AI引导的肽抑制剂设计：基于AlphaFold与Rosetta的混合进化-结构方法在SARS-CoV-2主蛋白酶靶向中的应用

《Scientific Reports》：A hybrid evolutionary and structural method for AI-guided peptide inhibitor design using AlphaFold and Rosetta

本研究针对肽类抑制剂理性设计效率低的挑战，开发了名为EvoPepFold的混合计算框架。该框架结合遗传算法（GA）、AlphaFold2结构建模与Rosetta对接评分，成功设计了靶向SARS-CoV-2主蛋白酶（Mpro）的高亲和力肽。研究通过分子动力学验证了肽Mpro-VAKAKAV的结合稳定性与低自由能（-23.97 kcal/mol），其性能优于文献已报道肽及天然抑制剂N3。该方法为抗病毒肽的AI辅助设计提供了新范式。

　　

AI驱动肽抑制剂设计新突破：混合进化算法精准靶向SARS-CoV-2主蛋白酶

在新冠疫情阴影未散的今天，开发高效抗病毒疗法仍是全球科研重点。SARS-CoV-2主蛋白酶（M^pro）因其在病毒复制中的核心作用及与人类蛋白酶差异显著的底物特异性，成为理想药物靶点。肽类抑制剂凭借高特异性、低毒性等优势备受关注，然而传统方法设计高亲和力肽仍面临构象空间庞大、结合能预测不准等挑战。

为解决这一难题，巴西米纳斯吉拉斯联邦大学Frederico Chaves Carvalho、Diego Mariano等研究人员在《Scientific Reports》发表研究，提出名为EvoPepFold的创新计算流程。该工作融合进化算法与人工智能结构预测，成功设计出靶向M^pro的高效肽抑制剂，为抗病毒肽开发提供新思路。

关键技术方法概述

研究以PDB数据库中的M^pro-N3复合物（6LU7）为模板定义结合位点，从Propedia数据库获取2355个肽构建初始种群。通过遗传算法（交叉率90%、突变率10%）迭代优化序列，并采用双策略结构评估：Rosetta FlexPepDock进行分子对接，ColabFold（基于AlphaFold2多聚体模式）直接预测蛋白-肽复合物结构。结合能通过Rosetta能量函数（REU）评估，最终通过100 ns分子动力学模拟（GROMACS软件、CHARMM36力场）和MM-PBSA自由能计算验证结合稳定性。

研究结果

1. EvoPepFold成功优化肽序列并筛选高亲和力候选物

通过100代遗传算法迭代，ColabFold策略生成的肽AGVAKAKAV（第84代）获得最低对接得分（-634 REU），结合位点占据率（RO）达79%。对比Rosetta策略最佳肽PGGHSCC（-611 REU），AI建模显示出更优结合能预测一致性。进一步手动优化获得缩短肽VAKAKAV，其结合构象更紧凑。

2. 分子动力学证实设计肽的稳定结合特性

RMSD与RMSF分析表明，M^pro-VAKAKAV复合物结构波动更小，氢键网络持续稳定。关键相互作用包括肽K7残基与M^pro催化位点E166形成的盐桥，以及与其他活性中心残基（如D153、C145）的极性接触。MM-PBSA计算显示VAKAKAV结合自由能（-23.97 kcal/mol）显著优于N3抑制剂（-8.88 kcal/mol）及文献已报道肽（如LTINWQKYFNT的-19.85 kcal/mol）。

3. 对比研究凸显设计肽的优越性

与同类研究（如Chan等设计的LTINWQKYFNT和Rossetto等设计的WWTWTPFHLLV）相比，EvoPepFold生成的肽在结合能、氢键持续性及残基能量分解（如K7-E166相互作用占比突出）方面均表现更优。理化性质预测（ToxinPred、HemoPI 2.0）显示设计肽无毒、无溶血性，具备良好成药潜力。

结论与展望

EvoPepFold首次将遗传算法、AI结构建模与物理力场评分整合，实现了肽抑制剂的高效定向优化。其设计的肽VAKAKAV通过计算验证具备强效抑制M^pro的潜力，且策略可扩展至其他靶点研究。尽管当前方法依赖计算评分且耗时较长，但为肽类药物的理性设计提供了自动化框架。未来结合实验验证与动态评分函数优化，有望加速抗病毒肽的临床转化。