多肽配体AI筛选

📄 文献分享 | 多肽配体AI筛选
Evaluating BindCraft for Generative Design of High-Affinity Peptides. ACS Chem. Biol. 2025, 20, 12, 2991–2998

一句话总结：把原本设计迷你蛋白的BindCraft拿来直接设计短肽（10-20aa），不做任何重新训练，开箱即用，效果怎么样？

🧪 实验设计
选取4个经典靶点测试BindCraft的短肽设计能力：
• MDM2（p53结合裂隙，α-螺旋界面）
• WDR5-WBM / WDR5-WIN（蛋白-蛋白互作）
• PD-1 / PD-L1（免疫检查点，平坦界面）

📊 核心结果
✅ MDM2（最佳表现）
• 生成70条，合成15条，7条结合（命中率47%）
• Kd = 65-165 nM，其中3条优于天然p53肽（Kd 123 nM）
• 36%的自发生成序列包含F/W/L疏水热点三联体——AI"学到"了关键结合模式

✅ WDR5-WBM（良好）
• 命中率67%（6/9），Kd = 219-650 nM
• 利用结构预测指导订书肽改造：Glu6→Cys + Lys10→Cys 间二甲苯交联
• 亲和力从219 nM提升至39 nM（6倍），且抑制活性翻倍（28%→55%）

❌ WDR5-WIN & PD-1/PD-L1（失败）
• WIN位点0条结合，PD-1/PD-L1各6条全部无结合
• 即使预测为α-螺旋，实际结合仍可能为0

💡 几点思考
1. 短肽比迷你蛋白设计更难——缺乏稳定三级结构，熵惩罚更大
2. 高ipTM ≠ 结合到正确表位——结构置信度与表位准确性是两个维度
3. AI给出的结构模型可以直接指导订书肽等化学修饰，跳过传统丙氨酸扫描
4. 适用边界清晰：α-螺旋界面效果好，平坦/loop界面仍是挑战

这项工作的意义在于：首次系统评估了生成式AI在短肽配体设计上的"开箱即用"能力。计算设计的成功率与实验筛选方法（噬菌体展示/mRNA展示）处于同一量级，且输出自带结构信息，这是纯实验方法不具备的优势。

BindCraft 2也即将发布，值得持续关注。

#分子动力学模拟 #多肽药物 #科研学习 #AI药物发现 #Bindctaft #计算生物学 #学术日常