Histone H4

引言蛋白质，作为细胞执行各种功能的“主力军”，其数量和更新速度的精妙调控，直接关系着细胞的命运和功能。然而，传统的生物学研究往往如同雾里看花，只能观察到大量细胞的平均行为，而忽略了个体细胞之间的巨大差异。这种“一锅煮”式的分析方法，如同试图通过统计整座城市的平均车速来理解交通拥堵的真实情况，往往会遗漏关键信息。为了真正揭示细胞内部世界的奥秘，研究人员一直在寻求能够洞察单个细胞动态变化的“显微镜”。最近，3月31日《Cell》报道的“Global analysis of protein turnover dynamics in single cells”，一项突破性的技术——单细胞蛋白质组学结合稳定同位素标记（SC-PSILAC, Single-Cell Proteomics using Stable Isotope Labeling by Amino acids in Cell Culture）应运而生。这项创新方法首次实现了在单个细胞层面同时精确测量数千种蛋白质的丰度和更新速率，犹如为我们配备了能够逐一分析城市中每辆汽车速度和行驶路线的高精度雷达。这项研究的意义非凡。通过对超过1000个在干细胞分化过程中以及不同培养条件下的人纤维母细胞进行深入分析，研究人员以前所未有的细节揭示了蛋白质动态变化的复杂图谱。他们不仅观察到蛋白质丰度与细胞大小之间存在一定的关联，更令人兴奋的是，他们发现蛋白质的更新速率也受到细胞状态的显著影响。例如，在快速分裂的细胞中，关键的染色质组分——核心组蛋白的更新速度明显快于非分裂细胞。这一发现暗示着蛋白质的“生死时速”可能在细胞命运的决定中扮演着关键角色。这项研究不仅为我们理解细胞的基本生命过程提供了全新的视角，也为未来的疾病研究和治疗开辟了新的道路。想象一下，如果我们能够精确追踪单个癌细胞的蛋白质更新变化，就有可能找到更有效的靶向治疗方法。SC-PSILAC技术的出现，标志着我们对细胞内部世界的探索进入了一个全新的时代，一个能够以前所未有的精度和广度理解生命奥秘的时代。单细胞“透视镜”：SC-PSILAC技术如何洞察细胞内部？传统的生物学研究往往着眼于大量细胞的平均行为，这会掩盖单个细胞之间的差异。而生命体是由无数个功能各异的细胞组成的，即使是同一类型的细胞，它们的状态和行为也可能存在显著的差异。为了真正理解生命的奥秘，我们需要能够精确地观察和分析单个细胞。SC-PSILAC技术正是这样一把能够洞察单个细胞内部的“钥匙”。这项技术的核心在于利用稳定同位素标记的氨基酸（Stable Isotope Labeling by Amino acids in Cell Culture, SILAC）。简单来说，研究人员在细胞培养基中加入一种特殊的“标记”氨基酸，这种氨基酸与普通的氨基酸在化学性质上几乎完全相同，但在质量上略有差异。当细胞生长和分裂时，它们会利用这些“标记”氨基酸来合成新的蛋白质。通过比较细胞中“标记”蛋白质和未标记蛋白质的比例，研究人员就可以精确地计算出蛋白质的更新速率（turnover rate）。更令人兴奋的是，SC-PSILAC技术能够将这种蛋白质更新速率的测量与单个细胞的蛋白质丰度（protein abundance）分析相结合。这意味着，研究人员不仅能够知道单个细胞中每种蛋白质的含量有多少，还能知道这些蛋白质的更新速度是快还是慢。这就好比我们不仅知道城市里每条道路有多少车辆，还能知道这些车辆的流动速度如何。通过这种“双维度”的分析，我们可以更全面、更深入地了解单个细胞的动态变化。研究人员通过质谱分析（mass spectrometry analysis）等先进手段，实现了对单个细胞内数千种蛋白质的精确测量和分析，真正开启了单细胞蛋白质组学（single-cell proteomics）的新时代。SC-PSILAC技术能够揭示不同细胞之间蛋白质丰度和更新速率的差异，甚至能够追踪单个细胞对药物治疗的反应。蛋白质“生死时速”：揭秘细胞命运的关键驱动力那么，为什么研究蛋白质的更新如此重要呢？蛋白质是细胞执行各种功能的主要“劳动力”。从催化化学反应的酶（enzyme），到传递信号的受体（receptor），再到构成细胞骨架的结构蛋白（structural protein），几乎所有的生命活动都离不开蛋白质的参与。蛋白质的丰度决定了细胞内特定功能的潜力，而蛋白质的更新速率则反映了细胞对环境变化的响应速度和适应能力。想象一下，如果细胞内的某些“旧”蛋白质不能及时被“替换”成新的，那么细胞的功能可能会受到损害，甚至导致疾病的发生。例如，一些疾病就与特定蛋白质的错误折叠或异常积累有关。通过了解蛋白质的更新速率，我们可以更好地理解这些疾病的发生机制，并为开发新的治疗方法提供线索。此外，蛋白质的更新在细胞的生命周期中扮演着至关重要的角色。例如，在细胞分化（cell differentiation）的过程中，干细胞（stem cell）会逐渐转变成具有特定功能的细胞类型，如神经细胞、肌肉细胞等。这个转变过程涉及到大量蛋白质的合成和降解，即蛋白质的更新。通过研究不同细胞类型中蛋白质的更新动态，我们可以更深入地理解细胞命运的决定机制。这项研究中，研究人员利用SC-PSILAC技术对干细胞的分化过程进行了详细的分析，揭示了蛋白质更新在塑造细胞身份中的关键作用。他们构建了超过1100个单细胞的蛋白质更新和丰度图谱，为我们理解干细胞的“变形记”提供了宝贵的数据。干细胞的“变形记”：蛋白质更新如何塑造细胞身份？干细胞是一类具有自我更新和分化潜能的特殊细胞，它们在组织修复、器官发育以及疾病治疗等领域都具有巨大的潜力。了解干细胞如何进行分化，对于开发基于干细胞的治疗方法至关重要。这项研究利用SC-PSILAC技术，对人胚胎干细胞（human embryonic stem cells, hESCs）在不同分化阶段的蛋白质丰度和更新速率进行了全面的分析。研究人员通过对超过1000个单细胞的蛋白质组数据进行分析，构建了一个详细的蛋白质更新和丰度图谱。他们发现，在干细胞分化过程中，数千种蛋白质的丰度和更新速率都发生了显著的变化。例如，一些在未分化的干细胞中高表达且更新缓慢的蛋白质，在开始分化后会逐渐减少，同时它们的更新速度也会加快。而另一些在分化过程中才开始大量表达的蛋白质，则往往表现出较高的更新速率，这表明细胞正在积极地构建新的功能模块。更重要的是，研究人员发现，蛋白质的更新速率与细胞的分化状态密切相关。例如，他们观察到，在快速分裂的细胞（actively dividing cells）中，核心组蛋白（core histone）的更新速率非常快，而在非分裂细胞（non-dividing cells）中，核心组蛋白的更新则相对缓慢。药物的“精准打击”：单细胞视角下的治疗新策略除了基础研究，SC-PSILAC技术在药物研发和疾病治疗领域也展现出巨大的潜力。传统的药物研发通常着眼于药物对整个细胞群体的影响，但由于单个细胞之间的异质性（heterogeneity），一些药物可能只对部分细胞有效，而对另一些细胞则无效甚至产生毒副作用。通过利用SC-PSILAC技术，研究人员可以精确地分析药物对单个细胞内蛋白质丰度和更新速率的影响，从而更深入地了解药物的作用机制。例如，研究人员可以利用这项技术来筛选对特定疾病的细胞亚群更有效的药物。他们可以比较药物处理后不同细胞的蛋白质更新谱，找到那些能够更有效地改变疾病相关蛋白质更新的药物。这有助于开发出更精准、更有效的治疗方法，减少药物的副作用。此外，SC-PSILAC技术还可以用于研究肿瘤细胞的耐药性（drug resistance）机制。肿瘤是由异常增殖的细胞组成的，这些细胞往往具有高度的异质性，不同细胞对药物的敏感性可能存在很大差异。一些肿瘤细胞可能通过改变特定蛋白质的更新速率来逃避药物的杀伤作用。通过单细胞蛋白质组学分析，研究人员可以识别出这些与耐药性相关的蛋白质，并开发出针对这些蛋白质的新型药物或联合治疗方案。核心组蛋白的“秘密武器”：细胞分裂与静止的转换开关正如前文提到的，研究人员利用SC-PSILAC技术观察到核心组蛋白的更新速率在快速分裂的细胞和非分裂细胞之间存在显著差异。研究数据进一步揭示了这一现象，在不同汇合度和血清剥夺条件下的人纤维母细胞（hFF）中，核心组蛋白H31的相对更新速率分布。在低汇合度的快速生长细胞中（n=132），H31的更新速率呈现出特定的分布模式，而在高汇合度（n=120）和血清剥夺（n=120）等生长受限的条件下，H31的更新速率分布发生了显著变化。这进一步证实了核心组蛋白的更新与细胞的增殖状态密切相关。核心组蛋白是DNA的重要“包装材料”，它们与DNA结合形成核小体（nucleosome），进一步组装成染色质。染色质的结构状态直接影响基因的转录（transcription），即DNA上的遗传信息如何被读取和转化为蛋白质。快速更新的核心组蛋白可能有助于染色质的快速重塑，从而支持细胞的正常分裂。相反，在非分裂细胞中，染色质的结构相对稳定，核心组蛋白的更新速率也相应减缓。研究还对其他核心组蛋白如H4和H2B1进行了类似的分析，并观察到其肽段之间的更新速率具有良好的相关性，这为研究结果的可靠性提供了支持。此外，对核纤层蛋白LMNB1以及细胞周期蛋白依赖性激酶CDK1的分析也揭示了它们在不同细胞状态下的更新动态，进一步丰富了我们对细胞内蛋白质更新调控的理解。这项发现暗示，核心组蛋白的更新可能是一个重要的调控机制，用于控制细胞的分裂和静止状态之间的转换。通过调控核心组蛋白的更新速率，细胞可以灵活地适应不同的生理需求。深入研究核心组蛋白更新的调控机制，有望为我们理解细胞增殖失控导致的疾病（如癌症）提供新的思路。未来：单细胞蛋白质组学开启生命科学新篇章SC-PSILAC技术的诞生，无疑是单细胞蛋白质组学领域的一座里程碑。它首次实现了在单个细胞层面同时对蛋白质的丰度和更新速率进行精确测量，为我们打开了一扇通往细胞内部动态世界的大门。这项研究中展示的只是这项技术的冰山一角，未来它将在生命科学的各个领域发挥越来越重要的作用。研究团队对超过1000个单细胞的深入分析，为我们描绘了一幅前所未有的生命动态图谱。可以预见的是，随着技术的不断发展和完善，SC-PSILAC将能够分析更多种类的蛋白质，并应用于更广泛的细胞类型和生物学过程的研究中。例如，我们可以利用这项技术来研究免疫细胞在免疫应答过程中的蛋白质更新动态，从而开发出更有效的疫苗和免疫治疗方法；我们可以研究神经细胞在学习和记忆过程中的蛋白质更新变化，从而揭示大脑功能的奥秘；我们还可以研究衰老过程中细胞蛋白质更新的改变，从而找到延缓衰老的新途径。总而言之，这项关于单细胞蛋白质更新的突破性研究，不仅为我们理解细胞的生命活动提供了全新的视角，也为未来的疾病诊断和治疗带来了无限的可能。参考文献Sabatier P, Lechner M, Guzmán UH, Beusch CM, Zeng X, Wang L, Izaguirre F, Seth A, Gritsenko O, Rodin S, Grinnemo KH, Ye Z, Olsen JV. Global analysis of protein turnover dynamics in single cells. Cell. 2025 Mar 26:S0092-8674(25)00275-2. doi: 10.1016/j.cell.2025.03.002. Epub ahead of print. PMID: 40168994.责编|探索君排版|探索君转载请注明来源于【生物探索】声明：本文仅用于分享，不代表平台立场，如涉及版权等问题，请尽快联系我们，我们第一时间更正，谢谢！End往期精选围观Nature | 靶向线粒体VDAC2：破解实体瘤免疫治疗抵抗的"死亡密钥"热文Nature Medicine | 多囊女性子宫内膜藏着什么秘密？——全球首份单细胞图谱揭示治疗新方向热文Nature | 颠覆百年认知！肝脏"纤维化元凶"竟是代谢再生总指挥热文Science | 心脏发育暗藏的"生物光缆"如何颠覆医学认知？热文Nature | 线粒体的"能量之门"被破解：研究人员首次看清代谢引擎的分子开关

2 月 11 日，香港特区政府发布新闻公报，特区政府卫生署卫生防护中心全面调查某医院一宗怀疑由产志贺毒素大肠杆菌引致的感染群组个案。 据悉，个案涉及的 3 名患者均为该医院肿瘤科医生，其中一名患者于2月7日离世，其余两人病征轻微。 初步调查显示，3名病人分别于4日、6日及10日出现症状，症状包括发烧、腹痛及腹泻。其中，一名30余岁患者于4日发病，6日入院接受治疗，翌日离世。 疑为产志贺毒素大肠杆菌感染 2月11日，香港玛嘉烈医院公布消息称，院内出现产志贺毒素大肠杆菌感染群组，个案涉及3名肿瘤科医生。同日，香港卫生署卫生防护中心（简称“卫生署”）公布调查结果称，初步化验结果显示，三名患者中，一人的粪便样本对产志贺毒素大肠杆菌呈阳性，其他两位患者的相关样本（包括去世患者）则呈现阴性。综合临床和流行病学资料，署方现阶段初步认为此群组个案可能与产志贺毒素大肠杆菌感染有关。 香港大学微生物学系传染病学讲座教授袁国勇在接受香港媒体采访时表示，死者离世突然，到急诊室求医时已要插管，且在入院24小时内死亡，从腹泻症状出现到死亡的时间非常短；很少有健康且无长期病的病人，因感染产志贺毒素大肠杆菌死亡。 他补充，现阶段不排除任何致病可能，目前或需要病理科医生为死者作进一步解剖。他指出，死者在发病后很快使用了抗生素治疗，这可能降低了香港当局通过传统微生物学检测在死者样本中调查出原因的机会。因此，除了传统微生物学测试，医学团队也会使用最新的高通量基因排序测试来找出死者死因。 产志贺毒素大肠埃希菌 产志贺毒素大肠埃希菌（Shiga toxin-producing *Escherichia coli*，STEC），又称肠出血性大肠埃希菌（EHEC），是一种高致病性的大肠杆菌亚型，因其携带编码志贺毒素的基因而得名。 病原学特征：产志贺毒素大肠埃希菌是革兰氏阴性杆菌，属于大肠埃希菌家族中的致病性菌株。其特点是能产生志贺毒素（Shiga toxin），这种毒素可破坏肠道上皮细胞和血管内皮细胞，引发严重症状。 血清型：目前已发现400多种血清型，包括O157:H7、O26、O104:H4等。其中O157:H7是引发全球多起重大食源性感染事件的“元凶”。1996年日本O157:H7感染事件（超万人感染）、2011年欧洲O104:H4芽苗菜污染事件等，均与STEC相关。 传染源：常见包括未煮熟的牛肉、生乳制品、被污染的蔬菜或水果等。此外，厨房水槽、共用餐具或办公室物品等可能成为传播媒介，尤其在卫生条件不佳的环境中风险更高。 传播途径：通过摄入受污染的食物或水传播。粪-口途径（如接触感染者或污染环境）也可能导致人际传播。 高危人群：免疫力低下者、儿童及老年人都是高危人群。 香港食安中心曾警告某法国芝士可能受该菌污染 2月5日，香港特区政府食物环境卫生署食物安全中心曾发文呼吁市民不要食用一批名为MORBIER LAIT CRU DE SCEY AOP 7KG MEULE的法国进口生牛奶芝士。据欧洲联盟委员会食品和饲料快速预警系统的通报，有关产品可能受产志贺毒素大肠杆菌污染，正在法国进行回收。 目前，中心的流行病学调查及环境调查仍在进行中，并会继续联同医院管理局及香港大学微生物学系调查事件，追查潜在的感染源头。玛嘉烈医院也已加强对院内员工肠胃症状的监察，并要求任何出现相关症状的员工即时报告，以便安排化验检查。院方同时安排全面消毒肿瘤科办公室。 撰文 | 梅斯医学 编辑 | 木白 ● 热议！知名医生发问：定期两年考核，太折腾医生，能否取消或延长时间？继续教育学分也很折腾，超82%医生支持取消继续教育学分制 ● 挠痒痒为什么“痛并快乐着”？Science重磅研究：挠痒加剧皮肤炎症反应，但能抵抗细菌感染，背后是两大系统的“合谋” ● 惊！浙大二院胸外科主任医师：Deepseek给出的诊断和我们非常接近！多名科主任发声，56秒出诊断，专家都不如它，很怕被淘汰失业 版权说明：梅斯医学（MedSci）是国内领先的医学科研与学术服务平台，致力于医疗质量的改进，为临床实践提供智慧、精准的决策支持，让医生与患者受益。欢迎个人转发至朋友圈，谢绝媒体或机构未经授权以任何形式转载至其他平台。 点击下方「阅读原文」 立刻下载梅斯医学APP！

蛋白–蛋白相互作用（PPIs）在众多生化和生物学过程中扮演着至关重要的角色。尽管已有多种基于结构的分子生成模型问世，PPI界面及其靶向化合物相较于传统的结合位点和小分子药物却表现出独特的物理化学性质。因此，针对PPI界面，特别是考虑PPI复合物或界面热点残基设计有效的靶向化合物，依然是一项重大挑战。 2024年12月20日发表在Journal of Cheminformatics的研究论文《Interface-aware molecular generative framework for protein–protein interaction modulators》提出了一种全新的基于结构的分子生成框架，专门用于靶向PPI界面的分子设计。 这项研究中，研究人员构建了一个涵盖活性和非活性化合物与PPI界面数据对的综合数据集。基于此数据集，提出了面向PPI界面的分子生成框架，命名为GENiPPI。研究结果显示，GENiPPI能够捕捉PPI界面与活性分子之间的潜在关系，并生成新颖且能够靶向这些界面的化合物。同时，GENiPPI在有限的PPI界面调节剂条件下，依然能够生成结构多样性丰富的化合物。值得注意的是，这是首个专注于PPI界面的基于结构的分子生成模型，其设计思路有望显著推动PPI调节剂的研发。这一基于PPI界面的分子生成框架不仅拓宽了现有基于结构（结合位点/界面）分子生成模型，也为靶向PPI界面的药物开发提供了新思路。 基因之间通过蛋白-蛋白相互作用（PPIs）构成了一个庞大的网络，这些相互作用是几乎所有生物过程中不可或缺的组成部分，广泛存在于各种生物体和生物路径中。调控PPIs不仅扩大了药物靶点的范围，还在药物研发中展现了巨大潜力。在人类中，交互体的规模估计在几十万到几百万对二元PPIs之间。尽管付出了巨大努力，开发针对PPI靶点，尤其是PPI界面的调节剂仍面临巨大挑战。 基于结构的理性设计在识别药物发现中的先导化合物方面起着至关重要的作用。然而，传统药物靶点与PPI靶点在生化特性上表现出显著差异，常规药物与PPI调节剂在物理化学和类药性质上也存在显著不同(表1)。鉴于这些差异，为不同药物靶点开发适配的分子生成模型成为设计针对不同靶点药物的关键。 生成式人工智能（AI）能够模拟训练样本的分布，并生成具有新颖性的样本。在药物发现领域，生成式AI通过生成具有理想特性的分子，加速了药物研发的进程。药物设计中的分子生成模型大致分为三类：基于配体的分子生成模型（LBMG）、基于结构的分子生成模型（SBMG，聚焦于结合口袋或结合位点）和基于片段的分子生成模型（FBMG）。其中，SBMG模型因其针对性的特点受到了广泛关注。然而，尽管基于结构的分子生成模型已有许多研究，但针对PPI结构或界面的分子生成模型仍鲜有报道。 在本研究中，研究人员开发了GENiPPI，一种基于结构的条件分子生成框架，用于生成靶向蛋白-蛋白相互作用界面的调节剂。该框架首先利用图注意力网络（GATs）捕捉蛋白复合物界面中微妙的原子级相互作用特征；然后，通过卷积神经网络（CNNs）提取化合物在体素和电子密度空间中的表示。接着，条件Wasserstein生成对抗网络（cWGAN）将这些特征整合，用于训练能够生成靶向PPI界面化合物表示的模型。最后，CNN模块与LSTM网络将分子嵌入解码为SMILES字符串。该框架旨在捕捉PPI界面与活性/非活性化合物之间的关系，从而训练出特定于PPI界面的条件分子生成模型。条件模型的评估结果显示，GENiPPI框架能够有效捕捉PPI界面与活性化合物之间的隐含关系，生成具有类药性质且与特定PPI靶点活性化合物相似的化合物。在性能方面，GENiPPI在生成分子的创新性、多样性和有效性上均优于其他生成模型。此外，在少样本分子生成实验中，GENiPPI成功生成了靶向Hsp90-Cdc37相互作用的化合物，其化学特性与已知的干扰剂相似，即使在有限的标注数据条件下依然表现出色。总之，GENiPPI为基于结构的PPI调节剂设计提供了有效的解决方案。 图1. 靶向PPI界面的分子生成框架GENiPPI 结果和讨论 靶向PPI界面的分子生成 本研究提出了GENiPPI，一种模块化深度学习框架，用于基于结构的PPI调节剂设计（图1）。GENiPPI包含四个主要模块： 图注意力网络(Graph Attention Networks, GATs)模块：用于对蛋白复合物界面进行表示学习，生成条件向量； 卷积神经网络(Convolutional Neural Networks, CNNs)模块：用于捕捉调节剂的分子特征，作为主要输入； 条件Wasserstein生成对抗网络(Conditional Wasserstein GAN, cWGAN)模块：利用条件向量和主要输入进行条件分子生成； 分子字幕网络模块：将分子嵌入解码为SMILES字符串。 框架的分子生成流程包括以下四个步骤： 1.PPI界面特征提取：GATs模块从蛋白复合物界面区域提取原子级相互作用特征，精准捕捉交互中至关重要的细微结构特性。 2.分子特征编码：CNN模块在三维空间中对分子特征进行编码，结合体素和电子密度信息，确保分子结构的表示能够满足生成任务的需求。 3.条件生成：cWGAN模块通过调控输入的蛋白复合物界面特征生成靶向PPI界面的化合物。cWGAN模块由三个核心部分组成：生成器：接受高斯随机噪声向量和蛋白复合物界面特征，生成分子嵌入空间中的向量；判别器：判断生成的分子嵌入是否对应于真实分子或生成分子；条件网络：评估分子嵌入是否与蛋白复合物界面特征相匹配。 4.分子解码：分子字幕网络将分子嵌入解码为SMILES字符串。该网络包含一个处理分子嵌入的3D CNN和一个逐步解码嵌入为有效分子结构的LSTM（长短时记忆网络）。该步骤确保生成的分子设计可应用于后续药物设计研究中。 GENiPPI通过模块化设计，不仅能够生成靶向PPI界面的新型分子，还能提高分子生成的有效性和多样性，为PPI调节剂的药物开发提供了强有力的工具支持。 条件评估 为全面评估条件输入在面向蛋白复合物界面的条件分子生成模型中的有效性，我们对三个具有代表性的PPI靶点进行了详细分析：MDM2/p53、Bcl-2/Bax以及BAZ2B/H4。这些靶点因其高质量的标注数据以及在癌症生物学中的重要性而被选中。 对于每个PPI靶点，研究人员利用GENiPPI框架生成了10,000个有效分子，并计算了生成化合物的关键类药性指标，包括QED、QEPPI和Fsp³。这些指标分别是评估类药性、靶向PPI的类药性和分子复杂性的重要标准。分析的目标是确定生成分子与已知活性化合物的类药性特征匹配程度，并评估条件输入对生成过程的影响。 随后，研究人员比较了针对MDM2/p53、Bcl-2/Bax和BAZ2B/H4的活性化合物与生成化合物的QED、QEPPI和Fsp³分布（图2）。结果表明，生成化合物的类药性分布与所有三个PPI界面靶点的活性化合物高度相似。这表明源自PPI界面特征的条件输入在引导生成过程向生物学相关化合物方向发展方面起到了关键作用。 图2. 条件评估结果 有趣的是，不同PPI靶点生成化合物的类药性分布表现出了差异。例如，MDM2/p53和Bcl-2/Bax在界面结构和结合热点上存在显著差异，这可能导致生成化合物在QEPPI和Fsp³特征上的不同分布。这些结果强调了条件生成框架的特异性，它能够根据目标PPI界面的独特特征调整分子生成过程，确保生成的分子与各个PPI靶点的独特特征相匹配。 通过独立t检验，研究人员比较了每个PPI靶点的活性化合物与生成化合物在QED、QEPPI和Fsp³指标上的均值差异（图3）。结果显示，在不同指标上，活性化合物与生成化合物之间存在统计学显著性差异。例如，对于MDM2/p53和Bcl-2/Bax，在QED和QEPPI指标上观察到显著差异，表明活性化合物在类药性和靶向PPI的类药性方面更优，而Fsp³分布则较为相似。然而，在BAZ2B/H4的案例中，活性化合物和生成化合物在QED和QEPPI值上表现出相似性，仅在Fsp³指标上存在显著差异。这些结果表明，尽管生成化合物在类药性指标（尤其是QED和QEPPI）上能够接近活性化合物，但分子复杂性（Fsp³）可能因PPI靶点的不同而有所变化。 图3. 在三个PPI靶点上，生成化合物和活性化合物的QED、QEPP和Fsp³值的独立t检验比较 此外，与训练数据集相比，生成化合物的类药性特征发生了显著的分布变化，表明GENiPPI框架不仅仅是复制已知分子的分布，而是生成了在保持类药性的同时探索新化学空间的化合物。这种在已知类药性特性范围内创新的能力是成功生成模型的重要特征，能够为发现潜在更有效或更优化的PPI调节剂提供可能性。 化学空间探索 为了更全面地评估模型生成分子与训练数据集中活性化合物在化学空间中的分布，研究人员通过计算MACCS指纹的t-SNE图对生成化合物的化学类药性空间进行了分析。t-SNE是一种常用的降维方法，通过将高维数据映射到低维空间来可视化数据点分布。该方法能够聚类相似化合物，从而清晰展示生成化合物与已知活性化合物在化学空间中的占据情况。 通过t-SNE可视化生成化合物与活性化合物在化学类药性空间中的分布，研究发现生成的类药性化合物不仅与活性化合物共享化学空间，还在二维空间中均匀分布（图4）。这表明，GENiPPI框架能够生成占据与已知活性调节剂相同类药性空间的分子，进一步验证了模型生成可行药物候选物的能力。此外，在二维拓扑指纹下，生成化合物展现出与活性化合物类似的化学类药性空间，表明生成模型能够有效捕捉分子关键的拓扑特征，这些特征对类药性至关重要。 然而，仅依赖二维表示可能不足以全面评估类药性，尤其是对于PPI调节剂而言，往往需要更复杂的三维特征来实现有效结合。为此，研究人员对生成化合物进行了主惯性矩（PMI）形状分析，并与DrugBank和iPPI-DB中的类药性化合物进行比较（图4d）。分析结果显示，许多已批准的化合物呈现出棒状或盘状形状，而生成的类药性化合物在三维形状分布上与已知化合物相似。这些形状特征通常对靶向PPI界面的空间互补性至关重要。此外，PMI形状分析表明，模型能够生成具有合理三维特征的化合物，这些特征与已知类药性分子的形状一致，进一步验证了生成过程的稳健性。 研究人员还评估了生成化合物的最佳拟合平面（PBF）得分，这一参数描述了分子骨架偏离平面的程度。生成库的PBF分布范围为0~2 Å（图4e），表明许多生成的类药性化合物源于相对平面的分子骨架。 图4. 化学空间探索 此外，研究人员通过化学空间图评估了模型生成PPI靶点特异性化合物的能力。利用Tree MAP（TMAP）生成二维投影（图4f），其中每个点表示一个化合物，不同颜色对应不同靶点标签，深色和浅色分别代表生成化合物和活性化合物。结果显示，GENiPPI模型不仅能生成与训练集中活性化合物相似的分子，还能引入新颖结构。总体而言，该框架丰富并扩展了PPI靶向类药性化合物的化学空间。 小样本分子生成 由于数据采集成本高昂，生物医学领域通常仅能获得少量标注数据，这对药物设计与优化带来了挑战。数据稀缺往往会削弱深度学习框架在药物设计中的实际表现，因此解决有限标注数据下的分子生成问题成为少样本生成研究的重点。少样本学习旨在通过少量样本进行模型训练，同时能够有效泛化到新任务，这在新PPI靶点的药物发现中尤为重要，因为实验验证的分子数量通常有限。 GENiPPI框架被用于生成靶向Hsp90-Cdc37相互作用界面的虚拟化合物库。以Hsp90-Cdc37的PPI结构（PDB ID: 1US7）为基础，并使用7种已知破坏剂的数据对模型进行训练，成功生成了500个有效化合物。通过t-SNE投影图可视化Hsp90-Cdc37活性破坏剂与生成化合物的化学空间相似性，发现生成分子主要聚集在活性破坏剂的化学空间周围。这表明，即使在有限的训练数据下，少样本学习能够有效探索靶向化学空间，并生成与已知活性破坏剂结构相似的分子。 为了进一步评估生成化合物的化学相关性，研究人员以一种新型三嗪衍生物DCZ3112为基础进行基于药效团的匹配分析。结果显示，生成的前5个化合物在药效团和形状特征上与DCZ3112相似，表明模型成功学习了破坏Hsp90-Cdc37相互作用所需的关键特征，即使输入数据有限。 随后，通过分子对接进一步验证模型性能。参考已有研究中识别的PPI界面关键热点残基（PDB ID: 1US7），对DCZ3112与Hsp90-Cdc37复合物的结合位点进行了分子对接模拟，并分析了氢键、盐桥等关键蛋白-配体相互作用模式。对GENiPPI生成化合物的对接结果显示，这些化合物不仅获得了比活性化合物更高的对接评分，还再现了与关键残基的核心相互作用。此外，生成分子还形成了额外的卤键、盐桥和π-阳离子相互作用，这些新型相互作用可能进一步增强了与目标PPI界面的结合亲和力。 图5. 小样本分子生成分析 结论 本研究中，研究人员开发了GENiPPI框架，该框架结合PPI界面特征与条件分子生成模型，生成了靶向PPI界面的新型调节剂。通过广泛的条件评估实验，研究人员验证了GENiPPI框架学习PPI界面与活性分子之间隐含关系的能力，并展示了其生成化学多样性高且具有生物学相关性的分子的能力。GENiPPI的核心创新之一在于利用图注意力网络（GATs）从PPI界面中提取细粒度的原子级相互作用特征，使模型能够聚焦于传统药物设计方法难以靶向的关键“热点”区域。此外，通过引入条件Wasserstein生成对抗网络，模型能够在分子生成中施加特定约束，确保生成的分子不仅具有结构新颖性，还符合PPI靶点的类药性要求。研究人员的对比基准测试和多种实验表明，GENiPPI在合理设计PPI药物方面具有实际应用潜力。 尽管结果令人鼓舞，但该框架仍存在一些限制，需要加以改进以提升其性能和适用性： 1.泛化能力的测试不足：模型尚未在大量PPI受体-配体对中进行广泛测试，这可能限制其泛化能力。这一局限性源于与传统药物靶点数据集相比，药物-PPI靶点复合物数据较为稀缺。 2.缺乏3D结构信息：当前框架未充分纳入配体-受体相互作用的三维结构信息。 3.表示学习与生成多样性：在表示学习、平衡训练速度和提升生成分子多样性方面仍有改进空间。 潜在改进方向 为了进一步改进GENiPPI及其在PPI靶向药物发现中的应用，可以从以下几个方向展开： 1.数据质量与多样性：收集和清洗更多高质量的PPI受体-配体复合物数据对，提高数据的多样性和准确性，从而增强模型对新靶点的泛化能力。 2.结合化学语言模型：整合分子化学语言模型和蛋白-蛋白结构特征的预训练模型，对PPI受体-配体数据集进行微调，从而提升模型生成分子的创新性与多样性。 3.整合三维结构信息：将基于片段的分子生成模型与三维结构信息相结合，以增强对PPI界面复杂三维特征的捕捉能力。 4.深度强化学习优化：通过修改模型架构或结合深度强化学习优化生成分子。定义如最大化结合亲和力或改善药代动力学特性等具体目标，让强化学习代理逐步优化生成分子以实现更理想的药物特性。 未来，研究人员将聚焦于将先进的表示学习方法与深度生成模型相结合，进一步增强GENiPPI框架的性能和适用性。 参考资料 Wang, J., Mao, J., Li, C. et al. Interface-aware molecular generative framework for protein–protein interaction modulators. J Cheminform 16, 142 (2024).  https://doi-org.libproxy1.nus.edu.sg/10.1186/s13321-024-00930-0 --------- End --------- 感兴趣的读者，可以添加小邦微信加入读者实名讨论微信群。添加时请主动注明姓名-企业-职位/岗位 或  姓名-学校-职务/研究方向。