Dalam lanskap farmakologi moden, Penemuan Ubat Peptida telah muncul sebagai arena berisiko tinggi. Selalunya digambarkan sebagai "ruang tengah" antara molekul kecil dan biologi, peptida berada pada kedudukan unik untuk menangani sasaran yang sebelum ini dianggap "tidak dapat diubati".

Dengan letupan baru-baru ini model AI generatif dan biologi struktur, reka bentuk peptida yang dipacu AI sedang beralih daripada rasa ingin tahu makmal kepada batu asas R&D farmaseutikal. Berikut adalah analisis mendalam mengapa peptida adalah "hit" pecah AI seterusnya.

01 | Molekul "Goldilocks": Mengapa Peptida?

Logik asas untuk penemuan ubat peptida terletak pada sifat fizikal dan kimia unik mereka.

• Menyambung Jurang: Ubat molekul kecil selalunya tidak dapat mengikat kepada antara muka Interaksi Protein-Protein (PPI) yang besar dan cetek kerana mereka kekurangan "poket" dalam untuk berlabuh.
• Men sasaran Ruang Intraselular: Walaupun antibodi (biologi) sangat baik dalam mengenal pasti protein permukaan, saiz besar mereka menghalang mereka daripada merentasi membran sel untuk mencapai sasaran intraselular.
• Kelebihan Peptida: Peptida mempunyai fleksibiliti yang cukup untuk menyesuaikan diri dengan permukaan protein sambil mengekalkan kekhususan dan pertalian tinggi. Ini menjadikan mereka "kunci" ideal untuk membuka kunci sasaran PPI intraselular.
• Rekod Terbukti: Terapi peptida bukanlah perkara baru—dari insulin kepada lebih 100 ubat peptida yang diluluskan FDA—but AI kini mempercepatkan bidang ini ke fasa pembangunan berkelajuan tinggi.

02 | Halangan Data: Kualiti Berbanding Kuantiti

Dalam dunia AI, halangan pertama bukanlah model—it’s the Asas Data. Reka bentuk peptida berbeza dengan ketara daripada reka bentuk protein umum kerana kekurangan data struktur berkualiti tinggi.

• Kekurangan Struktur: Pangkalan data seperti ProPedia, PepBDB, dan CPSet menyediakan asas untuk latihan, tetapi mereka selalunya dihinggapi oleh sampel berulang, peptida pendek, atau hos web yang lapuk.
• Pemasangan Data Inovatif: Penyelidik terkemuka kini menganggap kawasan gelung protein sebagai sumber "pseudo-peptida". Kerana gelung meniru tingkah laku peptida dalam cara struktur dan dinamik, mereka berfungsi sebagai rujukan penting untuk mengisi ruang konformasi peptida.
• Masa Depan Hibrid: Masa depan reka bentuk peptida bergantung pada integrasi "Struktur Eksperimen Nyata + Struktur Ramalan Maya (dari AlphaFold DB) + Pengetahuan Jujukan."

03 | Dari Ramalan ke Reka Bentuk: Tiga Tahap Kecekapan AI

Evolusi AI dalam sektor ini mengikuti trajektori jelas peningkatan kerumitan.

Tahap 1: Ramalan Interaksi

Menjawab di mana permukaan protein mungkin mengikat peptida dan mengenal pasti residu kritikal. Model seperti PepNN, CAMP, dan MaSIF mengintegrasikan struktur protein, jujukan, dan geometri permukaan untuk meramalkan "jika dan di mana" pengikatan berlaku.

Tahap 2: Ramalan Struktur Kompleks

Bergerak lebih allá daripada "jika" kepada "bagaimana". Walaupun docking tradisional bergelut dengan peptida fleksibiliti tinggi, generasi baru model—AlphaFold 3, RoseTTAFold All-Atom, Chai-1, dan Boltz-1—telah merevolusikan pemodelan berbilang komponen. Walau bagaimanapun, penanda aras sistematik untuk peptida bukan semula jadi dan makrosiklik masih menjadi cabaran.

Tahap 3: Reka Bentuk Tertentu Sasaran

Ini adalah "Zon Panas" semasa. AI tidak lagi hanya menganalisis; ia menghasilkan molekul baru dari awal untuk mengikat sasaran tertentu.

04 | Tiga Laluan Generatif untuk Reka Bentuk Peptida De Novo

Kajian ini menyerlahkan tiga laluan AI utama yang sedang bersaing untuk menguasai reka bentuk de novo pengikat.

4.1 Reka Bentuk Berasaskan Halusinasi: Pengoptimuman Iteratif

Logik "ciptaan songsang" ini menggunakan model ramalan struktur untuk menilai jika jujukan rawak akan lipat ke dalam bentuk sasaran yang dikehendaki.

• EvoBind & EvoBind2: Model ini tidak memerlukan tapak pengikatan yang diketahui sebelum ini. EvoBind2 melaporkan kadar hit 75% untuk peptida makrosiklik dan 46% untuk peptida linear, dengan pertalian antara tahap mikromolar hingga sub-nanomolar.

4.2 Ko-Reka Bentuk Jujukan-Struktur: Revolusi Resapan

Kaedah ini membolehkan struktur dan jujukan berkembang bersama semasa penjanaan.

• DiffPepBuilder: Berdasarkan resapan SE(3)-equivariant, ia mengintegrasikan kemasukan model bahasa protein dan sudut kilasan.
• PepFlow: Menggunakan teknik padan aliran untuk menyediakan kepelbagaian berkualiti tinggi dalam metrik geometri dan tenaga.

4.3 Kaedah Berasaskan Jujukan: Reka Bentuk untuk Sasaran "Tidak Teratur"

Banyak sasaran bernilai tinggi (seperti faktor transkripsi) kekurangan struktur stabil atau sangat tidak teratur. Untuk ini, Model Bahasa Protein (pLMs) adalah pilihan yang lebih baik.

• PepMLM: Model ini menggunakan "pengisian topeng" pada akhir jujukan protein untuk menghasilkan pengikat, melaporkan kadar hit lebih 38%.
• Cut & CLIP: Ini beralih daripada "Pengikatan" kepada "Degradasi", menggunakan pembelajaran kontras untuk mereka bentuk peptida yang mencetuskan degradasi介导 oleh ligase E3.

Kesimpulan: Mengapa Sekarang?

Peralihan AI daripada "pembantu ramalan" kepada "kimiawan generatif" menandakan titik perubahan. Dengan menggabungkan geometri struktur dengan logik linguistik berasaskan jujukan, AI akhirnya menyelesaikan kerumitan konformasi peptida. Untuk penemuan ubat, ini bermakna laluan yang lebih cepat dan tepat untuk menyasarkan bahagian interior sel yang "tidak dapat diubati".