ChemRxiv：5 年计划响应 Target 2035 倡议，辉瑞披露大规模蛋白质-配体大数据支持机器学习研究

Early R&D Talking

聚焦

DEL & 计算科学

DOI: 10.26434/chemrxiv-2025-b009c

侃侃而言学以致用

“Target 2035” 计划是一项开发科学的全球倡议，旨在到 2035 年为所有人类蛋白质开发出一种高效、选择性的药物调节剂。

近日（May 5），来自辉瑞的科学家以及 Target 2035 工作组在 ChemRixv 预印刊上发文，披露其在小分子化学探针方面的重点突破。

为了 2035 年的宏伟蓝图，SGC 与 Target 2035 工作组开展“5年计划”，利用亲和筛选质谱（AS-MS）和 DNA 编码文库（DEL）筛选技术创建大型、公开可用的高质量蛋白质-小分子结合物数据集（包含正面数据和负面数据），为机器学习提供数据模型，并预测新的、多样性小分子结合物，以开发计算方法，革新小分子 Hits 的发现，突破瓶颈。

原文开源，文末点击“阅读原文”可直达原刊。

Target 2035核心使命与挑战

1.1 Target 2035 倡议

“Target 2035” 倡议为人类所有的蛋白质开发出强效、选择性的药理调节剂。该计划始于 2020 年，早期重点聚焦在整理文献报道的高质量调节剂，包括小分子和生物制剂，也包括小分子探针、生物探针。

与此同时，该计划也在测试可用于大规模生成和分析新型调节剂的技术。

当前阶段（2025-2030），聚焦于构建大规模蛋白质-配体结合数据集，开发方法以突破小分子配体发现的瓶颈，降低药物研发的成本，缩短时间。

1.2 化学探针的重要性与挑战

对于化学探针，它们是针对特定蛋白质的高效、选择性、具有细胞活性的小分子，是生命科学领域最具影响力的工具之一。

广泛获取针对人类所有蛋白质的化学探针，将极大地推动对人类蛋白质的理解，并帮助优先选择具有潜力的新药物靶点。

2009 年，结构基因联盟（SGC）启动计划，旨在收集和开发针对细胞信号传导、蛋白质稳态和表观遗传相关的人类蛋白质化学探针。该计划成果收集了超 200 种针对独特蛋白质的化学探针。

而为新型蛋白开发化学探针的第一步，则是鉴定 Hits。

（1）针对充分研究的药物靶标，如激酶、GPCR类，可筛选已验证的化合物类别库、或基于现有试验数据的计算预测，快速发现 Hits。

（2）对于很少研究的蛋白质靶标，Hits 发现往往是关键限速步骤，具有挑战性，往往需要依靠大型、多样性化合物库试验筛选，并需要随后既耗时、又昂贵的验证与优化。

过去的 20 年，为了降低成本、缩短时间，也大幅扩展了 Hits 发现的试验方法。但整体成功率和成本效益并未显著提升，因此，为实现 “target 2035” 的宏伟蓝图，非常有必要开发和发展全新的策略。

1.3 创新策略：计算科学的突破与挑战

计算的方法，尤其是机器学习（ML）和人工智能（AI），有望提高 Hits 成功率，并降低成本，然而，却受限于现有蛋白质-配体数据集的质量和规模。

此外，现有的生物活性数据集还有其它的限制：

（1）数据分散，如分散在 ChEMBL 、PubChem 等数据库中；

（2）数据非公开，有些数据隶属私产，并不向公众开放；

（3）非标准化来源，从非标准化试验方案中汇编而来，训练数据会带来噪声；

（4）无阴性对照，缺乏非活性化合物的高质量数据。

这些数据并非最佳的 ML/AI 分析、训练数据来源。因此，数据匮乏是发展算法的最大障碍。SGC 和 Target 2035 工作组决定实现宏伟蓝图的下一个 5 年计划（2025-2030）是：

系统生成大型试验蛋白质-小分子结合数据集，并提供对注释好的数据集的开放访问；
与社会团体合作，培训、开发、改进、测试、以及基准评估 Hit 发现算法。

采用的创新性方法与蛋白质结构预测的 AlphaFold 程序开发存在概念上的相似性。AI 在蛋白质结构预测中的成功得益于：

（1）结构生物学和基因组学团体生成的大规模开放性数据；

（2）蛋白质数据库；

（3）GenBank 团队对数据的长期管理；

（4）参与结构预测的团体，其算法由 CASP（蛋白质预测关键评估）团队通过公开挑战竞赛进行基准测试。

然而，这种类比有很大的局限性。比如，由 20 种氨基酸定义的蛋白质折叠式范式所能提供的分子内相互作用，相比于约 10⁶⁰ 种药物分子之间的相互作用的多样性，空间相对有限。

显然，AI-驱动药物设计的突破需要新的 ML 策略，且无法预测这种突破所需要的蛋白质-配体数据集的大小和多样性，甚至无法预测短期内能否实现。尽管有这些风险，但可以肯定的是，高质量、大规模的蛋白质-配体数据集是解决这一问题的基础。

1.4 大规模数据集生成：DEL、AS-MS 助力

在这个 “5-年计划” 里，主要目标是：将生成高质量、开发数据集，包括数以百万乃至亿计的小分子与 2000 多种不同蛋白质的结合数据。数据中包括使用正交生物物理、和功能检测对试验获得和计算预测的候选 Hits 进行测试的结果。

数据集形成的流程如下图：

（1）蛋白纯化，并严格控制质量；

（2）基于 AS-MS、DEL 筛选生成结合数据，并生成质量指标；生成的小分子结合物将在二次筛选中使用正交、高质量的生物物理分析、测试，保证数据质量；

（3）以 ML/AI-需要的格式注释、并在 AIRCHECK 数据库中公开初级筛选数据；

（4）向 ML/AI 和计算化学领域的专家发起挑战，以这些数据进行预测，并组织一系列基准测试竞赛，助力相关方法的进一步发展；

（5）生物物理法测试团体的预测；

（6）通过 AIRCHECK 共享预测结合物的分析数据；

（7）共享试剂、方案、结合物、以及数据，并不限制使用。

此外，对于尽可能多的已确认的结合物，都会尝试与同类型靶标进行共结晶，并通过测试已确定结合剂的结构类似物来探索 SAR。这些类似物可以来自供应商，也可以定制合成。并利用可及的结合物进行功能测试。

因此，这个项目将产生两个重要成果：为优质蛋白质生成新型小分子结合物；创建一个全面、注释好的数据集，以推进计算方法。

并通过优先考虑数据质量、数据一致性、数据访问、以及与数据科学家合作设计实验工作流程和输出来实现第二个成果。

核心内容与核心原则

2.1 核心内容之：高质量蛋白获得

为了生成足够大小和多样性的蛋白质-小分子结合物数据集，首先要获得一组多样的、纯化的、均质的、稳定蛋白质。此外，很难预先确定计算方法所需的数据集数量，于是研究人员制定了一个“5年计划”，即期间至少筛选 2000 种不同蛋白质靶标，这是根据 SGC 于 2007-2012 年间的纯化独特蛋白质能力而制定的。

靶蛋白的选择标准将以最大化蛋白质靶标的结构和功能多样性为主，并兼顾资助团体和参与者的感兴趣靶蛋白。如下图所示：

50% 靶蛋白优先选择来自以往实验纯化，并可追溯，以建立和优化平台、物流、和程序。这类往往容易纯化、具有合适已知的生物物理特征、有可用的正交实验数据。
25% 靶蛋白来自资助者和参与者；
25% 靶蛋白来自学术界。

随着项目的进展，一些从未纯化过的、具有挑战性的靶蛋白的数量将会增加。

2.2 核心内容之：生成蛋白质-配体开放数据

产生数据的平台至关重要，经过多方面的考虑，选择了亲和筛选质谱（AS-MS）平台、和 DNA 编码文库（DEL）筛选平台作为数据产生方式，原因如下：

直接基于结合的分析，消除为每种蛋白质开放定制功能分析的不切实际的要求，特别是有利于数千种没有已知活性的人类蛋白质。对于已知功能的蛋白质，功能分析可能有助于 Hits 验证过程。
单一制备的纯化蛋白既可用于 Hits 的初级筛选，也可用于 Hits 验证的二次正交生物物理试验。
针对多种来源的纯化蛋白质靶标的筛选，可以随时展开。
AS-MS、DEL 已经在多种类型的蛋白质靶标上获得了验证，每次筛选都有可能产生数百万个高质量的数据点，并展示了广泛靶标的 Hits 成功率。
AS-MS、DEL 产生的数据具有共同的试验设计，可用于机器可读的格式表示，并聚合越来越多的数据集。