AI辅助LYTAC（溶酶体靶向嵌合体）开发之五---AI在LYTAC的ADMET预测与成药性评估中的应用

5.1 物理化学性质预测

5.1.1 溶解度与渗透性预测

LYTAC分子作为一类新型的大分子偶联药物，其物理化学性质，特别是溶解度和渗透性，与传统的小分子药物有着显著差异，这给其ADMET（吸收、分布、代谢、排泄和毒性）预测带来了独特的挑战。LYTAC分子通常具有较高的分子量、复杂的多组分结构以及兼具亲水性和疏水性的嵌段特征，使其物理化学行为呈现出“变色龙样”（chameleonicity），即在不同环境中（如水性环境和脂质膜环境）能够采取不同的构象以适应环境，从而同时表现出一定的水溶性和膜渗透性。这种复杂的性质使得基于传统描述符的定量构效关系（QSAR）模型在预测LYTAC性质时往往力不从心。人工智能和分子模拟技术的结合，为更准确地预测LYTAC的溶解度和渗透性提供了新的途径。例如，分子动力学（MD）模拟被证明是捕捉LYTAC分子构象柔性和环境适应性的有效工具。一项研究指出，通过运行长达0.5微秒的MD模拟来获得LYTAC分子的构象系综，并基于此计算描述符（如连接子的端到端距离分布），比仅使用单一构象进行预测能得到更准确的结果。

在AI模型方面，研究人员开发了专门针对大分子和”超越五规则”（beyond Rule of 5, bRo5）化合物的预测模型。例如，Poongavanam等人构建了一系列二元分类机器学习模型，用于预测PROTAC的细胞渗透性。他们发现，对于VHL招募的PROTAC数据集，k-近邻（k-NN）和随机森林（RF）模型表现优异，对盲测测试集的预测准确率超过80%。然而，对于CRBN招募的PROTAC数据集，模型的表现则不尽如人意，这主要归因于训练数据的不平衡性。这表明，训练数据的质量、数量和多样性对于构建鲁棒的AI预测模型至关重要。为了提高预测精度，研究者们开始采用更先进的分子表征方法。例如，图卷积网络（GCN）能够直接从分子的二维图结构中学习特征，避免了手工设计描述符的局限性，在预测多种ADMET性质方面展现出潜力。对于LYTAC而言，开发能够整合其序列信息（如氨基酸序列、糖链结构）和三维动态构象特征的AI模型，将是实现对其溶解度和渗透性进行准确预测的关键方向。

Table: Summary of AI and computational methods for predicting key physicochemical properties of LYTAC degraders.

5.1.2 脂水分配系数（LogP/LogD）预测

脂水分配系数，通常以LogP（中性分子）或LogD（特定pH下的分子，考虑了电离态）表示，是衡量化合物亲脂性或亲水性的关键参数，对药物的吸收、分布和代谢等过程有着深远影响。对于LYTAC这类结构复杂、具有多个可电离基团的分子，准确预测其LogP/LogD是一项极具挑战性的任务。传统的基于片段加和法或原子贡献法的LogP预测工具，在处理结构新颖、超出其训练化学空间的LYTAC分子时，往往会产生较大的误差。因此，开发更精确、更通用的LogP/LogD预测方法对于LYTAC的成药性评估至关重要。人工智能，特别是深度学习模型，通过学习海量实验数据中的复杂非线性关系，有望克服传统方法的局限性。多任务深度学习架构能够同时预测多种相关的ADMET性质，通过利用不同性质之间的共享特征和关联信号，通常比单一任务模型表现出更优的平均性能。

在LYTAC的LogP预测中，AI模型的应用需要考虑其独特的分子特性。例如，LYTAC分子的不同部分（亲水的糖肽、疏水的小分子配体、以及介于两者之间的Linker）对整体LogP的贡献是不同的。一个有效的AI模型应该能够捕捉到这种嵌段的亲疏水性特征。此外，由于LYTAC分子在不同pH环境（如胃肠道的不同区段、细胞内的不同细胞器）中可能带有不同的电荷，预测其在这些条件下的LogD值（即分布系数）比预测单一的LogP值更具实际意义。这需要AI模型能够准确地预测分子的pKa值，并结合Henderson-Hasselbalch方程来计算不同pH下的LogD。最近的研究趋势是开发混合模型（hybrid models），将基于物理的计算（如原子水平的自由能计算）与数据驱动的AI预测相结合，以期在预测精度和计算效率之间取得平衡。例如，通过MD模拟计算LYTAC分子在水和辛醇两种溶剂中的溶剂化自由能，可以直接得到其LogP值。虽然这种方法计算成本较高，但它提供了基于物理原理的精确预测。将这类高保真度的计算结果作为训练数据的一部分，可以用来构建或验证更快速、可用于大规模筛选的AI预测模型。

5.2 药代动力学（PK）性质预测

5.2.1 代谢稳定性与药物相互作用预测

药代动力学（PK）性质决定了药物在体内的命运，包括其被吸收、分布、代谢和排泄的过程。对于LYTAC这类新型药物分子，预测其PK性质，特别是代谢稳定性和潜在的药物-药物相互作用（DDIs），是临床前开发中的关键环节。LYTAC分子的复杂结构，包含蛋白质、糖和多肽/小分子等多个组分，使其代谢途径可能比传统小分子药物更为复杂。例如，其抗体部分可能通过网状内皮系统（RES）进行清除，而小分子部分则可能被肝脏的细胞色素P450（CYP）酶代谢。因此，对LYTAC整体及其各个组分的代谢稳定性进行评估至关重要。人工智能模型，特别是那些基于大规模代谢数据集训练的深度学习模型，能够预测化合物是否是特定CYP酶的底物或抑制剂，从而评估其被代谢的可能性和发生DDIs的风险。例如，Aurigene.ai开发的ADMET预测模型在预测CYP2C9、CYP2D6和CYP3A4等关键代谢酶的抑制作用方面，取得了较高的AUROC值（0.788, 0.725, 0.882），表明这些模型具有良好的预测能力。

对于LYTAC而言，AI预测的挑战在于需要处理其独特的多组分性质。传统的ADMET预测模型主要针对单一的小分子结构。为了将AI应用于LYTAC，需要开发新的策略。一种方法是分别预测LYTAC各个组分（靶蛋白配体、LTR配体和Linker）的代谢性质，然后通过一个整合模型来评估整个分子的代谢风险。例如，如果LYTAC的靶蛋白配体被预测为CYP3A4的强效抑制剂，那么当该LYTAC与同样经CYP3A4代谢的药物联用时，就可能发生DDI。另一种更高级的方法是开发能够直接处理整个LYTAC分子结构的AI模型。这需要使用能够表示大分子和复杂化学结构的表征方法，如基于图的表示学习或序列模型（将LYTAC的化学结构或氨基酸序列作为输入）。例如，pkCSM工具使用基于图的结构签名来预测多种PK性质，包括代谢。将这类方法扩展到LYTAC，有望实现对这类复杂分子代谢稳定性的直接预测。此外，AI还可以用于预测LYTAC的免疫原性，这是其作为生物-化学偶联物面临的特有风险。通过分析LYTAC分子中的抗体或蛋白部分与主要组织相容性复合体（MHC）分子的结合潜力，可以预测其引发免疫反应的可能性，从而在设计阶段就规避高免疫原性的结构。

5.2.2 体内分布与清除率预测

预测LYTAC在体内的分布和清除率对于理解其药效学和毒理学至关重要。LYTAC的分子量通常较大，这使其在体内的行为更类似于生物制剂（如抗体药物偶联物，ADC），而非传统小分子药物。大分子药物通常表现出较低的分布容积，主要分布在血管和细胞外液中，并且清除率较慢，半衰期较长。然而，LYTAC中的小分子和糖基化部分可能会影响其整体的PK性质。例如，GalNAc-LYTAC由于其与肝脏特异性受体ASGPR的结合，会表现出强烈的肝脏靶向性和快速清除。AI模型在预测药物的体内分布和清除方面发挥着越来越重要的作用。基于生理的药代动力学（PBPK）模型通过整合药物的理化性质、代谢数据和生理参数，能够模拟药物在体内的动态过程。AI可以用于优化PBPK模型的参数，或者直接从大量的临床前PK数据中学习和预测人体的PK性质。

对于LYTAC，AI预测体内分布和清除率需要考虑其独特的清除机制。除了传统的肾脏滤过和肝脏代谢外，LYTAC还可能通过与特定细胞表面受体的结合而被靶向清除（如ASGPR介导的肝脏摄取）。这种受体介导的清除机制使其PK行为呈现出非线性和靶点介导的药物处置（TMDD）的特征。AI模型，特别是基于机制的模型（mechanism-based models），可以被开发来描述这种复杂的PK行为。例如，通过整合关于LTR表达水平、LYTAC-LTR结合亲和力以及内化速率等参数，可以构建一个数学模型来预测LYTAC在不同组织中的分布和清除。此外，组织蛋白酶（Cathepsin）等溶酶体酶的稳定性也是影响LYTAC活性的重要因素。LYTAC分子在到达溶酶体后，其Linker需要能够被组织蛋白酶等酶切割，以释放活性组分或促进降解。AI模型可以被训练来预测特定肽类Linker对组织蛋白酶的敏感性，从而指导Linker的设计，确保LYTAC在溶酶体环境中能够有效地发挥作用。

5.3 毒性预测与安全性评估

5.3.1 hERG抑制与肝毒性预测

心脏毒性和肝毒性是药物开发中导致失败的两个主要原因，因此，在LYTAC设计的早期阶段对其潜在的毒性风险进行评估至关重要。其中，对hERG（human Ether-à-go-go-Related Gene）钾通道的抑制是导致药物获得性长QT综合征（LQTs）和致命性心律失常的主要机制，已成为药物安全性筛选的必检项目。肝脏作为药物代谢的主要器官，也容易受到药物及其代谢产物的损伤。人工智能模型，通过学习大量已知毒性化合物的结构和活性数据，能够快速预测新化合物（包括LYTAC的各个组分）的hERG抑制和肝毒性风险。目前，多种商业和开源的AI/ML模型已被开发用于这些终点的预测。例如，ADMETlab 3.0平台利用AI/ML模型预测超过80个ADMET终点，包括hERG抑制和肝毒性。Aurigene.ai的模型在预测hERG抑制方面表现优异，其AUROC值达到了0.871，显示出很高的准确性。

对于LYTAC这类复杂分子，毒性预测的挑战在于需要确定是哪个组分或哪种代谢物导致了毒性。LYTAC的靶蛋白配体和LTR配体通常是小分子，它们是潜在的毒性风险来源。因此，可以首先利用AI模型分别对这两个小分子配体进行毒性预测。如果预测结果表明某个配体具有较高的hERG抑制或肝毒性风险，那么在LYTAC设计的早期就可以对其进行结构优化或替换。例如，通过AI模型预测，可以识别出分子中导致hERG结合的特定药效团（如碱性氮原子和疏水芳环），并通过结构修饰（如降低碱性、增加极性基团）来降低其hERG抑制活性。同样，对于肝毒性，AI模型可以预测化合物是否是线粒体功能抑制剂、是否会引起氧化应激或是否会导致胆汁酸转运体（BSEP）的抑制，这些都是药物性肝损伤（DILI）的常见机制。DILI的AI预测通常更具挑战性，因为其发生率低且机制复杂，但模型如Aurigene.ai的DILI预测模型仍能达到0.927的AUROC。通过将这些毒性预测整合到LYTAC的设计流程中，可以在合成和测试之前就过滤掉高风险的候选分子，从而提高研发的成功率并降低后期临床失败的风险。

5.3.2 免疫原性风险评估

免疫原性，即药物诱导机体产生免疫反应（如抗药抗体，ADA）的能力，是生物制剂和大分子药物面临的一个独特且关键的安全性问题。LYTAC分子，特别是那些包含抗体、蛋白质或肽段的类型，由于其异源性和大分子量，具有诱发免疫反应的潜在风险。免疫反应不仅会降低药物的疗效（通过中和抗体清除药物），还可能引发严重的过敏反应或其他免疫相关的不良事件。因此，在LYTAC开发的早期阶段对其免疫原性风险进行评估和缓解至关重要。人工智能和计算生物学方法为预测和降低LYTAC的免疫原性提供了有力的工具。预测免疫原性的核心在于识别蛋白质序列中能够被MHC（主要组织相容性复合体）分子呈递并激活T细胞的表位，即T细胞表位。AI模型，如基于神经网络的方法，可以被训练来预测蛋白质片段与特定MHC等位基因型（特别是人类中常见的HLA-DR等位基因）的结合亲和力。

在LYTAC的设计中，AI驱动的免疫原性风险评估可以应用于其蛋白质或肽类组分。例如，对于抗体或纳米抗体，可以通过AI模型分析其互补决定区（CDR）和框架区的序列，预测其中是否存在强免疫原性的T细胞表位。如果预测到高风险的表位，可以通过蛋白质工程技术，如定点突变，来修饰这些表位，以降低其与MHC分子的结合亲和力，同时尽量保持其抗原结合能力。对于Linker中包含的肽段，同样可以进行类似的分析。除了T细胞表位预测，AI还可以用于分析LYTAC分子的其他免疫原性风险因素，如聚乙二醇（PEG）化修饰可能诱导的anti-PEG抗体反应。通过整合来自多个预测模型的信息，可以构建一个全面的LYTAC免疫原性风险评估框架。例如，BOC Sciences在其LYTAC开发服务中，就将免疫原性评估作为其PK和稳定性评价的一部分。通过在设计阶段就利用AI工具识别并消除潜在的免疫原性风险，可以开发出更安全、更稳定的LYTAC药物，提高其临床应用的成功率。

Table: Summary of AI methods for predicting key toxicity endpoints relevant to LYTAC development.

【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