【AI制药】综述:药物靶点的发展格局

《The evolving landscape of drug targets》文献完整研读文档

文献元信息

1 原文摘要

2 药物靶点研发范式的三代历史演进

综述将近百年药物靶点研发划分为三个清晰阶段，对比范式底层逻辑、证据体系、优缺点。

2.1 阶段一：表型驱动筛选时代（2000 年前，前基因组时代）

核心逻辑：先通过细胞 / 动物表型筛选发现活性化合物，后续反向溯源药物作用靶点。

•靶点来源：体内、体外表型筛选；不依赖基因层面的因果证据。

•优势：表型直接对应疾病改善效果，临床转化成功率相对更高。

•局限：靶点身份未知，难以开展基于结构的理性药物设计；靶点发现效率低。

•主流靶点类别：GPCR、离子通道、蛋白酶。

2.2 阶段二：基因组驱动靶点时代（2000–2018，人类基因组计划之后）

核心逻辑：利用 GWAS、基因敲除小鼠模型筛选疾病相关基因，直接将关联基因定义为药物靶点。

•行业预期：人类基因组解锁海量全新靶点，攻克复杂慢病。

•核心痛点：相关性≠ 因果性。大量 GWAS 检出的关联基因，缺少人类功能遗传学证据。大量靶点在临床 II 期集中失败，形成 “靶点死亡谷”。

•局限：小鼠模型与人类生物学存在物种差异；忽略细胞类型特异性。

2.3 阶段三：多模态因果证据时代（2018–至今）

核心逻辑：靶点不再简单等同于“疾病差异表达基因”；核心标准是在人类特定细胞亚群中具备可干预的疾病因果效应。

•证据组合：人类 LOF/GOF 功能变异证据 + 空间单细胞组学 + 蛋白结构预测 + AI 可药性评估。

•靶点实体拓展：不再局限单个蛋白，包含蛋白复合物、RNA、细胞状态通路、宿主 - 微生物互作分子。

•支撑工具：AlphaFold 家族、蛋白语言模型、Open Targets、ChEMBL 开放靶点数据库。

表 1 三代靶点开发范式横向对比表

3 2000–2025 靶点类型格局量化变迁

综述统计 25 年间进入临床阶段的全新靶点，对比传统靶点萎缩、新兴靶点持续扩张的趋势。

表 2 临床新增靶点占比变化统计表

3.1 传统靶点占比持续下降

GPCR、激酶、离子通道等经典小分子靶点已经经过数十年大规模挖掘，剩余候选靶点普遍存在选择性差、组织毒性等固有难题，占比由 70% 下降至 32%。

3.2 四大新兴靶点类别详细解读

1.PPI 靶点（蛋白 - 蛋白相互作用）过去普遍认为蛋白互作界面平坦，缺少小分子结合口袋，属于不可药靶点。随着分子胶、PROTAC 技术成熟，PPI 靶点成为热点；代表靶点 p53-MDM2。难点：互作界面亲和力弱，化合物选择性难以控制。

2.RNA 靶点靶向 mRNA、非编码 RNA，能够覆盖大量无稳定三维结构的蛋白，拓展药物可干预空间。主流模态：ASO、siRNA、RNA 结合小分子。核心瓶颈：RNA 动态构象多变，体内递送难题。

3.细胞状态靶点（本综述重点新概念）靶点单元不再是单个分子，而是特定疾病细胞亚群的转录 / 表观稳态状态，例如肿瘤干细胞干性、小胶质细胞促炎激活状态。干预目标是重塑细胞整体状态，而不是单纯抑制单一蛋白。依赖空间单细胞技术定位靶细胞。

4.微生物 / 宿主互作靶点靶向肠道微生物代谢物、细菌毒力蛋白，用于代谢疾病、自身免疫病。靶点在宿主基因组之外，开辟全新靶点空间。

4 AI 与结构生物学对靶点可药性评估的重塑

4.1 技术带来的变革

AlphaFold、蛋白语言模型、GNN 图神经网络，突破传统 “可药性 = 存在稳定疏水口袋” 的定义。AI 可以批量预测蛋白复合物、内在无序蛋白、PPI 界面的潜在结合位点，一次性对全基因组蛋白做可药性筛查，极大提升候选靶点产出速度。

4.2 综述重点警示 AI 靶点发现两大固有短板

1.AI 只能预测分子结合能力，无法预测干预靶点后是否产生疾病因果效应。因果证据仍然必须依靠人类遗传学与组织实验，AI 不能替代靶点验证。

2.AI 训练数据集高度偏向传统可药蛋白，存在历史数据偏见；对于新颖靶点，预测结果假阳性偏高。

5 靶点验证行业核心瓶颈：靶点死亡谷

综述分析大量靶点在临床阶段失败的根本原因：

1.证据等级错配：混淆 GWAS 相关性与因果关系。GWAS 信号大多落在非编码区域，不一定调控邻近基因。

2.细胞类型特异性缺失：靶点全身广泛表达；在目标疾病细胞中的功能和正常组织相反，引发脱靶毒性。

3.通路代偿冗余：抑制目标蛋白之后，代偿通路激活，抵消药物治疗效果。

4.物种模型差异：小鼠基因功能和人类不一致，动物模型有效，人体临床试验无效。

5.1 本文提出：5 星级靶点优先级打分框架

综述提出标准化靶点评估体系，用于药企、学术机构统一评估靶点质量，是本文核心产出之一。

表 3 5 星级靶点评估标准表

6 未来趋势与现存开放性挑战

6.1 未来靶点研发三大趋势

1.靶点单元持续扩大：从单个蛋白分子，转向蛋白复合物、细胞状态、空间位置依赖的分子事件。

2.靶点与药物模态一体化评估：不再“先找靶点，后选药物”；靶点识别阶段，同步规划小分子、降解剂、核酸药物、抗体等治疗模态。

3.开放靶点数据库成为基础设施：Open Targets、ChEMBL 等公共数据库持续降低靶点发现门槛，加速靶点共享与交叉验证。

6.2 长期悬而未决的行业挑战

1.靶点混杂性（Target promiscuity）：大量靶点参与多条生理通路，干预后带来复杂多效性毒性。

2.复杂疾病网络难题：神经退行性疾病、代谢慢病属于网络扰动疾病，单靶点干预很难实现治疗效果。

3.转化模型缺陷：缺少高保真模拟人类疾病的体外模型，动物模型预测能力有限。

7 全文总结评述

本文不是简单盘点近年新靶点的综述，而是对过去 25 年药物靶点研发范式革命的系统性复盘。文章的核心结论一句话概括：药物靶点的定义，已经从“疾病相关蛋白” 升级为 “在人类特定细胞亚群内，具备疾病因果效应，并且可以被药物干预的分子或细胞状态”。

基因组时代留给制药行业最重要的教训：基因和疾病相关，不等于它是可用的药物靶点。AI、结构生物学可以快速拓展候选靶点池，但人类遗传学因果证据依旧是靶点进入临床前不可替代的金标准。下一代靶点发现，已经成为多组学、空间单细胞、结构 AI、人类遗传药理学深度交叉的学科。

生物智能：在生物先进产业场景中构建“状态感知-实时认知-自主决策-精准执行-学习提升”的生物科学智能（NeuroAI）；实现生物产业转型升级、DT驱动业务、价值创新创造的产业互联生态链。