南京肽业YM说多肽|AI 驱动多肽药物开发工具初步介绍 

临床前研发场景： 多肽创新药、靶向肽、多肽偶联药物 PDC、长效多肽、环肽药物 

关键词：AI 工具、计算化学、自动化脚本、实验闭环 

一、多肽药物开发的核心目标（AI 必须解决的 5 大成药性问题）

1. 高亲和力与高选择性（不脱靶、有效结合靶点）
2. 代谢稳定性（不易被酶降解、延长半衰期）
3. 膜通透性（细胞穿透、口服 / 递送可行性）
4. 低免疫原性与低毒性
5. 可合成、可放大、可制剂

---

二、AI 多肽药物开发全流程工具（按研发阶段详细说明）

（一）靶点结构解析：决定药物成败的第一步

1. AlphaFold 2 / AlphaFold 3（高精度结构预测）

• 预测靶蛋白（GPCR、离子通道、酶、受体）三维结构
• 预测多肽–蛋白复合物结构（AF3 最强）
• 确定结合口袋、关键残基、氢键位点、疏水区域

• PDB 结构文件
• 置信度 pLDDT、PAE 图谱（判断结构可靠性）

• 没有 AF，很多膜蛋白无法做多肽药物设计
• 让理性设计从 “盲猜” 变成 “按口袋设计”

2. ColabFold（轻量化快速预测）

3. PyMOL / ChimeraXX（结构分析与作图）

• 标注结合位点
• 测量口袋大小
• 确定多肽长度、环化位点
• 输出可用于对接的 “干净 PDB”

---

（二）AI 多肽序列与骨架设计（药物分子创造核心）

1. ProteinMPNN（最主流：结构 → 最优序列）

• 给定靶点结合界面 → 自动生成高亲和力多肽序列
• 可强制约束：电荷、亲疏水性、环化位点、二硫键
• 保证多肽折叠稳定、不易降解

• 50～200 条候选多肽
• 每条带稳定性评分、亲和力预测

2. RFdiffusion（从头骨架设计：无模板创新药）

• 不需要天然多肽模板
• 直接按靶点口袋形状生成全新骨架
• 支持环肽、订书肽、二硫键肽、双环肽

• 难成药靶点（如 KRAS、p53、转录因子）
• 高选择性、高稳定性多肽药物

3. ESM-2 / ESM3（蛋白质大模型）

• 序列功能预测
• 亲和力预测
• 毒性、免疫原性、溶解度预测
• 成药性早期过滤

• 实验还没做，AI 先帮你淘汰 80% 不行的分子

4. PepINVENT / 非天然氨基酸设计工具

• 引入 NAA、β- 氨基酸、环化、D - 氨基酸
• 提升半衰期、稳定性、细胞膜通透性
• 解决多肽药物最大痛点：易降解

---

（三）虚拟筛选与成药性验证（AI + 计算化学）

1. 分子对接 Docking

• Schrödinger Glide（商用高精度，药企标配）
• AutoDock Vina（开源批量）
• HDock（多肽–蛋白专用）

• 结合能（Affinity）
• 结合模式
• 氢键、疏水作用、π-π 堆积

• 从 100 条 → 筛选 Top 20～30

2. 分子动力学模拟 MD（判断结合稳不稳定）

• GROMACS（开源、批量、快）
• Amber（高精度、药企）
• Desmond（Schrödinger，易用）

• RMSD：构象是否稳定
• RMSF：残基柔性
• 氢键占有率
• 结合自由能分解
• 疏水性表面积

• 剔除 “对接好看、实际不稳定” 的假阳性

3. 自由能计算（精准亲和力排名）

• MM-GBSA / MM-PBSA
• FEP/TI（最高精度，用于 PCC 候选）

• 最终确定 1～3 个临床前候选化合物

---

（四）Python 自动化：药物研发的 “中枢神经”

1. 批量调用 AlphaFold / ProteinMPNN
2. 批量对接、批量 MD 分析
3. 自动提取结合能、RMSD、氢键、稳定性
4. 自动生成实验报告、活性预测模型
5. 实验数据回流 → AI 自动优化下一代序列

• Biopython：序列 / 结构处理
• Pandas：数据整理
• MDAnalysis：MD 轨迹分析
• Matplotlib/Seaborn：作图
• Scikit-learn / XGBoost：建立 QSAR 模型
• PyTorch：训练序列–活性模型

---

三、多肽药物开发：AI 全流程标准化步骤（最详细版）

阶段 1：靶点确定与结构解析

1. 确定疾病靶点（如受体、酶、肿瘤抗原）
2. 输入序列 → AlphaFold3 预测结构
3. ChimeraX 分析：
   • 活性口袋
   • 关键残基
   • 可结合区域
4. 输出：用于设计的 “干净靶点 PDB”

阶段 2：AI 多肽骨架与序列设计

1. RFdiffusion 生成适配口袋的多肽骨架
2. ProteinMPNN 生成高亲和力序列（50～200 条）
3. ESM-2 预测：
   • 活性
   • 稳定性
   • 溶解度
   • 毒性
4. 自动过滤，保留 50～100 条

阶段 3：虚拟筛选（计算机先做 “实验”）

1. 分子对接 → 取 Top 20～30
2. 分子动力学模拟（MD） → 验证稳定性
3. 自由能计算 → 精准排序
4. 最终选出 10～15 条进入合成

阶段 4：实验验证（湿实验）

1. 多肽合成与纯化
2. 亲和力检测（SPR / BLI）
3. 细胞活性（IC50 / EC50）
4. 稳定性测试（血浆、温度、酶稳定性）
5. 选择性、毒性、免疫原性

阶段 5：AI 迭代优化（药物开发核心闭环）

1. 实验数据输入 Python 平台
2. AI 学习：
   • 哪些残基影响活性
   • 哪些位置影响稳定性
3. 自动生成第二代优化序列
4. 再次进入虚拟筛选 → 合成 → 实验
5. 一般迭代 2～4 轮即可得到临床前候选药物（PCC）

---

四、药企最常用的黄金工具组合（直接照抄用）

结构预测：AlphaFold3 + ColabFold

AI 设计：RFdiffusion + ProteinMPNN + ESM 虚拟筛选：Schrödinger (Glide + Desmond + MMGBSA) MD 模拟：GROMACS / Amber 自动化：Python 全流程串联

成药性优化：非天然氨基酸 + 环化策略

南京肽业YM说多肽|AI 驱动多肽药物开发工具初步介绍