用AI辅助多肽设计：从序列到候选药物

过去几十年里，多肽药物经历了从实验室工具到重磅药物的巨大转变。随着GLP-1受体激动剂、多肽激素类似物以及多种肿瘤治疗药物的成功上市，多肽已经成为现代药物研发中增长最快的领域之一。然而，与小分子药物相比，多肽的设计过程长期以来仍然高度依赖经验和实验筛选。研究人员往往需要构建大量候选序列，通过反复合成和测试才能找到具有理想活性的分子。

人工智能技术的发展正在改变这一局面。近年来，机器学习、深度学习以及生成式人工智能开始广泛应用于蛋白质和多肽研究，使得研究人员能够在实验开始之前预测活性、评估稳定性、优化结构，甚至直接生成全新的候选序列。多肽研发正在从传统的“实验驱动”逐渐转向“数据驱动”和“模型驱动”。

多肽设计为什么困难

从表面上看，多肽只是由氨基酸按照特定顺序连接而成，但真正决定其功能的并不仅仅是序列本身。一条二十个氨基酸组成的多肽理论上可以产生超过10²⁶种不同组合。如果考虑非天然氨基酸、环化方式、末端修饰以及侧链修饰，可能的设计空间将进一步扩大到难以想象的规模。对于研究人员而言，真正的挑战并不是能否产生足够多的序列，而是如何从庞大的序列空间中快速找到最有希望的候选分子。

与此同时，多肽的生物学活性还受到三维结构、构象柔性、稳定性、溶解性、免疫原性以及药代动力学特性的共同影响。即使两条仅相差一个氨基酸的序列，也可能表现出完全不同的活性和体内行为。因此，多肽设计本质上是一个复杂的多参数优化问题。

AI如何理解多肽序列

传统计算方法往往依赖于预设规则。例如根据疏水性、电荷分布或者已知结构进行分析。这些方法虽然有效，但很难处理复杂的非线性关系。现代人工智能模型则采用完全不同的思路。通过学习海量蛋白质和多肽数据库中的信息，AI能够建立序列与结构、结构与功能之间的关联。对于模型而言，氨基酸序列类似于一种特殊语言。每个氨基酸都像一个词汇，而整条多肽则构成一句具有生物学意义的“句子”。

近年来兴起的大语言模型（Large Language Models）已经证明，类似的方法不仅能够理解人类语言，也能够理解生物序列。通过学习数亿条天然蛋白和多肽序列，模型逐渐掌握了哪些氨基酸组合更容易形成稳定结构，哪些区域更可能参与靶标结合，以及哪些变异可能提高活性或稳定性。这种能力使AI不再只是一个数据分析工具，而开始成为真正意义上的设计工具。

从预测走向生成

早期AI主要用于预测任务。研究人员输入一条多肽序列，模型预测其活性、毒性或稳定性。虽然这种方法能够减少部分实验工作量，但本质上仍然是在已有序列中寻找答案。近年来最大的突破来自生成式人工智能。生成模型不仅能够评估已有序列，还能够主动创造新的序列。研究人员给出目标蛋白、结合界面或者功能需求后，模型可以直接提出全新的候选分子。这种模式类似于从“筛选”转变为“设计”。过去需要建立数万个候选分子才能找到一个活性分子，而未来可能只需要生成几十个高质量候选序列即可进入实验验证阶段。

这一变化正在显著缩短药物研发周期。

结构预测改变了游戏规则

人工智能在生命科学领域最重要的突破之一，是蛋白质结构预测能力的飞跃。

以 AlphaFold 为代表的新一代结构预测模型，使研究人员能够以前所未有的精度预测蛋白质三维结构。

结构预测能力的提升对多肽设计具有深远影响。过去，多肽与靶标结合方式往往需要依赖晶体学或冷冻电镜实验才能获得。而现在，研究人员能够利用计算模型预测多肽与靶蛋白形成复合物后的空间构象，从而提前评估结合模式和关键相互作用位点。这意味着设计工作可以在计算机中完成大部分筛选过程，真正需要进入实验阶段的候选分子数量大幅减少。

环肽与非天然氨基酸设计进入新时代

现代多肽药物研发已经不再局限于天然线性肽。越来越多的候选药物采用环肽结构、非天然氨基酸以及复杂的化学修饰策略。这些结构能够显著提高稳定性、改善药代动力学性质，并增强靶标结合能力。然而，这类分子的设计复杂度远高于传统多肽。不同环化方式会改变整体构象，不同非天然氨基酸会影响疏水性、电荷分布以及蛋白酶敏感性。传统经验方法很难同时优化如此多的变量。AI模型则能够同时考虑多个参数，并在庞大的设计空间中寻找最优解。因此，人工智能与环肽工程的结合正在成为当前创新多肽药物开发最活跃的方向之一。

从候选分子到药物开发

值得注意的是，AI并不会取代实验。真正成功的研发流程通常是人工智能与实验验证相结合。研究人员首先利用AI生成和优化候选序列，然后通过结构预测、分子模拟以及体外实验进行验证。实验数据又会进一步反馈给模型，帮助其不断提高预测能力。这种闭环模式正在形成新的研发范式。在未来的多肽药物开发中，计算机不再只是辅助工具，而将成为研发流程的核心组成部分。

AI辅助多肽设计的未来

随着生成式AI、结构预测技术以及高性能计算的发展，多肽设计正在经历一场深刻变革。未来的研究人员或许不再需要从数百万个随机序列中寻找活性分子，而是直接定义目标功能，由人工智能提出候选结构，再通过实验进行验证和优化。从抗菌肽、抗肿瘤肽到蛋白-蛋白相互作用抑制剂，从线性多肽到环肽和非天然氨基酸体系，AI正在不断拓展多肽药物设计的边界。对于生命科学行业而言，这不仅意味着研发效率的提升，更意味着许多过去被认为“难以成药”的靶点，正在逐渐变得可以被设计、被优化，并最终转化为真正的候选药物。

人工智能并不会替代科学家，但它正在成为科学家最强大的设计工具之一。从序列到结构，从结构到功能，再从功能到候选药物，多肽研发正在进入一个由数据、算法和实验共同驱动的新阶段。