktury, aby ocenić, czy losowa sekwencja złoży się w pożądany kształt celu.

• EvoBind & EvoBind2: Te modele nie wymagają预先znanych miejsc wiązania. EvoBind2 zgłosił wskaźnik trafności 75% dla makrocyklicznych peptydów i 46% dla liniowych peptydów, z powinowactwem w zakresie od mikromolarnego do subnanomolarnego.

4.2 Współprojektowanie sekwencji i struktury: Rewolucja dyfuzji

Te metody pozwalają, aby struktura i sekwencja ewoluowały razem podczas generowania.

• DiffPepBuilder: Oparte na dyfuzji SE(3)-ekwiwariantnej, integruje osadzenia modelu językowego białka i kąty torzyjne.
• PepFlow: Wykorzystuje techniki dopasowania przepływu, aby zapewnić wysoką jakość różnorodności w metrykach geometrycznych i energetycznych.

4.3 Metody oparte na sekwencji: Projektowanie dla celów „nieuporządkowanych”

Wiele wysokowartościowych celów (jak czynniki transkrypcyjne) nie ma stabilnych struktur lub jest silnie nieuporządkowanych. Dla nich lepszym wyborem są Modele Językowe Białek (pLM).

• PepMLM: Ten model wykorzystuje „wypełnianie maski” na końcu sekwencji białka, aby wygenerować wiązacz, zgłaszając wskaźnik trafności ponad 38%.
• Cut & CLIP: Przechodzi od „Wiązania” do „Degradacji”, wykorzystując kontrastowe uczenie, aby zaprojektować peptydy, które wywołują degradację mediowaną przez ligazę E3.

Wniosek: Dlaczego teraz?

Przejście AI z „asystenta predykcyjnego” na „chemika generatywnego” oznacza punkt zwrotny. Połączenie geometrii strukturalnej z lingwistyczną logiką opartej na sekwencji pozwala AI w końcu rozwiązać złożoność konformacyjną peptydów. Dla odkrywania leków oznacza to szybszą, dokładniejszą ścieżkę do celowania w „nieleczalny” wnętrze komórki.