AI辅助LYTAC（溶酶体靶向嵌合体）开发 之三---AI在LYTAC配体设计与优化中的应用

3.1 溶酶体靶向受体（LTR）配体的AI设计

3.1.1 糖肽配体（M6P/GalNAc）的优化

溶酶体靶向受体（LTR）配体是LYTAC分子的关键组成部分，其亲和力和特异性直接决定了LYTAC介导的蛋白降解效率。传统的LTR配体，如用于结合CI-M6PR的甘露糖-6-磷酸（M6P）和用于结合ASGPR的N-乙酰半乳糖胺（GalNAc），通常以多价糖聚合物的形式存在，以增强其与受体的结合能力（多价效应）。然而，这些糖肽配体的设计和优化在很大程度上依赖于经验性的化学合成和生物活性筛选，过程繁琐且效率低下。人工智能和计算化学方法的引入，为系统性地优化这些配体的结构、价态和连接方式提供了强大的工具。例如，通过分子动力学（MD）模拟，研究人员可以深入研究CI-M6PR的胞外域结构与M6P配体的结合模式，评估不同配体长度、化学修饰和侧链对受体亲和力和稳定性的影响。这种基于结构的理性设计方法能够指导化学家合成具有更优性能的M6P类似物，从而提高LYTAC的内化效率。

对于ASGPR配体，计算辅助设计同样发挥着重要作用。ASGPR的糖结合位点包含一个Ca²⁺离子，其配位环境对糖配体的识别至关重要。因此，采用量子力学/分子力学（QM/MM）计算方法来研究这些配体的结合模式，能够获得比传统分子对接更精确的结果。通过QM/MM计算，可以详细分析GalNAc及其衍生物与ASGPR结合位点的相互作用能、氢键网络和Ca²⁺的配位几何，从而预测不同化学修饰对结合亲和力的影响。此外，AI驱动的生成模型，如变分自编码器（VAE）或生成对抗网络（GAN），可以被用来探索庞大的化学空间，生成全新的、具有潜在高亲和力和选择性的GalNAc或M6P类似物。这些AI生成的候选分子可以随后通过计算化学方法进行筛选和优化，最终选出最有前景的化合物进行实验合成和验证。这种计算设计-实验验证的迭代循环，极大地加速了LTR配体的优化进程，为开发更高效、更特异的LYTAC分子奠定了基础。

3.1.2 新型小分子配体的从头设计

尽管基于糖肽的LTR配体取得了显著成功，但其复杂的化学合成和潜在的免疫原性促使研究人员探索新型的小分子LTR配体。小分子配体具有合成简便、免疫原性低、药代动力学性质更优等优势，是LYTAC技术发展的重要方向。然而，从头发现能够高效、特异性结合LTR的小分子配体是一项极具挑战性的任务，因为LTR的结合口袋通常较大且平坦，适合结合的化学空间广阔。人工智能，特别是深度学习和强化学习，为解决这一难题提供了创新的解决方案。生成式AI模型，如基于图的生成模型（Graph-based Generative Models）或扩散模型（Diffusion Models），能够被训练来学习已知活性小分子配体的化学特征和结构规律，并在此基础上生成大量全新的、具有类似特征但又结构多样的候选分子。

在LYTAC的新型小分子LTR配体设计中，这一策略可以具体实施如下：首先，收集所有已知的、能够与CI-M6PR或ASGPR等LTR结合的活性小分子（包括天然产物和合成化合物）的结构和活性数据，构建训练集。然后，使用这些训练集来训练一个生成式AI模型，使其学会生成与LTR结合口袋在形状、静电和疏水性等方面互补的分子结构。在生成过程中，可以引入强化学习（Reinforcement Learning, RL）等优化策略，引导模型生成具有特定理想性质的分子，例如高预测结合亲和力、良好的合成可及性、以及优异的ADMET性质。例如，Nori等人在PROTAC的E3配体设计中，利用基于图的生成模型和强化学习，成功地将预测的靶蛋白活性从50%提升至80%以上，同时保持了高化学有效性。类似的方法可以被直接应用于LYTAC的LTR小分子配体发现。通过这种方式，AI能够在巨大的化学空间中高效地搜索到传统方法难以发现的全新化学骨架，为LYTAC平台提供更多样化、更优化的”锚定”分子，从而推动LYTAC技术向更成熟、更临床友好的方向发展。

3.2 靶蛋白结合域的AI辅助设计

3.2.1 抗体与纳米抗体的计算筛选

抗体是LYTAC分子中最常用的靶蛋白结合域，因其具有高特异性和高亲和力的特点。然而，传统的抗体发现和优化过程，如杂交瘤技术和噬菌体展示，通常耗时数月甚至数年。人工智能技术的引入正在显著加速这一进程。计算抗体设计涵盖了从靶点表位预测、抗体库虚拟筛选到亲和力成熟的全过程。首先，AI模型，特别是基于深度学习的蛋白质结构预测模型（如AlphaFold2/3），可以精确预测目标蛋白的三维结构，并识别出其表面潜在的B细胞表位，这些表位是抗体结合的理想靶标。接着，利用分子对接算法，可以在庞大的抗体结构数据库（或计算机生成的抗体库）中，虚拟筛选出那些能够与预测表位高效结合的候选抗体。这些算法不仅考虑结合的紧密程度，还能预测结合的特异性，从而初步排除可能与人体内其他蛋白发生交叉反应的抗体。

纳米抗体（Nanobody），作为源自骆驼科动物重链抗体的单域抗体片段（VHH），因其分子量小、结构稳定、组织穿透性强等优点，在LYTAC应用中展现出独特的优势。AI在纳米抗体的设计和优化中扮演着尤为重要的角色。通过机器学习模型，可以从已知的纳米抗体-抗原复合物结构中学习识别关键的互补决定区（CDR）序列和结构特征。基于这些学习到的模式，AI可以设计出全新的、针对特定靶点的纳米抗体序列。例如，David Baker实验室开发的蛋白质设计工具Rosetta，结合深度学习方法，能够从头设计出与特定表位高亲和力结合的全新蛋白质，这一技术已成功应用于LYTAC的靶蛋白结合域设计。此外，AI还可以用于指导纳米抗体的亲和力成熟过程。通过预测特定氨基酸突变对结合自由能的影响，AI可以推荐最有可能提高亲和力的突变位点和氨基酸类型，从而大大减少实验筛选的工作量。这种计算指导的亲和力成熟策略，使得研究人员能够在短时间内将纳米抗体的亲和力从微摩尔级别提升至纳摩尔甚至皮摩尔级别，为构建高效能的LYTAC分子提供了关键的结合模块。

3.2.2 适配体与小分子配体的生成模型

除了抗体，适配体（Aptamer）和小分子也是LYTAC中重要的靶蛋白结合域。适配体是单链DNA或RNA寡核苷酸，能够通过其独特的三维结构与靶蛋白高特异性、高亲和力地结合。相较于抗体，适配体具有分子量小、免疫原性低、易于化学合成和修饰等优势。人工智能，特别是自然语言处理（NLP）领域的模型，如Transformer和LSTM，正在被应用于适配体的设计和优化。这些模型将适配体的序列视为一种”语言”，通过学习大量已知适配体的序列-结构-活性关系，可以生成具有预测高亲和力的新适配体序列。例如，在HER2-LYTAC的研究中，研究人员设计了一种双特异性DNA适配体，一端靶向HER2，另一端靶向IGF2R（CI-M6PR），成功实现了对HER2蛋白的有效降解。未来的AI模型有望进一步优化这种双特异性适配体的设计，例如通过预测不同连接子长度和序列对三元复合物形成效率的影响，从而系统地提升LYTAC的降解活性。

小分子配体作为LYTAC的靶蛋白结合域，其优势在于更低的分子量、更好的口服生物利用度和更低的生产成本。然而，发现能够特异性结合目标蛋白胞外域的小分子是一个巨大的挑战。生成式AI模型在这一领域展现出巨大的潜力。这些模型，包括变分自编码器（VAE）、生成对抗网络（GAN）和基于流的模型（Flow-based models），能够学习大量生物活性分子的化学空间分布，并生成具有特定性质的新分子。在LYTAC的应用中，可以将生成模型与一个或多个预测模型（如预测与靶蛋白结合亲和力的模型）相结合，通过强化学习等策略，引导生成模型创造出既能强效结合目标蛋白、又具有良好ADMET性质的小分子。例如，Zheng等人提出的深度生成模型，利用深度强化学习在低数据环境下进行PROTAC设计，成功识别出六个潜在的PROTAC候选分子，其中一个在小鼠中表现出良好的药代动力学性质。同样的策略可以被应用于LYTAC的小分子靶蛋白配体设计，通过迭代的设计-合成-测试-分析（DMTA）循环，不断优化配体的性能，最终获得适合LYTAC应用的理想小分子结合域。

3.3 连接子（Linker）的AI优化策略

3.3.1 基于物理化学性质的Linker筛选

连接子（Linker）是LYTAC（以及PROTAC）分子中连接靶蛋白配体和LTR配体的关键部分，其长度、柔韧性和化学组成对三元复合物的形成、稳定性和最终的蛋白降解效率起着决定性的作用。一个设计良好的Linker应该能够在两个配体之间保持适当的距离和方向，以促进它们同时与各自的靶标结合，形成稳定的三元复合物。传统的Linker设计主要依赖于经验规则和大量的试错实验，效率低下。人工智能和机器学习方法为系统性地筛选和优化Linker提供了高效的数据驱动途径。基于物理化学性质的Linker筛选是其中一种重要的策略。该方法首先建立一个包含大量不同Linker分子的虚拟库，这些Linker在长度、柔韧性（如通过可旋转键的数量来衡量）、亲疏水性、极性表面积等方面具有多样性。然后，利用计算化学方法或训练好的机器学习模型，快速预测每个Linker分子的关键物理化学性质，如溶解度、脂水分配系数（LogP）、膜渗透性等。

这些预测的性质被用作筛选标准，以剔除那些在药代动力学（PK）方面表现不佳的Linker候选者。例如，对于需要穿越细胞膜进入细胞内发挥作用的PROTAC，膜渗透性是一个至关重要的参数，因此会选择具有适中LogP和较低极性表面积的Linker。而对于主要在细胞外或膜上发挥作用的LYTAC，其Linker的设计则可能更侧重于水溶性、稳定性和降低免疫原性。例如，聚乙二醇（PEG）链是LYTAC中常用的Linker，因为它具有良好的水溶性、柔韧性和生物相容性。AI模型可以通过学习已知的成功LYTAC或PROTAC分子中Linker的结构-性质关系，来预测新型Linker分子的适用性。例如，Poongavanam等人开发了用于预测PROTAC细胞渗透性的二元分类机器学习模型，发现分子大小和亲脂性是最具影响力的描述符。这类模型可以被整合到LYTAC的Linker设计流程中，作为一个快速的”过滤器”，在实验合成之前优先选择那些具有理想物理化学性质的Linker，从而显著提高优化效率。

3.3.2 基于三元复合物稳定性的Linker设计

Linker优化的更高级策略是直接考虑其对三元复合物稳定性的影响。LYTAC的最终活性取决于其诱导形成的”靶蛋白-LYTAC-LTR”三元复合物的稳定性和构象。一个理想的Linker应该能够促进形成一种高亲和力、长寿命的三元复合物。然而，预测Linker如何影响这个复杂的三体相互作用是一项极具挑战性的任务，因为它涉及到分子间相互作用的精细平衡和诱导契合效应。人工智能，特别是深度学习，为解决这个问题提供了新的思路。一种方法是利用能够预测三元复合物结构的AI模型，如DeepTernary。这类模型可以直接从单个组分（靶蛋白、LTR和LYTAC分子）的结构出发，预测它们组装成的三元复合物的三维构象。通过为同一个LYTAC分子设计不同的Linker，并利用DeepTernary等模型预测每种设计所形成的三元复合物结构，研究人员可以比较不同Linker对复合物稳定性的影响。

在预测的三元复合物结构中，可以计算一系列能够反映复合物稳定性的指标，例如蛋白-蛋白界面的埋藏表面积（Buried Surface Area, BSA）、界面处的氢键和盐桥数量、以及复合物的整体形状互补性。研究表明，三元复合物的BSA与实验测得的降解效力指标（如DC50）之间存在良好的相关性。因此，AI模型可以被训练来建立Linker的结构特征（如长度、柔韧性、化学组成）与预测的三元复合物稳定性指标之间的定量关系。这种”从Linker到复合物稳定性”的预测模型，使得研究人员能够在实验前评估数百万种虚拟Linker设计的优劣，并从中筛选出最有可能形成稳定三元复合物的候选者进行实验验证。此外，强化学习等生成式AI方法也可以被用于从头设计Linker。通过将三元复合物稳定性预测模型作为”奖励函数”，强化学习算法可以迭代地优化Linker的化学结构，使其朝着最大化复合物稳定性的方向进化。这种主动的、目标导向的设计方法，有望超越传统的筛选策略，创造出具有全新化学结构和优异性能的理想Linker，从而极大地提升LYTAC的降解效率和选择性。

Table: Summary of AI applications in the design and optimization of LYTAC ligands, including the target protein binding domain, LTR ligand, and linker.

【服务 】

*泰克康得靶向降解技术：传统抗体药的逻辑是“占位阻断”，但面对众多不可成药靶点往往束手无策。泰克康得的靶向蛋白降解（TPD）技术另辟蹊径，采用双功能分子设计，一端锁定致病靶点，另一端引导至溶酶体进行彻底拆解。这种机制不仅突破了传统抗体仅能阻断信号传导的局限，更实现了致病蛋白的完全清除。在肿瘤免疫与自身免疫疾病研究中，这种高特异性的“清零式”精准蛋白调控工具，正让“从源头消除致病因子”从理论推演走向真实的实验室数据。

*德崇生物体内CAR-T技术：业内都清楚，传统体外制备CAR-T的痛点在于周期长、成本高、且极难穿透致密的实体瘤微环境。德崇生物的体内CAR-T（in vivo CAR-T）技术用工程化病毒样颗粒（VLP）破局——无需体外细胞分选与扩增，直接通过静脉注射在体内完成T细胞重编程。原本长达8周的定制化流程被压缩至3周，极大降低了临床转化门槛。更重要的是，该策略显著提升了实体瘤微环境的深度穿透力，为实体瘤免疫治疗提供了真正标准化、可重复的现货型工具平台。

*如果想进一步深挖泰克康得靶向降解技术在特异性降解上的底层机制，或是了解德崇生物体内CAR-T技术攻克实体瘤微环境壁垒的详细路径，请上网站：www.dechongbio.com；微信联系人：hyy18942903551