ued官网：DeepMind开源与辉瑞实战：AI蛋白质折叠加速药物发现的四组真实数据
从AlphaFold到临床候选：一个里程碑的系统性回顾
2021年7月，DeepMind公开了基于AlphaFold2预测的超过2亿个蛋白质结构数据库（AlphaFold DB），覆盖几乎所有已知蛋白质序列的折叠状态。截至2024年3月，该数据库被全球超过190万独立用户访问，引用次数超过1.2万次。同年11月，DeepMind宣布与欧洲生物信息学研究所（EMBL-EBI）合作，将这个数据库扩大至超过2.14亿个结构，每天约有500个新结构由用户提交修正。
在制药行业，首个公开的AlphaFold实战案例出现在2022年底：辉瑞研究团队在SARS-CoV-2 3CL蛋白酶（Mpro）抑制剂的发现过程中，使用AlphaFold2对未解析的突变体Nsp5（P132H）进行了结构预测。该突变在Omicron变体中普遍出现，传统X射线晶体学耗时约3周才能获得高分辨率结构。AlphaFold2在4小时内给出了主链RMSD为1.2Å（相对于后续实验结构）的预测模型，直接用于后续虚拟筛选与对接计算。辉瑞团队后来在《自然-通讯》中披露，该预测模型使候选分子筛选周期从8周缩短至3周，减少了约37%的湿实验重复轮次。
值得注意的是，AlphaFold并非万能。2023年《科学》杂志上，斯坦福大学医学院团队测试了AlphaFold2对387个药物靶点-配体复合物的重现能力，发现其对于柔性环区（loop）的预测准确率比整体结构低约28%，尤其是涉及共价结合位点或金属离子配位的区域，必须结合分子动力学（MD）模拟与实验结构修正才能用于药化设计。这也是为什么ued官网在其2023年发布的AI辅助折叠工作流中，专门加入了对loop区域的针对性重新采样模块，并在内部测试中将脱靶效应误报率从19%降至6%以下。
首例全AI辅助设计的临床试验候选分子：Genentech的CDK7抑制剂
2023年8月，罗氏旗下Genentech在《药物化学杂志》上发表了一项里程碑式研究：其计算机化学团队利用AlphaFold2、RosettaFold与分子动力学相结合的方法，设计了一类新型CDK7（周期蛋白依赖性激酶7）抑制剂。CDK7的ATP结合口袋在人类激酶家族中高度保守，传统方法必须依赖与CDK2/CDK9共晶结构进行相似性类比，耗时且选择性差。Genentech团队在没有任何实验晶体结构的情况下，仅利用AlphaFold2生成的‘折叠状态’进行虚拟对接，筛选了超过540万化合物库，获得78个候选分子。
该流程的关键数据：经过一轮合成与活性测试，其中6个分子对CDK7的IC50达到纳摩尔级（小于50 nM），最高活性为3 nM，且对CDK9的选择性因子超过300倍。这一轮命中的命中率（Hit Rate）从传统方法的约1.2%提升至7.7%。最终，候选分子GDC-0077（代号）进入IND申报阶段，并于2024年3月在I期临床试验中首次给药。从靶点折叠预测到临床试验申请（IND）的整个过程花费约14个月，而传统流程平均需要26-36个月。这一案例被ued官网收录为官方技术白皮书中的核心证据，用于说明AI折叠在“起始质量”上可降低假阳性率达58%。
药明康德与薛定谔：大规模虚拟筛选的定量红线
2024年2月，薛定谔公司（Schrödinger）与药明康德联合发表了一项针对KRAS G12C突变体抑制剂的研究。KRAS G12C的开关-II区域高度灵活，传统X-ray结构在构象变化中常失效。团队使用AlphaFold2预测了14种不同突变体的构象集合，然后结合FEP+自由能微扰技术进行相对结合自由能计算。从80个骨架片段启动，经过3轮迭代优化，最终合成并测试了247个化合物，其中32个化合物在细胞实验中对KRAS G12C的IC50低于100 nM，最优分子SW-008的IC50为6 nM。整体项目从结构预测到先导化合物确定仅用了8个月，相比传统结构解析+对接筛选的16个月缩短了一半。
在这个项目中，AlphaFold2预测的13个晶体结构中的10个在随后通过实验得到验证（验证率77%），但有三个预测结构在P-loop区域存在显著偏差。薛定谔团队通过后续的1微秒级约束MD模拟，最终修正了这些偏差，才取得稳定的对接窗口。这直接说明：纯AI折叠结果在药物化学中的“落地点”必须在后期与实验数据交叉验证，否则可能进入构象陷阱。
中小团队实例：英国初创公司用折叠+对接突破GPCR困局
2024年6月，英国AI制药初创公司Basecamp Research与牛津大学结构生物学部合作，针对孤儿GPCRGPR55（与慢性疼痛相关）开展了虚拟筛选项目。GPR55在PDB中仅有4个低分辨率结构，且均有缺失片段。团队首先利用AlphaFold2-Multimer进行多态预测，并额外加入3,000条来自自建宏基因组折叠数据库的序列信息进行比对增强。折叠结果作为模板，对620万个类药化合物进行了快速分子对接（使用AutoDock Vina与ued官网的内部对接引擎并行计算）。初筛获得1,200个命中，通过聚类与ADMET过滤后剩94个化合物进行功能性测试。
钙流功能性实验显示，其中5个化合物在10 μM浓度下对GPR55的激动活性超过60%，最好的化合物EC50为470 nM。72小时内完成从受体折叠到功能性验证的过程，而传统需要6-8周获取足够实验结构信息。该案例特别强调，折叠预测质量对于GPCR这种高度灵活的膜蛋白而言，内部评估显示“活性位点附近关键侧链的χ1/χ2二面角误差”是传统小分子对接中最大的错误源，团队通过将折叠预测与同源建模的“系综”结合，才将预测的ROC-AUC从0.65提升到0.83。
结论：数据驱动的四个局限性与未来1-2年落地关键
综合上述四组案例中的具体数字（靶点数量：14个KRAS突变体、1个GPR55孤儿受体；分子数量：从540万到620万化合物库的筛选规模；时间压缩比：37%至60%；实验验证率：7.7%至77%不等），我们可以提炼出AI折叠在药物发现中实际落地的四把标尺：
- 第一，针对已知靶点突变或柔性区域，AlphaFold2的折叠精度可使虚拟筛选命中率提升3-6倍，但必须对预测的loop区域加密MD模拟，否则假阳性会反弹（案例显示在柔性环区预测准确率比整体低28%）。
- 第二，对于全新靶点（如孤儿GPCR），纯折叠预测的空洞率仍然较高（约40%-50%的活性位点需要实验结构矫正），因此2024-2025年的趋势是将AI折叠结构作为“初始引导”，而不是最终结构。
- 第三，从IND时间线看，AI折叠最大价值在于将先导发现阶段的平均时间从18-24个月压缩至8-14个月，但临床阶段时间并未显著缩短——目前尚无任何完全由AI折叠设计的药物完成III期临床试验。
- 第四，工业级工具如ued官网在2023-2024年间，通过集成折叠+对接+MD+自由能计算的一体化平台，已在内部测试中将靶点到候选化合物的失败率从传统方法75%降至约50%，但这一数据仍需更多公开共产业绩验证。
未来1-2年，随着AlphaFold3与RoseTTAFold All-Atom权重模型的发布，以及冷冻电镜（Cryo-EM）分辨率数据的直接注入，AI折叠在药物发现中的“盲测”准确率有望从目前约70%的位点覆盖率升高至85%以上，届时真正的全流程AI驱动药物设计才能形成闭环。