靶向G蛋白偶联受体的状态特异性活性肽设计框架
2025年10月11日，中晟全肽联合百度在Journal of Chemical Information and Modeling上发表了一篇论文《State-Specific Peptide Design Targeting G Protein-Coupled Receptors》，开发了一套名为 “状态特异性肽设计流程” 的计算与实验相结合的新方法，针对GPCR的不同激活状态（如活性和非活性），设计并筛选出能够有效作用于特定受体状态的肽类药物候选分子，为针对GPCR的药物开发提供了新的策略和技术支持。
以下为中文版全文：
1.GPCRs的重要性及面临的挑战
1.1 GPCRs的重要性及面临的挑战
G蛋白偶联受体(G protein-coupled receptors, GPCRs)是人体内数量最多、功能最广的膜蛋白受体家族，在神经信号传递、内分泌调节、免疫应答、代谢控制等几乎所有生理过程中发挥关键作用。目前，全球约有三分之一以上的上市药物以GPCR为靶点，涉及心血管疾病、代谢综合征、神经退行性疾病、肿瘤等多个领域，可谓是“药物研发的中心枢纽”。
相较于传统小分子药物，肽类药物在靶向GPCR时具有显著优势：
·拥有更高的结合亲和力和选择性；
·能精准区分同源GPCR亚型；
·可更真实地模拟天然配体的结合模式与信号机制。
但与此同时，GPCR的复杂性也为肽药设计带来了三大难题：
·构象多态性：GPCR在“活化态(active)”与“非活化态(inactive)”之间动态转换，不同状态对应完全不同的信号输出通路。传统设计难以针对特定构象精准建模。
·功能不确定性：设计出的肽是否是激动剂(agonist)或拮抗剂(antagonist)，仅依靠结构对接或能量评分难以区分。
·化学空间受限：传统基于模板或序列优化的方法无法覆盖更广的肽结构空间，限制了创新序列的产生。
因此，如何实现对受体状态进行识别与区分，并据此设计功能可控的肽分子，成为GPCR药物设计领域的核心科学问题。
2.设计高效的针对G蛋白偶联受体肽类药物的设计流程
2.1 整体框架图
中晟全肽团队提出的状态特异性肽设计流程(State-Specific Peptide Design Workflow)以深度学习结构预测为核心，通过高通量计算生成、筛选与实验验证相结合，实现从“受体状态识别”到“功能定向肽生成”的全流程设计。该流程包括以下四个关键模块：
·候选肽生成(Structure-based peptide generation)
·状态特异性结构预测与筛选(HF-Multistate filtering)
·计算验证与功能关联分析
·实验验证与生物活性评估
2.2 模块一：候选肽生成——从结构出发探索新序列
该模块以目标GPCR的结构（活化或非活化态）为起点，结合功能需求（激动/拮抗），通过结构搜索与逆折叠设计生成丰富的候选肽序列库。
（1）肽骨架发现：在蛋白质数据库(PDB)中扫描所有已解析的蛋白-肽复合物，筛选出那些在目标GPCR结合口袋区域具有高接触密度和连续肽段的复合物结构。
（2）序列设计：使用ESM-IF或ProteinMPNN等蛋白质逆折叠模型作为设计引擎，采用两种设计策略：
·自由设计模式(Unconstrained)：最大化序列多样性；
·锚定设计模式(Anchored)：在关键热点残基处引入已知功能位点，增强结合方向性。
这种“结构模板 + 生成模型”的组合极大拓展了肽的化学空间，为后续筛选提供高质量起点。
2.3 模块二：状态特异性折叠模型(HF-Multistate)过滤筛选
利用HF-Multistate模型进行高通量结构预测与功能筛选，基于多重置信度指标和状态一致性过滤，遴选出高潜力候选肽。
（1）HF-Multistate模型：该模型基于HelixFold-Multimer构建，并在包含大量GPCR-肽复合物结构的数据集（如GPCRdb, Propedia）上进行针对性微调，使其擅长预测肽与GPCR的相互作用界面。并整合了AlphaFold-Multistate的策略，在模型输入中显式指定目标GPCR的构象状态（活化/非活化），引导模型生成特定功能状态下的复合物结构。
（2）多重过滤筛选流程：
结构置信度初筛：利用pLDDT（预测局部距离差异测试）评估肽自身构象稳定性，以pAE（预测对齐误差）衡量GPCR-肽结合界面精度，通过设定合理阈值快速淘汰预测质量不佳的候选肽。
状态一致性精筛：对同一肽在活化与非活化两种构象下分别预测结合，依据目标功能进行双态比较，激动剂(Agonist)在活化态中表现更优，拮抗剂(Antagonist)在非活化态中表现更优。这一“双态对比–状态特异”机制可有效剔除非特异结合肽，显著提升筛选准确性。
3.模型验证结果分析
3.1 结构预测准确性验证
从界面精度与跨膜域构象还原度两方面评估HF-Multistate性能：
（1）界面预测：在DockQ、iRMS、%correct 等指标上显著优于基线模型，说明模型更准确地捕捉了GPCR–肽相互作用网络。
（2）跨膜域构象还原：在Class A的TM3/TM6及Class B的TM3/TM6/TM7区域RMSD最低，显示HF-Multistate能精准区分不同功能态的关键结构差异。
3.2 肽筛选能力验证
模型的筛选效能通过双重验证体系进行评估，证明了其在实战中的可靠性。
（1）置信度与亲和力相关性：pLDDT、pAE与实验亲和力呈显著负相关，可作为计算筛选指标。
（2）状态区分测试：在目标功能态下的hit率达50%，远超随机筛选水平，验证了状态特异性筛选策略的有效性与可推广性。
4.实验验证结果分析
4.1 APJR验证
在APJR的实验中，该设计平台成功地验证了其在激动剂和拮抗剂开发方面的双重能力。对于激动剂设计，Peptide-A6和Peptide-A11表现出了卓越的生物活性，其EC50值分别为5.0nM和4.2nM。这些设计肽采用不同于天然配体Apelin-13的相互作用位点，展现出新颖的结合模式，为开发具有独特作用机制的APJR靶向药物提供了新可能性。
4.2 GLP-1R验证
GLP-1R的验证实验证明了设计的Peptide-I3具有很好的抑制活性，IC50值为874.1nM，比临床阶段参考肽Avexitide(IC50 = 1913 nM)更优。进一步研究表明，虽然Peptide-I3在序列上与激动剂有一定相似性，但与受体形成的相互作用网络却完全不同，这种结构上的差异最终导致了完全相反的功能输出，从而解释了其拮抗作用的机理。
4.3 GHSR验证
GHSR的实验验证展示了设计平台在不同功能模态设计上的通用性。对于激动剂设计，Peptide-G4表现出100nM的EC50值，显示出了高效的受体激活能力。同时，在拮抗剂设计方面，Peptide-G6也获得了1.10μM的IC50值，能够有效地阻断内源性配体的作用。
5.总 结
这篇论文提出了一种以结构信息驱动的多态GPCR肽设计与筛选体系，结合结构模板发现、逆折叠生成(ESM-IF/ProteinMPNN)与状态特异性预测模型(HF-Multistate)，实现了从结构到功能的全链条计算设计。该框架实现了“从构象态到功能筛选”的定向肽设计，为偏向性信号与亚型选择性GPCR调控剂开发提供了新思路。
为全球多肽药物得以繁荣赋能，让多肽药得以低成本惠及全球患者，造福人类健康
