今天小編和大家分享一篇發表在Nature Communications的研究——“Targeting the intrinsically disordered AR-NTD through a machine learning-based enhanced sampling workflow"，研究團隊開發了一套全新的、基于機器學習的增強采樣計算工作流，成功“捕捉"到了AR-NTD的瞬時可成藥構象，并據此發現了理性設計的AR-NTD拮抗劑K53。

固有無序蛋白（IDP）在細胞信號傳導和調控中扮演著核心角色，并與癌癥、神經退行性疾病等多種重大疾病密切相關。與結構穩定的蛋白不同，IDP的自由能景觀平坦，在生理條件下缺乏穩定的三級結構，而是以高度動態、異質的構象集合形式存在。這種“無形"的特性給傳統藥物設計帶來了巨大挑戰：

• 缺乏穩定構象：沒有固定的結合口袋，藥物分子難以找到穩定的“錨點"。

• 構象復雜：IDPs的構象動力學通常具有高維度、多樣性且相互正交的特點，這給構建能夠準確捕捉其慢動力學模式的低維集體變量（CVs）帶來了顯著挑戰。

• 相互作用短暫：與小分子的相互作用往往是短暫且微弱的，瞬態結合口袋難以捕捉和表征。

針對上述痛點，研究團隊構建一套融合無偏增強采樣、多任務機器學習集體變量（MLCV）、動態口袋探測的通用計算工作流，以 AR-NTD 的 Tau-5 片段為模型解析 IDP 配體作用機制，并通過虛擬篩選獲得高選擇性非共價拮抗劑 K53，同時驗證該流程可遷移至另一經典 IDP 靶點 c-Myc，為IDP 靶向藥物研發提供標準化計算范式。

鑒于IDPs的高維復雜性，首先利用REST3算法緩解構象坍塌以探索構象空間，并采用人工智能模型—自編碼器（AE）對海量的模擬數據進行降維分析，劃分蛋白亞穩態；借助 SWISH 溶劑探針挖掘隱蔽小分子結合口袋；最后搭建多任務集體變量（MLCV）結合 OPES 采樣，精準測算配體結合自由能、解析水介導結合通路。整套工具無需提前預設蛋白特征，不局限 AR 靶點，還可遷移至 c-Myc 等其他致病無序蛋白，為 IDP 類靶向藥開發提供標準化計算范式。

研究人員以AR-NTD的Tau-5片段及其已知調節劑EPI-002為模型：首先用AlphaFold2預測Tau-5初始結構，采用 REST3 完成總計 32.8 μs 分子動力學模擬，模擬得到的NMR化學位移與實驗值高度吻合，驗證了采樣可靠性。為了更精細地分辨亞穩態，研究引入了基于自編碼器的集體變量（AE CV），利用Tau-5內部Cα原子間的距離作為輸入特征。通過將自由能面投影到兩個AE CV上，成功識別出九個結構差異顯著的亞穩態構象。敏感性分析表明，芳香族殘基（尤其是HIS413和TRP433）在這些構象的動態變化和穩定性中扮演了關鍵角色。

結合 OPES 增強采樣測算 EPI-002 與 9 種 AR 亞穩態的結合自由能。9 種構象結合能分布在 - 3 ~ -5 kcal/mol 區間，其中第 6 種緊湊構象親和力優，結合能達 - 4.82 kcal。通過 Deep-TICA 算法拆解完整結合 - 解離通路發現，配體和蛋白之間不只有直接氫鍵，V3、V6 等高密度橋接水分子會搭建多層水合網絡，穩定配體 - 蛋白復合物；一旦水合氫鍵斷裂，配體極易脫離靶點。進一步用Deep-TICA解析結合/解離路徑發現：His382、Cys404是配體結合的核心錨定殘基，既可通過直接氫鍵作用穩定結合，也可通過結構化水分子搭橋形成間接氫鍵網絡，這些水介導的氫鍵網絡不僅會穩定結合中間態，還會引導配體解離路徑，揭示了IDP-配體結合的獨特分子邏輯。

基于這套工作流識別出的可成藥構象，研究團隊對數十萬個化合物進行了高通量虛擬篩選，最終鎖定并合成了候選分子K53。在驗證K53與AR-NTD直接結合的關鍵環節，研究團隊使用了蘇州珀羅汀生物技術有限公司（Suzhou PLD Technology Co., Ltd.）提供的重組AR-NTD-AF1蛋白進行SPR結合實驗，不僅直接證明了K53是AR-NTD的“命中"分子，也凸顯了蘇州PLD公司等上游企業在提供高質量重組蛋白等關鍵科研試劑方面的重要支撐作用，它們是創新藥物發現鏈條中的一環。

為了證明該工作流的普適性，研究團隊還將其成功應用于另一個IDP靶點——c-Myc。同樣準確地預測了已知抑制劑10058-F4與c-Myc的結合模式和親和力。這表明，該研究不僅為耐藥前列腺癌提供了臨床潛力的先導化合物K53，更重要的是搭建了一套可復用的IDP靶向藥物設計范式。

圖7：增強采樣工作流程在c-Myc系統中的應用

蘇州珀羅汀生物提供的重組AR-NTD-AF1等高純度功能蛋白試劑，為前沿計算研究的實驗驗證提供了關鍵支撐，助力IDP靶向藥物研發加速從計算走向臨床，為更多難治性腫瘤的治療帶來新希望。