在生命科學(xué)的前沿，一場(chǎng)由人工智能（AI）驅(qū)動(dòng)的革命正在深刻改變我們對(duì)蛋白激酶——這一龐大而關(guān)鍵的蛋白質(zhì)家族——的認(rèn)知。人類激酶組包含超過(guò)500個(gè)基因，其結(jié)構(gòu)和功能的解密對(duì)生物醫(yī)學(xué)研究與藥物開(kāi)發(fā)至關(guān)重要。近年來(lái)，AI技術(shù)的飛速發(fā)展，結(jié)合激酶序列與結(jié)構(gòu)數(shù)據(jù)庫(kù)的擴(kuò)容，使得研究人員能夠開(kāi)發(fā)出前所未有的算法，以克服研究激酶時(shí)面臨的諸多挑戰(zhàn)，例如破譯別構(gòu)調(diào)控、區(qū)分高度相似的序列與結(jié)構(gòu)折疊，以及精確模擬與輔因子和其他生物伙伴的相互作用。

別構(gòu)調(diào)節(jié)是細(xì)胞信號(hào)傳遞的基礎(chǔ)，它允許配體在不同于活性位點(diǎn)的位置結(jié)合，從而動(dòng)態(tài)控制代謝途徑。蛋白激酶通過(guò)其ATP結(jié)合位點(diǎn)與調(diào)控位點(diǎn)之間的雙向別構(gòu)進(jìn)行調(diào)節(jié)。理解這些機(jī)制支撐了合理的藥物設(shè)計(jì)，使得能夠開(kāi)發(fā)特異性靶向激酶-蛋白質(zhì)相互作用的別構(gòu)調(diào)節(jié)劑用于治療。盡管別構(gòu)現(xiàn)象在數(shù)十年前就被描述，但AI的最新進(jìn)展已經(jīng)徹底改變了我們研究和利用這一現(xiàn)象的能力。

傳統(tǒng)方法常常忽視隱藏在靜態(tài)蛋白質(zhì)結(jié)構(gòu)中的隱秘別構(gòu)位點(diǎn)，而AI增強(qiáng)模型現(xiàn)在能夠以高精度揭示這些瞬態(tài)、動(dòng)態(tài)的口袋。例如，圖神經(jīng)網(wǎng)絡(luò)（GNNs）能捕獲局部和全局結(jié)構(gòu)特征，快速預(yù)測(cè)隱秘別構(gòu)位點(diǎn)；而集成學(xué)習(xí)方法（如eXtreme Gradient Boosting和圖卷積神經(jīng)網(wǎng)絡(luò)）則能基于理化性質(zhì)對(duì)潛在口袋進(jìn)行優(yōu)先排序。PocketMiner是AI用于研究別構(gòu)的成功應(yīng)用之一，該工具在檢測(cè)對(duì)理解蛋白質(zhì)調(diào)控至關(guān)重要的隱秘別構(gòu)口袋方面表現(xiàn)出卓越能力。

一項(xiàng)創(chuàng)新性研究將慢特征分析（SFA）與良好調(diào)諧的元?jiǎng)恿�學(xué)相結(jié)合，以研究RIPK2的動(dòng)態(tài)別構(gòu)行為。SFA是一種無(wú)監(jiān)督機(jī)器學(xué)習(xí)方法，從以AlphaFold2（AF2）預(yù)測(cè)構(gòu)象為種子的短分子動(dòng)力學(xué)（MD）軌跡中提取緩慢變化的特征。這些SFA衍生的特征被用作元?jiǎng)恿�學(xué)中的集體變量，使得能夠加速采樣在傳統(tǒng)MD時(shí)間尺度內(nèi)難以獲得的稀有構(gòu)象變化。通過(guò)這種方法，研究人員在數(shù)百納秒內(nèi)捕獲了RIPK2重要的別構(gòu)運(yùn)動(dòng)，比微秒級(jí)的無(wú)偏MD快得多。

盡管AF在靜態(tài)結(jié)構(gòu)預(yù)測(cè)方面表現(xiàn)出色，但其單一構(gòu)象輸出限制了其對(duì)別構(gòu)動(dòng)力學(xué)的建模。研究人員通過(guò)淺層多序列比對(duì)（MSA）子采樣和隨機(jī)丙氨酸掃描來(lái)增強(qiáng)AF2，以捕獲Abl激酶的構(gòu)象變異性。這種方法成功生成了多樣的結(jié)構(gòu)集合，包括DFG-out翻轉(zhuǎn)、閉合的激活環(huán)和αC螺旋移動(dòng)，準(zhǔn)確反映了關(guān)鍵突變體中觀察到的非活性狀態(tài)。

在更廣泛的應(yīng)用中，研究人員將AF2與287個(gè)實(shí)驗(yàn)激酶-配體結(jié)構(gòu)整合，繪制了495個(gè)人類激酶的別構(gòu)特征圖，涵蓋了ATP口袋和由DFG-out構(gòu)象暴露的別構(gòu)裂隙等關(guān)鍵抑制劑可及區(qū)域。他們開(kāi)發(fā)了一種對(duì)局部口袋幾何形狀具有變換不變性的二進(jìn)制網(wǎng)絡(luò)編碼，并通過(guò)聚類識(shí)別出四種主要激酶構(gòu)象。大約67%的激酶被發(fā)現(xiàn)含有獨(dú)特的別構(gòu)微口袋，這些口袋未被ATP競(jìng)爭(zhēng)性抑制劑靶向。案例研究（如AKT1）證明了靶向這些位點(diǎn)以開(kāi)發(fā)亞型選擇性抑制劑的潛力。

在生理?xiàng)l件下，蛋白質(zhì)是動(dòng)態(tài)而非剛性的，其靈活性對(duì)其功能至關(guān)重要。已經(jīng)開(kāi)發(fā)了幾種策略使AF能夠捕獲這種構(gòu)象靈活性。在一項(xiàng)研究中，研究人員對(duì)MSA進(jìn)行子采樣以調(diào)節(jié)AF2中的共進(jìn)化信號(hào)，從而生成多樣且生理相關(guān)的結(jié)構(gòu)集合。將此方法應(yīng)用于Abl1激酶，捕獲了活性和非活性構(gòu)象（I1和I2）之間的轉(zhuǎn)變，與實(shí)驗(yàn)核磁共振（NMR）分布高度匹配。

此外，AF衍生模型被用于預(yù)測(cè)側(cè)鏈構(gòu)象，這對(duì)激酶功能、激活和藥物結(jié)合至關(guān)重要。一項(xiàng)研究評(píng)估了AF2在使用ColabFold（一種用MMseqs2優(yōu)化MSA生成的AF2實(shí)現(xiàn)）在一組基準(zhǔn)蛋白質(zhì)上的性能，證明了其在預(yù)測(cè)χ₁角方面的高準(zhǔn)確性，但對(duì)更深角度（如χ₃和χ₄）的可靠性較低。值得注意的是，結(jié)構(gòu)模板的加入顯著提高了預(yù)測(cè)準(zhǔn)確性，特別是在激酶中常見(jiàn)的富含β折疊的區(qū)域。

在另一種策略中，研究人員將NMR數(shù)據(jù)與AI模型結(jié)合，使用AFsample和貝葉斯推斷來(lái)捕獲激酶的主要構(gòu)象和瞬態(tài)構(gòu)象。對(duì)于CDK2AP1，將這種方法與AF2 MSA子采樣相結(jié)合以檢測(cè)細(xì)微的共進(jìn)化信號(hào)，發(fā)現(xiàn)了在靈活性和二聚體界面幾何形狀上不同的獨(dú)特結(jié)構(gòu)狀態(tài)，并通過(guò)NMR指標(biāo)驗(yàn)證，揭示了稀有但功能重要的構(gòu)象。

ROCKET框架通過(guò)整合來(lái)自冷凍電鏡（cryo-EM）、冷凍電子斷層掃描（cryo-ET）和X射線晶體學(xué)的實(shí)驗(yàn)數(shù)據(jù)來(lái)增強(qiáng)AF2，以優(yōu)化蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)。通過(guò)優(yōu)化AF2的潛在MSA嵌入空間，ROCKET能準(zhǔn)確建模復(fù)雜的構(gòu)象轉(zhuǎn)變，包括結(jié)構(gòu)域移動(dòng)和環(huán)重排。這種方法捕獲了對(duì)信號(hào)傳遞和藥物發(fā)現(xiàn)至關(guān)重要的生物學(xué)相關(guān)動(dòng)力學(xué)。

潛在空間輔助自適應(yīng)采樣蛋白質(zhì)軌跡（LAST）方法是另一種探索蛋白質(zhì)構(gòu)象景觀的有效方法，它集成了AI（特別是變分自編碼器VAEs）與MD。通過(guò)學(xué)習(xí)蛋白質(zhì)結(jié)構(gòu)的低維潛在表示，LAST識(shí)別采樣不足的區(qū)域以指導(dǎo)進(jìn)一步的模擬。應(yīng)用于激酶（如大腸桿菌腺苷激酶）時(shí)，與常規(guī)MD相比，LAST加速了過(guò)渡路徑和多樣構(gòu)象的發(fā)現(xiàn)。

由于激酶通過(guò)與伙伴分子形成復(fù)合物來(lái)執(zhí)行其生物學(xué)功能，預(yù)測(cè)這些相互作用對(duì)于闡明其作用并實(shí)現(xiàn)有效靶向至關(guān)重要。在一項(xiàng)整合AI驅(qū)動(dòng)結(jié)構(gòu)建模與生物學(xué)驗(yàn)證的研究中，研究人員揭示了減數(shù)分裂特異性激酶Mek1如何選擇性結(jié)合其底物以調(diào)控重組。使用AF-Multimer（AFM），團(tuán)隊(duì)模擬了Mek1與其底物Ndt80片段之間的相互作用，發(fā)現(xiàn)一個(gè)保守的RPSKR基序停靠在Mek1的FHA結(jié)構(gòu)域的一個(gè)非經(jīng)典界面上。具體來(lái)說(shuō)，該基序嵌入Mek1 FHA結(jié)構(gòu)域的一個(gè)酸性環(huán)（DED：Asp78-Glu79-Asp80）中，形成了一個(gè)獨(dú)特的復(fù)合結(jié)合位點(diǎn)。這種非常規(guī)的底物識(shí)別模式背離了典型的磷酸蘇氨酸依賴性FHA相互作用，并且通過(guò)傳統(tǒng)方法以前無(wú)法獲得。

受體酪氨酸激酶的研究代表了AI的另一個(gè)成功應(yīng)用。在一項(xiàng)研究中，AFM模擬了胰島素受體（IR）和胰島素樣生長(zhǎng)因子1受體（IGF1R）的胞外域，預(yù)測(cè)了IR的L2結(jié)構(gòu)域與IGF1R的FnIII-1結(jié)構(gòu)域之間穩(wěn)定的異二聚體界面。研究發(fā)現(xiàn)該界面涉及關(guān)鍵殘基，包括IGF1R的F450、R391和D555，并通過(guò)定點(diǎn)誘變和基于BRET的測(cè)定進(jìn)行了實(shí)驗(yàn)驗(yàn)證。

除了受體酪氨酸激酶，AFM還為參與DNA維護(hù)和修復(fù)的激酶提供了關(guān)鍵見(jiàn)解。例如，AFM揭示了Rif2如何調(diào)節(jié)Tel1激酶：Rif2并非置換MRX復(fù)合物，而是誘導(dǎo)Rad50從ATP結(jié)合狀態(tài)向ADP結(jié)合狀態(tài)發(fā)生構(gòu)象轉(zhuǎn)變，從而破壞Tel1向DNA雙鏈斷裂處的募集。

AI方法也改變了對(duì)細(xì)胞分裂素受體，特別是植物中全長(zhǎng)傳感器雜合組氨酸激酶（HKs）的結(jié)構(gòu)理解，這些受體之前因其復(fù)雜的膜嵌入結(jié)構(gòu)而未被解析。使用AFM，這項(xiàng)研究模擬了全長(zhǎng)AHK2–4二聚體，揭示了結(jié)構(gòu)域組織、二聚體界面以及跨信號(hào)狀態(tài)的構(gòu)象轉(zhuǎn)變。ColabFold通過(guò)準(zhǔn)確整合HPt伙伴并糾正結(jié)構(gòu)扭曲，進(jìn)一步增強(qiáng)了這些模型。這些模型展示了細(xì)胞分裂素在CHASE結(jié)構(gòu)域的結(jié)合如何誘導(dǎo)構(gòu)象變化，這些變化通過(guò)跨膜螺旋傳遞以激活細(xì)胞內(nèi)激酶結(jié)構(gòu)域。

突變通常被認(rèn)為是生物學(xué)中一個(gè)神秘的概念，因?yàn)樗鼈儗?duì)蛋白質(zhì)折疊、生物相互作用和藥物發(fā)現(xiàn)領(lǐng)域有著深遠(yuǎn)影響。研究突變對(duì)蛋白質(zhì)的影響至關(guān)重要，但它面臨一些限制，例如通過(guò)有限采樣捕獲突變驅(qū)動(dòng)的構(gòu)象變化的挑戰(zhàn)，或需要進(jìn)行大量MD模擬的需要。在這種背景下，像AI這樣的多功能工具提供了一個(gè)有前景且必要的替代方案。

在一項(xiàng)涉及一名診斷為糖原貯積病IXa型中國(guó)男孩的新型PHKA2變體的研究中，利用AF2模擬了PHKA2蛋白的野生型和突變型。鑒定出的插入突變（p.386 N>/*）導(dǎo)致在第386個(gè)殘基處出現(xiàn)提前終止密碼子，將蛋白質(zhì)從其全長(zhǎng)1235個(gè)氨基酸顯著截短。這種截短嚴(yán)重影響了蛋白質(zhì)的結(jié)構(gòu)穩(wěn)定性，并消除了關(guān)鍵功能區(qū)域——特別是GH-15-like和CBL-like結(jié)構(gòu)域——從而可能損害其與相關(guān)磷酸化酶激酶亞基（包括PHKA1、PHKG1、PHKG2、PHKB、CALM1和其他鈣調(diào)蛋白樣蛋白）的相互作用。

另一個(gè)眾所周知的用于預(yù)測(cè)跨多種蛋白質(zhì)的錯(cuò)義突變效應(yīng)的應(yīng)用是AlphaMissense。該模型通過(guò)整合來(lái)自預(yù)測(cè)蛋白質(zhì)結(jié)構(gòu)的結(jié)構(gòu)背景與進(jìn)化保守性和序列信息，來(lái)調(diào)整AF2架構(gòu)，從而為人類蛋白質(zhì)組中每一個(gè)可能的單氨基酸置換產(chǎn)生致病性評(píng)分。與專注于3D結(jié)構(gòu)預(yù)測(cè)的AF2不同，AlphaMissense將語(yǔ)言模型類表征與結(jié)構(gòu)特征相結(jié)合，并實(shí)現(xiàn)為一個(gè)輸出分?jǐn)?shù)的神經(jīng)網(wǎng)絡(luò)，這些分?jǐn)?shù)經(jīng)過(guò)校準(zhǔn)以區(qū)分可能良性變異和可能致病性變異。在針對(duì)臨床和功能數(shù)據(jù)集的基準(zhǔn)比較中，AlphaMissense展示了最先進(jìn)的性能，具有高分類準(zhǔn)確性和與其他預(yù)測(cè)因子相比與實(shí)驗(yàn)測(cè)定強(qiáng)相關(guān)性，盡管其性能可能因蛋白質(zhì)和背景而異。

激酶通過(guò)磷酸化調(diào)節(jié)基本的細(xì)胞過(guò)程；然而，由于實(shí)驗(yàn)驗(yàn)證有限且磷酸化蛋白質(zhì)組學(xué)數(shù)據(jù)中噪音高，識(shí)別其特異性底物仍然是一個(gè)重大挑戰(zhàn)。此外，對(duì)激酶活性和調(diào)節(jié)至關(guān)重要的輔因子，是研究激酶功能的另一個(gè)關(guān)鍵焦點(diǎn)。AI正被用于促進(jìn)這兩個(gè)領(lǐng)域的進(jìn)步，增強(qiáng)我們對(duì)激酶的理解。

最近，Anandakrishnan等人引入了KSFinder，這是一個(gè)AI驅(qū)動(dòng)的模型，旨在預(yù)測(cè)激酶與其底物之間的磷酸化關(guān)系——這對(duì)理解細(xì)胞信號(hào)傳遞和疾病過(guò)程至關(guān)重要。由于現(xiàn)有工具嚴(yán)重依賴局部序列特征且覆蓋少于50%的已知激酶，許多人激酶，特別是“暗激酶”，仍然特征不清。KSFinder通過(guò)將知識(shí)圖譜嵌入與多層感知器分類器集成來(lái)解決這些限制，使其能夠捕獲跨不同數(shù)據(jù)源（如基因本體、通路和蛋白質(zhì)-蛋白質(zhì)相互作用PPIs）的復(fù)雜生物關(guān)聯(lián)。

FuncPhos-SEQ是另一個(gè)用于預(yù)測(cè)底物上精確磷酸化位點(diǎn)的AI模型。這個(gè)深度學(xué)習(xí)（DL）框架整合了局部蛋白質(zhì)序列特征與全局蛋白質(zhì)-蛋白質(zhì)相互作用網(wǎng)絡(luò)，以優(yōu)先排序人類蛋白質(zhì)組中的功能性磷酸化位點(diǎn)。FuncPhos-SEQ包含三個(gè)子網(wǎng)絡(luò)：SeqNet，使用卷積神經(jīng)網(wǎng)絡(luò)（CNNs）處理獨(dú)熱編碼序列和位置特異性評(píng)分矩陣，以提取進(jìn)化和生化特征；SPNet，采用結(jié)構(gòu)深度神經(jīng)網(wǎng)絡(luò)（DNN）嵌入來(lái)建模復(fù)雜的PPI關(guān)系；以及CoNet，它結(jié)合這些特征，通過(guò)全連接神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)磷酸化位點(diǎn)功能。

預(yù)測(cè)激酶與輔因子的相互作用模式是另一個(gè)可以使用AI模型探索的領(lǐng)域。像AF2這樣的模型的一個(gè)關(guān)鍵限制是無(wú)法模擬與結(jié)合底物或輔因子的蛋白質(zhì)復(fù)合物，這對(duì)激酶尤其關(guān)鍵。AlphaFill通過(guò)用從同源結(jié)構(gòu)移植的生物相關(guān)小分子（配體、金屬離子和輔因子）來(lái)豐富AF2模型，利用序列和結(jié)構(gòu)相似性進(jìn)行移植。對(duì)于核苷酸依賴性激酶，AlphaFill映射ATP、ADP和Mg²⁺，以提出對(duì)應(yīng)于活性或非活性狀態(tài)的合理結(jié)合構(gòu)型。與此互補(bǔ)，下一代全原子AI模型，如AF3、Boltz和Chai，可以直接預(yù)測(cè)激酶-輔因子相互作用，處理包括小分子、金屬離子和其他雜原子在內(nèi)的多樣分子實(shí)體，從而克服了AF2的限制。

AI方法可以驅(qū)動(dòng)具有定制結(jié)構(gòu)和功能特征的激酶的從頭設(shè)計(jì)，同時(shí)也支持激酶靶向治療藥物的開(kāi)發(fā)，代表了未來(lái)研究中一個(gè)極具前景的方向。幾種先進(jìn)的AI驅(qū)動(dòng)工具——如ProteinMPNN、RFdiffusion和LigandMPNN——已成功應(yīng)用于酶工程以及激酶靶向蛋白質(zhì)設(shè)計(jì)。例如，這些方法被用于設(shè)計(jì)針對(duì)受體酪氨酸激酶HER2結(jié)構(gòu)域IV的緊湊型微型結(jié)合劑。結(jié)構(gòu)條件化的RFdiffusion在曲妥珠單抗原表位上生成了數(shù)千個(gè)骨架支架，然后使用ProteinMPNN進(jìn)行優(yōu)化，并用基于AF2的界面預(yù)測(cè)進(jìn)行篩選，產(chǎn)生了31個(gè)候選物用于實(shí)驗(yàn)測(cè)試。隨后的表面展示和生物物理測(cè)定確定了一個(gè)先導(dǎo)微型結(jié)合劑，表現(xiàn)出納摩爾級(jí)親和力、卓越的熱穩(wěn)定性以及對(duì)HER2過(guò)表達(dá)癌細(xì)胞的結(jié)合選擇性。

除了肽和蛋白質(zhì)，AI方法還可用于開(kāi)發(fā)小分子激酶治療劑。在這方面，研究人員最近開(kāi)發(fā)了AiKPro，這是一個(gè)深度學(xué)習(xí)工具，通過(guò)整合蛋白質(zhì)結(jié)構(gòu)信息與化合物構(gòu)象來(lái)預(yù)測(cè)激酶-配體結(jié)合。它采用結(jié)構(gòu)引導(dǎo)的MSA，受AF影響，以識(shí)別激酶結(jié)構(gòu)域內(nèi)對(duì)配體相互作用至關(guān)重要的保守和可變區(qū)域。為了表示小分子的動(dòng)態(tài)性質(zhì)，它結(jié)合了3D構(gòu)象異構(gòu)體集合描述符，以捕獲配體的多樣空間構(gòu)象。AiKPro采用基于注意力的神經(jīng)網(wǎng)絡(luò)來(lái)學(xué)習(xí)激酶結(jié)構(gòu)與化合物構(gòu)象異構(gòu)體之間的相互作用模式，從而提高了結(jié)合親和力預(yù)測(cè)的準(zhǔn)確性。

作為另一個(gè)基于AI的解決方案，KinomeMETA專為發(fā)現(xiàn)激酶抑制劑而設(shè)計(jì)。識(shí)別激酶抑制的最佳候選物是藥物開(kāi)發(fā)的關(guān)鍵步驟，但由于其結(jié)構(gòu)保守性、高突變率和潛在的脫靶效應(yīng)，激酶提出了獨(dú)特的挑戰(zhàn)。為了解決這些問(wèn)題，KinomeMETA將機(jī)器學(xué)習(xí)與圖神經(jīng)網(wǎng)絡(luò)（GNNs）集成，以增強(qiáng)抑制劑設(shè)計(jì)。這種方法克服了多藥理學(xué)等限制，多藥理學(xué)源于結(jié)構(gòu)相似性，可能導(dǎo)致副作用或耐藥性，以及針對(duì)研究不足的激酶的數(shù)據(jù)稀缺性，提供了比傳統(tǒng)方法更穩(wěn)健和可泛化的替代方案。

使用KinScan預(yù)測(cè)化合物與激酶口袋的結(jié)合親和力也促進(jìn)了藥物發(fā)現(xiàn)。KinScan采用多尺度上下文感知Transformer模型，利用廣泛的生物活性數(shù)據(jù)存儲(chǔ)庫(kù)，精確估計(jì)化學(xué)化合物與391個(gè)人類蛋白激酶之間的結(jié)合親和力。這種方法使AI系統(tǒng)能夠檢測(cè)激酶結(jié)合位點(diǎn)內(nèi)的細(xì)微差別，從而實(shí)現(xiàn)準(zhǔn)確預(yù)測(cè)。KinScan的虛擬篩選能力與傳統(tǒng)的實(shí)驗(yàn)技術(shù)相比提高了效率并降低了成本。該框架將卷積層與Transformer編碼器相結(jié)合，以全面提取詳細(xì)特征。

識(shí)別激酶配體類型也成為一個(gè)關(guān)鍵的興趣領(lǐng)域。為此，研究人員開(kāi)發(fā)了MOLECULE，這是一個(gè)雙模態(tài)深度學(xué)習(xí)框架，旨在通過(guò)整合MD軌跡與配體化學(xué)指紋，將激酶配體分類為正構(gòu)或別構(gòu)。該模型在280個(gè)實(shí)驗(yàn)解析的激酶-配體復(fù)合物上進(jìn)行了訓(xùn)練，涵蓋73種激酶，正構(gòu)和別構(gòu)配體分布均勻。MOLECULE結(jié)合了基于CNN的時(shí)間分支用于蛋白質(zhì)動(dòng)力學(xué)、基于FCN的指紋分支以及一個(gè)合并的決策頭。訓(xùn)練采用具有熵正則化的動(dòng)態(tài)焦點(diǎn)損失和不確定性感知閾值策略（0.5, 0.8, 0.95）。一個(gè)估算器變體從靜態(tài)配體指紋重建時(shí)間潛在特征，從而實(shí)現(xiàn)無(wú)MD篩選。特征歸因分析表明，蛋白質(zhì)動(dòng)力學(xué)是主要貢獻(xiàn)者（>90%），而化學(xué)指紋每個(gè)特征貢獻(xiàn)約62%。

除了討論的方法外，擴(kuò)散模型（如DrugDiff）是另一類迷人的基于AI的工具，可用于設(shè)計(jì)新型激酶抑制劑，它能夠基于目標(biāo)分子特征生成新的小分子。

越來(lái)越多的研究說(shuō)明了激酶抑制劑發(fā)現(xiàn)中更廣泛的“AI到實(shí)驗(yàn)”轉(zhuǎn)化循環(huán)。例如，研究人員使用超過(guò)650萬(wàn)個(gè)生物活性點(diǎn)數(shù)據(jù)集訓(xùn)練了2000多個(gè)針對(duì)多種激酶的機(jī)器學(xué)習(xí)模型。Keras-MLP模型脫穎而出，成為最準(zhǔn)確和一致的模型，使得能夠篩選PDGFRB抑制劑。這個(gè)工作流程——包括數(shù)據(jù)標(biāo)準(zhǔn)化、基于閾值的數(shù)據(jù)集構(gòu)建和交叉驗(yàn)證——導(dǎo)致鑒定了四種具有納摩爾活性的新化合物，并通過(guò)體外測(cè)定和結(jié)構(gòu)分析得到確認(rèn)。

AI驅(qū)動(dòng)的方法深刻地推進(jìn)了我們對(duì)激酶的機(jī)制理解及其實(shí)際應(yīng)用。整合AI流程——結(jié)合突變作圖、MD和AF衍生結(jié)構(gòu)模型——極大地深化了對(duì)別構(gòu)調(diào)控的見(jiàn)解，揭示了遠(yuǎn)端結(jié)構(gòu)域如何停靠在催化核心上以控制激活和磷酸化。AI也徹底改變了激酶復(fù)合物和構(gòu)象的建模：通過(guò)采用淺層MSA、子MSA聚類和具有自定義偏好的模板過(guò)濾，研究人員現(xiàn)在能夠捕獲對(duì)藥物發(fā)現(xiàn)和功能研究至關(guān)重要的稀有活性、非活性和中間狀態(tài)。

除了單個(gè)激酶，AI通過(guò)指導(dǎo)實(shí)驗(yàn)定相并使用AF2模型作為分子置換模板，繪制了輔因子和底物相互作用圖譜，揭示了超越經(jīng)典磷酸化范式的非經(jīng)典調(diào)控伙伴關(guān)系，并闡明了受體運(yùn)輸?shù)男峦緩健Ｔ谠O(shè)計(jì)前沿，生成式AI工具——例如由理化性質(zhì)引導(dǎo)的蛋白質(zhì)和小分子擴(kuò)散模型——促進(jìn)了新型激酶支架和定制抑制劑的設(shè)計(jì)，使得能夠在無(wú)需重新訓(xùn)練核心生成模型的情況下進(jìn)行靈活的優(yōu)化。

這些進(jìn)展背后的一個(gè)顯著限制是用于訓(xùn)練AI模型的激酶數(shù)據(jù)分布和注釋不均衡。公共結(jié)構(gòu)、生化和生物活性數(shù)據(jù)集僅覆蓋了人類激酶組的一個(gè)子集，研究充分的家族比許多研究不足或“暗”激酶的代表性更密集，后者通常很少有實(shí)驗(yàn)測(cè)量值或注釋。這種不平衡可能導(dǎo)致模型在常見(jiàn)激酶上表現(xiàn)良好，但在激酶組中代表性不足的區(qū)域泛化能力較差，從而限制了預(yù)測(cè)置信度和廣泛適用性。為解決這一挑戰(zhàn)，需要透明報(bào)告數(shù)據(jù)集組成和覆蓋范圍，跨包括暗激酶在內(nèi)的多樣激酶家族進(jìn)行系統(tǒng)基準(zhǔn)測(cè)試，結(jié)合不確定性量化和領(lǐng)域適應(yīng)技術(shù)，以及有針對(duì)性的實(shí)驗(yàn)驗(yàn)證，以確保AI驅(qū)動(dòng)的見(jiàn)解在整個(gè)激酶組中是穩(wěn)健且可泛化的。