AI制药新突破!Nature大子刊:AI从百万化合物里＂挖＂出两款天然分子,能穿血脑屏障还能＂吃掉＂AD致病蛋白

近日，澳门大学路嘉宏教授与德睿智药（MindRank AI）牛张明博士联合研究团队在Nature Biomedical Engineering上发表了一篇题为 "DeepDrugDiscovery：发现可穿透血脑屏障的自噬增强剂以治疗阿尔茨海默病" 的研究论文。该团队开发了一个名为 DeepDrugDiscovery 的机制感知型AI药物筛选平台，突破了传统虚拟筛选依赖单一靶点结构或特定配体骨架的局限，首次实现了基于共享生物学机制（mTOR非依赖性自噬增强）的大规模药物发现。平台整合变分自编码器分子表征、GPU加速分子注意力机制、ADMET性质预测及血脑屏障（BBB）渗透性评估于一体，从116万化合物库中高效筛选并实验验证了两款全新先导化合物——ombuin（Omb）与2-羟基肉桂酸（2-HCA）。二者均不依赖mTOR通路即可诱导自噬，能够有效穿透血脑屏障，在细胞、线虫及3×Tg-AD小鼠模型中显著清除Aβ与磷酸化tau蛋白聚集体，并恢复认知记忆功能。该研究不仅建立了"AI预测—跨物种验证"的可扩展药物发现管线，还为阿尔茨海默病等神经退行性疾病的机制导向治疗提供了全新的候选分子与开源工具

阿尔茨海默病（AD）是全球最普遍的神经退行性疾病，患者超过3500万人。自噬作为真核细胞中进化保守的溶酶体依赖性降解途径，对维持中枢神经系统稳态至关重要，其功能障碍被认为是AD等神经退行性疾病发生发展的关键驱动因素。现有研究表明，小分子自噬诱导剂可通过清除脑组织中的Aβ和过度磷酸化蛋白等异常聚集体发挥神经保护作用，但临床转化仍面临挑战：大多数已知自噬增强剂通过mTOR依赖通路发挥作用，存在副作用风险；而靶向mTOR非依赖性通路虽有望改善安全性，却因生物靶点机制多样且化合物难以有效穿透血脑屏障而进展受阻。人工智能的兴起为药物发现带来了变革，但现有AI平台多局限于基于单一靶点结构或特定配体框架的虚拟筛选策略，难以应对治疗效应源于调控更广泛、多层面生物学机制而非单一明确蛋白靶点的复杂药理学现象。因此，开发能够基于共享生物学机制而非特定分子结构进行大规模虚拟筛选的新方法，是一项关键且尚未解决的挑战。

①AI加速平台的建立：用于mTOR非依赖性自噬增强剂的筛选

研究团队开发了一种混合分子表征方法用于分子建模，该方法整合变分自编码器与基于门控循环单元的特征融合模块，将分子指纹与一维和三维描述符联合编码。首先，团队从商业化合物中收集、整理并标准化，构建了一个包含116万种化合物的综合化合物库，该库具有显著的化学多样性。该化合物库被用作变分自编码器分子表征模型的预训练数据集，该模型将分子结构转化为信息丰富的潜在表征，无需活性标记的训练数据。分子表征模型架构采用门控循环单元细胞整合2048位Morgan指纹与191种一维和三维描述符，有效捕捉结构模式和分子性质。变分自编码器在学习压缩和重构分子特征的同时，保持了良好正则化的潜在空间。随后，利用50种经自噬调节剂评分系统筛选的mTOR非依赖性自噬增强剂作为参考化合物，通过GPU加速的分子注意力机制快速计算化合物库中每种化合物与50种参考增强剂之间的得分，生成50×1,155,606的评分矩阵。基于排名的高维虚拟筛选从6,834个超过0.65筛选阈值的初始命中化合物开始，经ADMET Ranker平台多层级过滤：首先通过理化性质评分将候选池缩小至3,068个具有良好类药性质的化合物；随后评估血脑屏障渗透性和类药性，筛选出449个具有最佳中枢神经系统渗透潜力的化合物；最终通过针对mTOR相关靶点的分子对接和商品化可用性验证，确定15个顶级候选化合物用于实验验证。

②候选mTOR非依赖性自噬增强剂的验证

为评估所选化合物的自噬调节活性，研究团队采用经典的mRFP-EGFP-LC3串联荧光报告系统进行检测，在该体系中GFP荧光在酸性自溶酶体内被淬灭而RFP保持稳定，仅呈现RFP信号表示成熟的功能性自溶酶体。实验使用稳定表达mRFP-EGFP-LC3B的PC12细胞系评价15种候选化合物对自噬的调控作用，结果显示所有15种化合物诱导的自噬水平均与阳性对照Torin1相当，红色点状信号的增加表明自噬流增强，免疫印迹检测LC3-II和SQSTM1/p62也证实了这些关键自噬标志物的调控。为确定自噬诱导能力是否具有细胞类型特异性，研究进一步在N2a神经母细胞瘤细胞中检测LC3-II和SQSTM1/p62的生化变化，结果与PC12细胞观察一致，尽管效应存在差异——部分药物对LC3-II诱导变化较小，但显著降低了SQSTM1/p62水平。进一步评估鉴定出7种化合物（clevidipine、ombuin、3′,4′,7-trimethoxyquercetin、salicylic acid、hydroxygenkwanin、2-hydroxycinnamic acid和riluzole）显著降低SQSTM1/p62水平，且这些化合物增加了成熟自溶酶体的形成。机制研究表明，与强效mTOR抑制剂Torin1降低phospho-mTOR、phospho-p70S6 kinase和phospho-4E-BP1水平不同，这7种候选化合物未引起上述指标的显著变化，表明其在测试剂量和实验条件下以mTOR非依赖性方式诱导自噬。基于自噬诱导机制原创性、神经保护活性新颖性和化学结构多样性三个维度的系统评估，研究团队最终选择clevidipine、ombuin、2-HCA和3′,4′,7-trimethoxyquercetin四个候选化合物进行后续开发。通过LC3-II周转实验测定溶酶体抑制剂存在与否时的LC3-II水平，证实这四种化合物与阳性对照Torin1一样能够增强自噬流。

③mTOR非依赖性自噬增强剂促进自噬并清除阿尔茨海默病细胞模型中的异常蛋白

为定量评估自噬相关货物周转和溶酶体蛋白水解活性，研究团队采用DQ-Red BSA检测法：该探针经细胞内吞后通过早期和晚期内体运输，与自噬体融合后再与溶酶体融合，在酸性水解酶丰富的溶酶体环境中被切割释放可检测的红色荧光片段。clevidipine、Omb、2-HCA和3′,4′,7-trimethoxyquercetin处理后红色荧光强度显著增加，表明自噬诱导增强且自溶酶体中底物降解效率提高。鉴于tau和淀粉样前体蛋白基因的遗传突变驱动神经纤维缠结和淀粉样斑块形成，而药理学诱导的自噬可减轻tau病理和Aβ积累，研究团队在过表达突变tau（P301L）或APP（K595N、M596L和V642F）的细胞系中评估了这四种化合物。结果显示，处理显著降低了多个关键磷酸化tau位点（Thr181、Ser202、Thr205和Thr231）的水平，并减少了APP裂解产物CTF-β和CTF-α的水平，同时轻度升高LC3-II并显著降低SQSTM1/p62水平。综合比较，Omb和2-HCA表现出最强的治疗效果。进一步利用靶向早期和晚期阶段的自噬抑制剂SAR405和bafilomycin A1进行共处理实验，证实这两种抑制剂均能阻断Omb和2-HCA诱导的自噬流，以及磷酸化tau和CTF-β/CTF-α片段的清除，且生理相关浓度的Omb仍可增强自噬流，表明观察到的清除效应依赖于自噬体-溶酶体途径。

④Omb与2-HCA在秀丽隐杆线虫阿尔茨海默病模型中增强自噬并发挥神经保护作用

为评估化合物对自噬的影响，研究团队使用表达GFP::LGG-1的报告品系秀丽隐杆线虫（LGG-1为哺乳动物LC3/GABARAP蛋白的线虫同源物），其中GFP阳性点状结构的形成指示自噬活性。Omb（50 μM）和2-HCA（50 μM）处理后，GFP::LGG-1点状结构数量较未处理对照显著增加，表明自噬流增强。随后在表达人源tau P301L的线虫模型中评估两种先导化合物的效应，该模型已被成功用于AD候选药物筛选，部分阳性化合物已进入临床试验。免疫印迹分析显示，两种化合物均有效降低了突变tau蛋白水平，证实化合物诱导的自噬导致了聚集倾向性tau的降解。化学趋向性实验作为量化线虫向引诱剂移动行为的可靠且敏感的学习记忆缺陷检测方法，以饥饿作为厌恶性刺激、异戊醇作为"无食物"的关联线索：野生型线虫经预暴露后再接触异戊醇时表现出习得性回避，而tau P301L转基因线虫则表现出学习记忆受损，即使预暴露后也无法表现出预期的回避行为，重现了神经退行性疾病中的认知缺陷。Omb（50 μM）和2-HCA（50 μM）显著改善了转基因线虫的化学趋向指数，表明记忆功能得到恢复。寿命评估显示，与野生型动物相比，tau P301L转基因线虫中位寿命缩短，而Omb和2-HCA处理分别将其中位寿命延长6天和4天，支持这些化合物具有神经保护作用并能减轻tau诱导的毒性。此外，通过卵孵化、发育至L4幼虫阶段及成虫时间评估，确认Omb和2-HCA未表现出可检测的副作用或发育毒性。

⑤Omb与2-HCA在3×Tg-AD小鼠中刺激自噬、改善认知功能并清除异常蛋白聚集体

研究团队选用同时过表达突变APP、tau和presenilin 1的3×Tg-AD小鼠模型评估Omb和2-HCA的神经保护效应，该模型可再现Aβ和tau两种病理特征。通过Morris水迷宫分析空间记忆变化：经过4天训练，野生型小鼠表现出渐进性学习，找到隐藏平台的潜伏期缩短；而未治疗的3×Tg-AD小鼠记忆和学习受损，潜伏期无显著降低。从16月龄开始以10 mg kg⁻¹每天的剂量腹腔注射Omb或2-HCA治疗2个月，可显著改善上述缺陷；第5天撤除平台后，药物治疗的3×Tg-AD小鼠在原平台位置穿越次数增加，在目标象限停留的时间和距离也更长，表明该AD模型中空间记忆得到改善。Y迷宫和新异物体识别测试进一步评估短期学习记忆：与野生型对照相比，未治疗的3×Tg-AD小鼠在两项测试中表现均显著受损，而Omb或2-HCA治疗后，3×Tg-AD小鼠在Y迷宫中自发交替行为增加，提示工作记忆增强；在新异物体识别测试中，尽管2-HCA对识别记忆的影响未达到统计学显著性，但两种化合物均显示出改善趋势。行为测试后收集海马组织进行冰冻切片，在易损的CA1区域进行免疫染色评估磷酸化tau（p-Thr217）和Aβ（4G8抗体检测）沉积情况，结果显示Omb和2-HCA显著降低了CA1区域的磷酸化tau和Aβ水平；Western blot分析进一步证实总tau、其关键磷酸化异构体以及APP裂解产物（CTF-β和CTF-α）水平显著降低，同时两种化合物升高了LC3-II水平并降低了SQSTM1/p62水平，与自噬流增强一致。此外，给药剂量下的Omb和2-HCA耐受性良好，未引起显著的体重变化。

⑥Omb与2-HCA诱导自噬的预测分子机制

为探索Omb和2-HCA促进mTOR非依赖性自噬的分子机制，研究团队采用了整合性多层级实验策略。首先应用热蛋白质组分析鉴定两种化合物的潜在结合蛋白，随后使用Enrichr工具对预测靶蛋白进行通路富集分析，基于这些蛋白与自噬相关通路（即肌醇磷酸代谢和MAPK信号）的强富集关系，鉴定出Pip4k2a和Mtmr1为Omb的最有前景靶点，Ikbkb和Mapk8ip3为2-HCA的主要候选靶点。通过STRING数据库进行蛋白-蛋白相互作用分析提示，Omb可能通过Pip4k2a和Mtmr1调控磷脂酰肌醇代谢，潜在改变PI3P和PI5P水平，从而调节PI3KC3-C1复合物——该复合物是自噬体成核和延伸的关键调控因子；而2-HCA可能通过不同的机制发挥作用，涉及IKK-JNK1-Bcl-2轴，该轴可能调控Bcl-2磷酸化及随后Beclin1的释放，进而调节自噬起始复合物PI3KC3-C1的组装。结构层面，使用Boltz-2进行的共折叠分析表明Omb与Pip4k2a和Mtmr1均具有强结合潜力，而2-HCA与Ikbkb表现出优先结合能力。对Omb-Pip4k2a、Omb-Mtmr1和2-HCA-Ikbkb复合物进行的分子动力学模拟显示，三个体系在整个模拟轨迹中均保持相对稳定的构象，关键动态参数支持其结构完整性。综合这些数据，研究团队提出了一个假设模型：Omb和2-HCA均绕过经典mTOR依赖性信号，通过不同的分子靶点和通路直接促进自噬体成核和延伸，尽管这些预测机制源自整合计算和蛋白质组学数据，提供了可检验的化合物作用理解框架，但仍需通过靶向实验验证进一步确认。

近年来人工智能显著提升了基于机器学习和深度学习的药物筛选效率，通量远超传统实验方法，但AI驱动药物发现仍是发展中的领域，在预测准确性、模型稳定性和操作效率方面持续面临挑战。研究团队此前开发的AI平台用于识别神经退行性疾病的线粒体自噬调节剂，但受限于化合物库规模小、缺乏机制或通路驱动筛选能力以及未整合血脑屏障渗透性评估。在此基础上，团队开发了DeepDrugDiscovery平台，专门用于识别具有良好血脑屏障渗透性的mTOR非依赖性自噬诱导剂。该平台的核心特征包括：不同于传统结构或配基筛选方法的机制驱动筛选范式；与现有虚拟筛选工具相比更高的筛选效率、命中率和预测准确性；相对于主流平台整合的ADMET预测能力，这一关键特性有助于候选化合物的筛选；以及全面的跨物种实验验证，弥合AI预测与湿实验确认之间的差距，最终建立生物学可信度。自噬靶向治疗作为神经退行性疾病的策略已 promising 超过二十年，但迄今尚无自噬靶向药物获批用于AD治疗，主要障碍包括经典mTOR依赖性药物的副作用以及开发可穿透血脑屏障的自噬增强剂的困难。本研究识别并验证了两款mTOR非依赖性、可穿透血脑屏障的自噬增强剂，在细胞、线虫和小鼠AD模型中均表现出神经保护效应，为未来治疗提供了候选分子。研究也存在一定局限性：当前方法学限制了对脑组织中自噬流的直接测量，未来可利用mRFP-GFP-LC3转基因小鼠等工具监测特定神经群体中的自噬活性；化合物的治疗效果迄今仅在有限的临床前模型中评估，转化为临床应用需要全面的安全性评估和严格的临床试验，以确证疗效并解决过度自噬诱导或脱靶效应等潜在问题；尽管DeepDrugDiscovery在相似性分层和骨架分割的分布外评估中保持了显著富集，但由于稀疏数据支持和新化学空间常需从头合成与优化，将其性能扩展到真正新颖的化学空间本质上仍具挑战，因此极端新颖性机制下的预测应被视为假设生成，并与迭代实验验证紧密协调；此外，天然产物因其多药理学——即同时作用于多个靶点的能力——在靶点发现中既构成挑战也提供机遇，虽然这种多靶点作用常是其治疗效应的基础，但也使精确阐明主要作用机制复杂化，研究团队采用整合热蛋白质组分析、生物信息学、共折叠分析和分子动力学模拟的多层策略快速生成靶点假设并加速候选化合物靶点去卷积，但这些预测大多未经验证，主要作为优先排序工具，确定性靶点确认需要系统的下游实验验证。未来可通过改进血脑屏障渗透性预测模型、实施基于不确定性的主动学习以迭代优化新实验数据的预测，以及随着更多通路特异性数据集的出现微调变分自编码器等计算发展，进一步增强DeepDrugDiscovery平台的稳健性和通用性。

文献详细全面信息请跳转原文阅读：

https://doi.org/10.1038/s41551-026-01667-x