(分子工具)HighMorph:让AI＂照着蛋白质抄作业＂设计环肽药物202608_04

关键词：环肽设计、蛋白-蛋白相互作用（PPI）、蒙特卡洛树搜索（MCTS）、氢键复刻、PD-L1/KLK4

环肽作为一类颇具潜力的生物活性支架，其基于蛋白质结构的从头设计一直颇具挑战；为此，研究者提出了HighMorph这一交互引导框架，将蒙特卡洛树搜索与Transformer策略-价值网络相结合，并引入从参考蛋白-蛋白复合物中提取的原子级氢键约束，实现了对环肽序列的理性设计与优化。该框架在PD-L1和KLK4两个临床相关靶点上得到系统验证，分别有**33.3%和40%**的候选环肽表现出微摩尔级（~10⁻⁶ M）结合活性，为靶向复杂蛋白界面的环肽药物开发提供了可行思路。

免疫检查点抑制剂已经改写了很多肿瘤患者的治疗方案，但目前临床上能"关闭"PD-1/PD-L1这类通路的，主要还是笨重又昂贵的抗体。抗体分子量大、口服生物利用度差；换成小分子呢，PD-L1这种又平又浅的界面根本没有可供小分子钻进去的口袋。夹在中间的环肽，理论上是个不错的折中方案——但怎么让AI"凭空"设计出一个真正能贴合目标蛋白界面的环肽序列，一直是个难题。

这篇发表在*J. Med. Chem.*上的工作提出了一个叫HighMorph的框架，思路挺直接：与其让模型自己瞎摸索，不如让它"照着现成的答案抄"。研究者从已知的蛋白-蛋白复合物结构（比如PD-1结合PD-L1、BbKI抑制剂结合KLK4）里，把关键的氢键原子对和热点残基信息抠出来，作为显式约束喂给模型，逼着生成的环肽去复刻这些关键的结合模式。

技术上，HighMorph把蒙特卡洛树搜索（MCTS）和Transformer策略-价值网络结合起来，每生成一个环肽序列，就用他们此前开发的结构预测模型HighFold快速预测其与靶点的复合物结构，再打分反馈给搜索过程——这个循环一圈圈跑下去，逐步把序列往"结构可信、氢键复刻、贴近热点"的方向收敛。

效果最直观的是消融实验：对于PD-L1这种界面主要靠疏水作用维持、天生不容易形成氢键的"硬骨头"靶点，去掉氢键约束模块后，高质量候选中只有2.4%能复刻出参考氢键；加上约束后这个比例跳到32.1%，提升超过13倍。而对于界面本身富含极性口袋的KLK4，高置信度候选的氢键复刻率更是达到89.9%。

最终团队合成了8条候选环肽做SPR实验验证，结果PD-L1和KLK4两个靶点分别有33.3%和40%的候选分子表现出可测的结合活性，亲和力都在微摩尔级别（~10⁻⁶ M）。结构分析也挺有意思：针对KLK4活性最好的两条环肽里，一个精氨酸深深插进了靶点的极性口袋，一次性复刻出六个氢键加一个疏水接触，像一把钥匙精准插进锁孔；而针对PD-L1的活性环肽则主要靠色氨酸、异亮氨酸插入两个浅疏水口袋来"贴合"界面——这和PD-L1本身疏水主导的结合模式高度吻合，说明模型并没有为了凑氢键而牺牲整体的结合逻辑。

图2. KLK4_pep2/pep5与靶点结合界面的氢键放大图，精氨酸插入极性口袋

从抗体的"精准但笨重"到小分子的"灵活但够不着"，环肽一直被认为是那个卡在中间、尚未被充分开发的选项。这次的工作提供了一个可解释、可复制的思路：让AI不再是黑箱式地"猜"结构，而是有据可依地去复刻已知的关键相互作用。如果未来能把非天然氨基酸和更多环化方式也纳入设计空间，这类框架会不会真正让"不可成药"靶点变得可及？