解耦小分子药物抗淀粉样效能与细胞毒性

淀粉样蛋白异常聚集是多种神经退行性疾病和系统性蛋白质构象病的重要病理基础。Aβ、Tau、α-synuclein、hIAPP等蛋白可由天然或部分折叠状态逐渐形成寡聚体、原纤维和成熟纤维，并通过初级成核、纤维延伸、纤维断裂和二次成核等过程持续扩增。针对这些过程，研究者已开发大量小分子、多肽、环肽和天然产物，用于阻断早期寡聚化、封闭纤维末端、覆盖纤维侧表面、抑制二次成核或促进成熟纤维解聚和重塑。

现有抗淀粉样分子的设计通常强调提高对淀粉样聚集体的结合能力，或降低纤维形成和荧光信号。然而，强结合并不必然等同于高选择性，纤维减少也不必然意味着细胞毒性降低。一些能够显著抑制或破坏淀粉样纤维的分子同时具有较强的细胞毒性，其原因可能包括与DNA、RNA、细胞膜或细胞蛋白发生脱靶结合，也可能包括诱导生成更具毒性的寡聚体、短纤维或非经典聚集态。

从分子识别角度看，淀粉样纤维具有重复排列的β-折叠骨架、连续疏水表面、芳香残基簇、电荷斑块和规则沟槽。能够识别这些结构的分子往往具有较大的芳香共轭体系、较强疏水性、正电荷、两亲性或多点氢键能力。但这些特征同样可能赋予分子核酸插层、膜插入或非特异性蛋白结合能力。因此，抗淀粉样活性与细胞毒性可能并非完全独立，而是部分来源于共同的分子识别属性。

目前相关研究存在三方面不足。

第一，缺乏系统的抗淀粉样活性—细胞毒性配对数据。不同研究采用的蛋白体系、活性指标、浓度范围和毒性终点差异较大，难以直接比较，也难以判断效能—毒性权衡是否具有普遍性。

第二，缺乏对目标结合与脱靶结合的直接比较。现有计算研究主要关注候选分子如何结合淀粉样纤维，而较少将同一分子与纤维、核酸和膜的结合模式放在统一框架中比较。

第三，现有AI分子设计多以提高单一目标亲和力为核心，较少同时优化抗淀粉样效能、核酸结合风险、膜扰动和一般细胞毒性。这种单目标优化可能增强广谱结合能力，而非提高真正的淀粉样选择性。

基于此，本项目拟从化学信息学、多尺度分子模拟和人工智能分子设计三个层面，系统研究抗淀粉样效能与细胞毒性的共同基础及其可分离特征，建立计算驱动的安全聚集抑制剂设计框架。

科学问题一：抗淀粉样效能与细胞毒性之间是否存在可重复的结构—功能关联？

需要明确具有纤维结合、延伸抑制、二次成核抑制或纤维解聚能力的分子，是否更容易表现出细胞毒性；这种关联是否仅存在于特定化学骨架、理化区间或作用机制中；哪些结构特征同时促进抗淀粉样活性和毒性，哪些分子能够天然实现二者解耦。

核心问题包括：

1. 抗淀粉样活性与细胞毒性之间是否具有统计相关性；
2. 这种相关性是否依赖分子类别、蛋白体系和作用机制；
3. 芳香性、平面性、疏水性、电荷和两亲性在效能—毒性权衡中分别发挥什么作用；
4. 是否存在结构相近但毒性显著不同的匹配分子对，可用于提取选择性设计规律。

科学问题二：淀粉样目标识别与细胞脱靶识别是否具有共享的分子作用机制？

淀粉样纤维、核酸和细胞膜具有不同结构，但均可提供疏水、芳香、带电和氢键作用位点。需要阐明同一分子是否通过相似的π–π堆积、疏水作用、静电作用和氢键网络同时识别目标和脱靶对象。

核心问题包括：

1. 哪些相互作用类型同时促进纤维结合和脱靶结合；
2. 两类结合在相互作用空间拓扑、构象约束和脱溶剂化方面有何差异；
3. 决定广谱非特异识别的关键因素是什么；
4. 决定纤维末端、侧表面或特定多晶型选择性的结构因素是什么。

科学问题三：能否利用目标与脱靶识别的差异，实现抗淀粉样效能与细胞毒性的计算解耦？

即使目标结合和脱靶结合共享芳香、疏水和静电作用，两者仍可能依赖不同的几何匹配和动力学特征。需要判断能否通过调整分子三维性、电荷分布、局部芳香表面和构象预组织，在保留纤维识别能力的同时降低核酸结合和膜扰动风险。

核心问题包括：

1. 哪些分子修饰能够降低脱靶识别而不破坏关键纤维结合位点；
2. 是否能够通过构象限制和形状互补提高淀粉样选择性；
3. 多任务预测和多目标生成模型能否准确识别效能—毒性Pareto最优分子；
4. 计算设计所得分子能否在末期实验中表现出活性保留和毒性降低。

研究内容一：构建抗淀粉样活性—细胞毒性计算数据集并识别效能—毒性规律

系统检索公开文献、专利和化学数据库，收集具有以下功能的分子：

• 淀粉样聚集体结合；
• 初级成核抑制；
• 纤维延伸抑制；
• 二次成核抑制；
• 寡聚化干预；
• 成熟纤维解聚或重塑。

对分子结构和活性数据进行标准化，包括互变异构体、质子化状态、盐形式、重复结构和实验单位处理。统一整理以下信息：

• 分子结构与理化性质；
• 作用蛋白和聚集状态；
• 抗淀粉样作用类型；
• 活性浓度及评价方法；
• 细胞类型和细胞毒性终点；
• 已报道的DNA、RNA、膜或蛋白脱靶作用；
• 数据来源、实验可信度和可比性等级。

采用分子描述符、结构指纹、化学空间投影、聚类分析和匹配分子对分析，比较高活性高毒性、高活性低毒性、低活性高毒性和低活性低毒性分子之间的差异。

重点分析以下特征：

• 芳香环数量和连续共轭面积；
• 分子平面性和三维性；
• 疏水性和极性表面积；
• 净电荷及局部电荷分布；
• 两亲性和疏水—亲水分区；
• 氢键供体与受体分布；
• 分子柔性和构象刚性；
• 胶体聚集和自聚集倾向。

利用可解释机器学习建立抗淀粉样活性和细胞毒性的初步预测模型，识别二者共享的结构特征、相互独立的特征及其适用边界。

研究内容二：代表性分子目标识别与脱靶识别的多尺度模拟

从数据集中筛选若干具有代表性的分子类别和匹配分子对，包括：

• 高抗淀粉样活性、高细胞毒性分子；
• 高抗淀粉样活性、低细胞毒性分子；
• 结构相近但效能或毒性差异显著的分子对；
• 不同作用机制的代表性分子。

分别构建候选分子与以下对象的复合体系：

淀粉样目标体系

• 可溶性单体；
• 代表性寡聚体；
• 淀粉样纤维侧表面；
• 淀粉样纤维末端；
• 不同纤维多晶型或病理构象。

潜在脱靶体系

• 双链DNA；
• 单链DNA；
• G-quadruplex DNA或RNA；
• 代表性RNA二级结构；
• 中性脂质膜；
• 阴离子脂质膜；
• 必要时选择代表性细胞蛋白。

首先采用分子对接和快速构象搜索确定候选结合区域，随后开展全原子分子动力学模拟，分析复合物稳定性、结合构象和相互作用网络。对于关键体系，进一步采用增强采样和自由能计算，获得结合自由能、解离路径和构象转变信息。

重点计算和比较：

• π–π堆积的距离、角度和排列方式；
• 疏水接触面积和埋藏深度；
• 静电势匹配和盐桥形成；
• 氢键数量、寿命和网络拓扑；
• 配体构象变化和受体诱导适配；
• 水分子和离子介导相互作用；
• 结合自由能及其分项；
• 结合构象多样性；
• 驻留稳定性和解离通道；
• 纤维表面、核酸和膜之间的竞争结合趋势。

最终构建每个分子的目标结合指纹和脱靶结合指纹。

研究内容三：提取效能与毒性的共享机制及选择性判据

将化学信息学特征与多尺度模拟结果进行整合，建立两类识别特征集合：

F（amyloid）：表示促进淀粉样结合和聚集抑制的分子特征与相互作用模式；
F（liability）：表示促进核酸结合、膜插入和潜在细胞毒性的特征与相互作用模式。

进一步定义用于描述抗淀粉样效能与毒性的共享分子基础；以及描述可支持淀粉样选择性识别的差异特征。

重点回答以下问题：

• 大面积平面芳香结构是否同时促进纤维结合和核酸插层；
• 局部定向芳香作用能否替代连续芳香平面；
• 总正电荷和局部电荷分布对纤维与核酸选择性的影响是否不同；
• 两亲性和疏水性在纤维结合与膜插入中的作用阈值是否不同；
• 分子三维性和构象限制能否降低脱靶结合构象的可达性；
• 纤维沟槽和末端是否提供可用于专一识别的几何和氢键模式。

在此基础上建立可解释的分子设计规则。

研究内容四：多任务预测与AI辅助多目标分子设计

基于公开数据、化学描述符和模拟相互作用指纹，建立多任务预测模型，同时预测：

• 淀粉样纤维结合能力；
• 纤维延伸抑制能力；
• 二次成核抑制能力；
• 纤维解聚或重塑能力；
• DNA和RNA结合风险；
• 膜结合与膜插入风险；
• 一般细胞毒性；
• 溶解性和稳定性；
• 合成可及性。

模型输入将融合：

• 二维分子图；
• 分子结构指纹；
• 三维构象和形状描述符；
• 电荷与静电势分布；
• 经典理化描述符；
• 目标和脱靶相互作用指纹；
• 分子动力学和自由能特征。

针对数据异质性和样本量有限的问题，采用多任务学习、迁移学习、图神经网络、匹配分子对学习和不确定性估计，避免模型对单一数据源过拟合。

以高活性但高毒性的代表性分子为母体，开展受约束分子优化和生成设计。优化目标包括：

• 最大化：抗淀粉样活性、目标选择性、溶解性、稳定性
• 最小化：核酸结合、膜扰动、细胞毒性、非特异性结合

重点探索以下结构改造策略：

• 缩小连续芳香平面，保留局部定向芳香接触；
• 增加sp³碳比例和分子三维性；
• 将离域正电荷转化为局部定向电荷；
• 降低非特异性疏水表面积；
• 调整两亲性，减少膜插入；
• 增加与纤维沟槽或末端的形状互补；
• 引入目标特异性氢键位点；
• 采用环化、桥连或刚性化限制无效和脱靶构象。

通过Pareto前沿筛选兼顾效能与安全性的候选分子，并利用对接、分子动力学和自由能计算进行二次评估。

研究内容五：高优先级候选分子的末期实验验证

实验仅作为项目末期的外部验证环节，不承担早期筛选和主要机制发现任务。

根据计算评分、结构新颖性、合成可及性和不确定性，选择少量高优先级候选分子，开展必要验证，包括：

• 抗聚集或纤维结合能力；
• 对纤维延伸或二次成核的影响；
• DNA或RNA结合趋势；
• 模型膜扰动；
• 基础细胞毒性；
• 必要时评价对淀粉样蛋白相关细胞损伤的保护作用。

重点比较母体分子与优化衍生物，验证是否实现：

抗淀粉样活性保留+细胞毒性和脱靶风险降低

1. 提出抗淀粉样效能与细胞毒性共享分子识别基础的计算假说

不同于将抗聚集活性和细胞毒性视为两个独立指标，本项目提出二者可能部分来源于共享的芳香、疏水、静电和两亲性特征，并系统分析该效能—毒性权衡的存在范围和边界条件。

2. 建立淀粉样目标与细胞脱靶对象的配对模拟框架

针对同一候选分子，分别研究其与淀粉样纤维、寡聚体、DNA、RNA和膜的结合过程，直接比较目标识别与脱靶识别，而非仅分析单一纤维复合物。

3. 从相互作用类型深入到识别空间拓扑和动力学差异

项目不仅判断两类结合是否都具有π–π堆积或静电作用，还将比较作用位点排列、相互作用方向性、构象限制、脱溶剂化、结合自由能和解离路径，从而寻找真正可用于分子设计的分叉点。

4. 建立以“选择性”而非“最强结合”为目标的设计范式

传统设计往往追求提高目标亲和力，本项目则以提高淀粉样聚集体相对于核酸、膜和其他细胞组分的选择性为核心，实现从“增强广谱结合”向“重编程选择性识别”的转变。

5. 构建机制驱动的多任务、多目标AI设计体系

将纤维结合、聚集抑制、核酸结合、膜扰动、细胞毒性和药物样性质纳入统一计算框架，并将分子动力学相互作用指纹引入AI模型，实现机制信息与数据驱动设计的融合。

6. 以纯计算发现为主体，仅以少量实验进行末期概念验证

项目的大部分规律发现、机制解析和分子设计均由数据挖掘、多尺度模拟和人工智能完成，实验仅用于验证最关键的计算预测，具有较高的计算研究独立性和可扩展性。

本项目按照“数据构建—规律发现—机制解析—模型建立—分子设计—末期验证”的路线开展。

第一阶段：数据挖掘与化学空间分析

公开文献、专利和数据库检索
→ 分子结构标准化
→ 抗淀粉样活性和细胞毒性标签整理
→ 数据可信度分级
→ 理化描述符和结构指纹计算
→ 化学空间聚类与匹配分子对分析
→ 可解释机器学习识别效能—毒性关联
→ 筛选代表性分子和分子对。

第二阶段：目标与脱靶体系构建

获取或建立淀粉样纤维、寡聚体和多晶型结构
＋
建立DNA、RNA和模型膜体系
→ 分子对接与结合位点搜索
→ 选择代表性复合构象
→ 构建全原子模拟体系。

第三阶段：多尺度分子模拟与相互作用指纹提取

常规分子动力学模拟
→ 结合稳定性和构象分析
→ 增强采样与自由能计算
→ 相互作用能、接触、氢键、芳香堆积和脱溶剂化分析
→ 构建目标结合指纹和脱靶结合指纹
→ 提取共享特征和选择性分叉点。

第四阶段：多任务模型与多目标设计

二维结构、三维构象、理化描述符和模拟指纹融合
→ 多任务预测模型建立
→ 模型不确定性和可解释性分析
→ 设计规则提取
→ 受约束生成或局部结构优化
→ 多目标Pareto筛选
→ 对接、动力学模拟和自由能复筛
→ 获得高优先级候选分子。

第五阶段：少量实验验证

候选分子合成或采购
→ 抗淀粉样活性验证
→ 核酸结合和膜扰动验证
→ 基础细胞毒性验证
→ 母体与优化分子比较
→ 评估计算解耦是否实现。

1. 数据资源

建立结构标准化、来源可追溯的抗淀粉样活性—细胞毒性配对数据库，包含分子结构、蛋白靶标、作用机制、活性浓度、细胞毒性、核酸结合、膜活性和数据可信度等信息。

2. 科学规律

明确抗淀粉样效能与细胞毒性之间是否存在可重复的结构—功能关联，确定该关联适用的化学骨架、理化性质区间和作用机制。

揭示芳香共轭、疏水性、电荷和两亲性等特征在目标识别与脱靶识别中的共同作用，并识别能够实现淀粉样选择性的空间几何和动力学特征。

3. 计算机制模型

建立代表性抗淀粉样分子与纤维、寡聚体、核酸和模型膜的多尺度计算模型，形成目标结合和脱靶结合的系统相互作用指纹。

提出可定量描述淀粉样选择性的计算指标，例如目标—脱靶结合自由能差、选择性相互作用指纹和脱靶构象可达性。

4. AI预测与设计工具

建立同时预测抗淀粉样效能、核酸结合、膜扰动和细胞毒性的多任务模型，以及面向效能—安全性Pareto优化的分子生成与筛选流程。

形成一套可解释的计算设计原则，包括：

• 连续芳香平面与局部定向芳香作用的平衡；
• 总电荷与局部电荷分布的区分；
• 疏水性和膜插入风险的控制；
• 分子三维性和构象预组织对选择性的调节；
• 纤维沟槽和末端特异性识别模式。

5. 候选分子

获得一批计算预测具有较高抗淀粉样活性、较低核酸结合和膜扰动风险的候选分子，并筛选少量具有代表性的高优先级分子进行实验验证。

力争获得至少一组母体—优化分子对，实现：抗淀粉样效能基本保留或提高、脱靶结合和细胞毒性显著降低。

6. 理论与方法成果

建立一种新的聚集抑制剂计算设计范式，可用于淀粉样聚集抑制剂，也可推广至其他依赖广谱疏水、芳香或静电识别的药物和功能分子安全性优化问题。

7. 论文和知识产权

围绕抗淀粉样效能—毒性规律、目标—脱靶配对模拟、选择性判据、多任务预测模型和优化候选分子形成系列研究论文。对于结构新颖、性能优异的候选分子及其计算设计方法，探索申请相关发明专利或软件著作权。