计算肽筛选: 综合优先级
高通量虚拟筛选, 生成式人工智能, 分子动力学模拟从根本上改变了早期肽的发现. 现代计算平台可以在数小时内评估数百万个候选序列, 根据结合自由能确定命中优先级 (D G 结合), 界面接触密度, 和预测的目标选择性. 然而, 生物制药研究团队在从计算机输出过渡到物理湿实验室验证时经常遇到令人沮丧的瓶颈: 排名靠前的虚拟热门歌曲往往非常难以合成, 净化, 或溶解在初级生物测定中.
经过计算优化的肽，得分名列前茅 0.1% 在固相肽合成过程中，虚拟屏幕很容易失败 (统计软件) 由于主干链间聚合, 在三氟乙酸过程中沉淀成难处理的凝胶 (三氟乙酸) 劈裂, 或形成在筛选测定中产生假阳性信号的胶体组件. 解决这种摩擦需要超越事后故障排除的范围. 生物制药R&D 团队必须采用综合的 肽命中分类工作流程 评估 计算肽筛选合成责任 在将序列提交给合成器树脂之前.
通过检查“肽 VB”——一种具有代表性的 22 聚体计算命中候选物，旨在针对蛋白质-蛋白质相互作用 (质子泵抑制剂) 界面——本文概述了优先级决策框架. 我们研究如何解释计算接触模式, 绘制预测的物理负债，例如疏水斑块和聚集风险, 并将这些预测转化为具体的化学合成决策——包括溶解标签, 碳氢化合物装订, 和位点特异性标记——以更快的速度和更少的实验迭代提供可用于分析的材料.
关于作者:
博士. 阿里斯·万斯, 博士. | 首席科学官 & MOL Changes 肽化学主管
博士. 万斯带来了 18 多年合理药物设计经验, 固相肽合成 (统计软件), 和计算命中分类. 他领导 MOL Changes 的研发团队, 将机器学习预测与定制化学合成和类联系起来 100 无菌生产.
计算命中分类: 解码界面接触模式 & 结构指标
当虚拟筛选文库产生数百个潜在结合物时, 默认本能通常是通过结合自由能严格对序列进行排序 (D G 结合) 或对接分数. 然而, 一个 IJMS 虚拟肽库筛选和验证综述 (2024) 强调未完善的对接分数经常选择过多的疏水表面积而不是真实的, 特定的静电和氢键互补接触. 多肽检测厂家
建立有效的 肽命中分类工作流程, 计算输出必须根据物理可开发性参数进行系统评估，以确定 计算肽筛选合成责任 发现早期:
1. 界面接触密度 vs. 非特异性疏水填料
高亲和力 PPI 界面经常依赖于疏水热点 (例如, 亮氨酸, 和, 苯丙氨酸, 色氨酸残基). 然而, 当预测命中显示跨越四个或更多连续残基的连续疏水接触图时, 目标驱动力 六肽 2 绑定与自关联的驱动力在物理上是无法区分的. 在计算命中分类期间, 应过滤接触图以区分定向氢键网络和盐桥与连续的非极性斑块.
2. 溶剂可及表面积 (现在) 和疏水矩
多肽工厂供应商 评估疏水矩 (穆_H) 两亲性揭示了疏水性残基是沿着 α 螺旋的一个面隔离还是随机分布在序列中. 高疏水矩与大量非极性 SASA 相结合，表明该肽在水性缓冲系统中表现出强烈的两亲自组装倾向, 导致胶束或纤维聚集.
3. 净电荷和等电点 (等电点) 校准
具有接近中性净电荷的肽 (净电荷 -1 到 +1) 在生理pH值下 (酸碱度 7.4) 缺乏静电斥力. 没有库仑斥力来保持溶液中各个肽链分开, 范德华力和疏水相互作用占主导地位, 带动快速降水，创造重大 计算肽筛选合成责任.
| 计算输出参数 | 物理结构解释 | 湿实验室合成 & 处理责任 | 分类行动阈值 |
|---|---|---|---|
| D G 结合 / 对接分数 | 预测目标相互作用强度 | 过度依赖非极性接触可能会掩盖脱靶结合或自聚集 | 过滤器顶部 5% 对可开发性分数的影响 |
| 连续的疏水接触 | 扩展的非极性结合界面 | SPPS 期间链间 β-折叠塌陷; 裂解后不溶性 | 标记连续的非极性运行 >4 残留物 |
| 疏水矩 (穆_H) | 两亲结构排列 | 表面活性胶束形成; 胶体测定干扰 | 计算螺旋面的两亲倾向 |
| pH 值下的净电荷 7.4 | 静电稳定能力 | 等电沉淀; 测定介质中的低水溶解度 | 标记之间的净费用 -1.0 和 +1.0 |
| 骨干 RMSF 灵活性 | 局部构象熵 | 结合时的熵惩罚; 软盘非结构化循环 | 需要稳定的二级结构预组织 |
绘制物理综合负债图: 从计算机签名到湿实验室失败
说明计算签名如何转化为物理障碍, 考虑的个人资料 肽VB:
肽 VB 候选概况:
- 序列长度: 22 氨基酸
- 目标: 细胞内 PPI 结合域
- 计算机模拟亲和力预测: Kd = 14 纳米 (ΔG 结合 = -10.8 千卡/摩尔)
- 序列属性: 含有 6 个残基疏水核心 (
-Leu-Phe-Val-Trp-Ile-Leu-), 计算出的 pI 为 $6.2$, 净电荷为 $0$ 在pH值下 7.4, 和肉汁 (亲水性总平均值) 分数为 +0.68.
虽然 Peptide VB 代表了出色的计算成果, 它的序列图显示了化学合成和生物评估的几乎所有经典责任. 无结构性干预, 将肽 VB 直接发送到标准 Fmoc-SPPS 会产生严重的操作故障模式:
虚拟打击: 肽VB
▼ (未经修饰的合成)
- 树脂溶胀失效 ► 偶联过程中链间 β-折叠聚集
- 裂解沉淀 ► TFA 裂解过程中形成无定形凝胶
- 粗提纯 ► 严重的 RP-HPLC 峰展宽 (<35% 粗纯度)
- 主要检测失败 ► PBS 中的胶体聚集 (假阴性 / 毒性)
1. SPPS 期间的链间 β-折叠聚集
当肽链在固相支持物上伸长时 (例如, Wang或Rink酰胺树脂), 疏水序列如 -Leu-Phe-Val-Trp-Ile-Leu- VB 肽中的基序形成广泛的链间氢键 β-折叠网络. 这种现象, 称为树脂崩溃或“困难序列聚集”,” 严重限制树脂膨胀并防止进入的活化氨基酸接触 N 末端胺. 结果是不完全耦合, 广泛的缺失序列 ($n-1, n-2$), 并大幅降低原油产量.
2. TFA 裂解和沉淀
链条组装完成后, 使用标准 TFA 鸡尾酒组合进行整体脱保护和树脂裂解 (例如, 三氟乙酸 / TIS / 水 / 美东时间) 暴露完全脱保护的疏水侧链. 对于序列基序驱动 疏水性斑块肽聚集, 保护基团的去除消除了先前抑制自缔合的空间体积. 将裂解滤液滴入冷乙醚中后, 肽VB形成不溶性, 无法通过离心彻底分离的橡胶状沉淀物或持久乳液.
3. 水不溶性和测定伪影
即使通过制备型反相高效液相色谱成功纯化少量的肽 VB (反相高效液相色谱法), 其中性 pI 和高 GRAVY 分数意味着它需要高浓度的有机共溶剂 (例如, >20% 二甲基亚砜) 留在溶液中. 一个 ACS 关于肽主链溶剂化和聚集限制的研究 (2018) 证明较高的水溶性与自相关聚集簇中花费的持续时间减少直接相关. 当稀释到水性初级测定缓冲液中时 (例如 PBS 的 pH 值 7.4), 疏水性肽发生微沉淀或形成胶体聚集体, 产生不稳定的结合动力学, 假阳性抑制, 或基于细胞的测定中的非特异性膜破坏.
将计算机预测转化为有针对性的化学修饰
而不是放弃像 Peptide VB 这样的高亲和力热门产品, 研究人员可以在序列设计过程中应用策略性化学修饰来克服 计算肽筛选合成责任. 这些修改保留了关键的目标约束面，同时减轻了物理负担. 将这些策略整合到综合计划中形成了有效工作流程的核心 将机器学习肽预测与实验室就绪序列联系起来.
计算命中分类
溶解度稳定性 构象稳定性 • 聚赖氨酸/精氨酸标签 • 碳氢化合物装订 • O-酰基异肽 (我, 我+4 / 我, 我+7) • 主干保护 • 大环化
检测读数需求 • N/C 末端生物素 • 荧光团 (FITC/Cy5) • Ahx 连接器间隔
1. 通过肽溶解度标签和装订选项增强溶解度
当计算筛选发现具有极端疏水性或中性净电荷的命中时, 增溶修饰应直接纳入 SPPS 方案中. 组合 肽溶解度标签和装订 技术为操控性和结构稳定性提供了双重解决方案:
- 可切割的聚阳离子标签 (多聚赖氨酸 / 聚精氨酸): 附加临时亲水标签，例如五赖氨酸 (K₅) 或六精氨酸 (R₆) 序列——通过碱基不稳定或无痕连接子连接至 C 末端或 N 末端，显着改变肽的溶剂化特征. JACS可裂解聚阳离子合成标签的研究 (2024) 证实聚阳离子标签在树脂上链组装过程中抑制序列依赖性聚集，并在 TFA 裂解和 RP-HPLC 纯化过程中保持高溶解度. 纯化后, 用水基进行短暂处理 (或酶促裂解) 无痕地删除标签, 产生高纯度的天然序列.
- O-酰基异肽骨架保护: 对于 SPPS 期间容易发生链间 β-折叠聚集的序列, 用 O-酰基异肽单元替换关键的丝氨酸或苏氨酸残基，将肽主链从酰胺键重新排列为酯键. 这引入了一种结构扭结，从物理上破坏了树脂上的 β-片层堆积. 在酸性pH下合成和纯化后, 在中性测定缓冲液中孵育纯化的肽 (酸碱度 7.4) 触发定量, 自发的 O → N 酰基转移，恢复天然肽主链.
2. 构象稳定: 碳氢化合物装订 & 环化
柔性线性肽在结合时经常遭受高熵惩罚, 血清中快速蛋白水解降解 (t 1/2 < 15 分钟), 和暴露疏水性主链酰胺，促进 疏水性斑块肽聚集.
- 碳氢化合物装订 ($我, i+4$ 和 $i, 我+7$): 通过用非天然 α 取代位于 α 螺旋非结合面上的两个非关键氨基酸, 带有烯属侧链的 α-二取代氨基酸 (例如, S₅或R₈), 钌催化的闭环复分解反应 (RCM) 产生全烃交联 (“主食”). 装订将肽锁定为活性 α 螺旋构象, 保护主链酰胺键免遭蛋白酶切割, 并可以提高细胞渗透性，同时减少非特异性聚集.
- 从头到尾 & 侧链大环化: 通过二硫键将线性命中转化为环状结构, 内酰胺桥, 或硫醚键限制构象自由, 防止肽采用驱动淀粉样蛋白原纤维化的延伸 β 链几何形状.
3. 待检测肽修饰: 特定地点的标签 & 垫片
快速从合成转向生化分析 (例如, 表面等离子共振 [表面等离子体共振], 生物层干涉测量 [变得], 或荧光偏振 [FP]), 肽必须经过适当的 待检测肽修饰. 然而, 将大的荧光团或生物素分子直接放置在结合域附近可能会破坏目标结合. 二肽
- 插入柔性接头 (啊啊 / PEG_4): 安装中性线, 柔性间隔基，例如 6-氨基己酸 (啊啊) 或短聚乙二醇 (PEG_4) 肽末端和功能标签之间的手柄确保空间分离, 防止靶标结合过程中的空间位阻.
- 区域选择性标记: 结合生物素或异硫氰酸荧光素 (异硫氰酸荧光素) 通过正交保护基策略在树脂上 (例如, 赖氨酸(最大吨) 或赖氨酸(分配)) 保证 100% 最终切割前的位点特异性功能化, 完成 待检测肽修饰 过程.
计算机模拟责任预测 结构机制 推荐的化学改性策略 初级合成 & 检测效益 高疏水性 / 低溶解度 缺乏极性溶剂化; 中性等电点 通过碱基不稳定接头的临时聚赖氨酸/精氨酸标签 防止树脂塌陷; 能够在水介质中进行 HPLC 纯化 树脂上 β-片层聚集 链间主链氢键 Ser/Thr/Pro 位点的 O-酰基异肽或伪脯氨酸二肽 SPPS 期间破坏二级结构; 纯化后自发O→N转变 蛋白水解不稳定性 & 高熵 软线性主干; 快速蛋白酶接入 碳氢化合物装订 ($我, i+4$ 或 $i, i+7$ 烯烃复分解) 预组织活性 α 螺旋; 延长血清半衰期 (t 1/2) 和细胞摄取 高构象聚集 终端旋转不受限制 二硫化物, 内酰胺, 或硫醚大环化 限制骨干灵活性; 消除易产生原纤维的构象 测定空间位阻 / 干涉 将笨重的标签直接附着到绑定接口上 通过灵活的 Ahx 或 PEG_4 连接器进行区域选择性末端缀合 保留目标亲和力 (钾); 提供分析就绪读数手柄
分析验证 & 分析准备的质量控制
多肽工厂供应商 旨在消除的修改策略 计算肽筛选合成责任 其稳健性取决于其分析验证. 提供真正的可用于分析的肽材料需要严格的质量控制协议来验证结构完整性, 纯度, 且不含干扰测定的污染物.
靶向合成 & 修改
分析型 RP-HPLC ► 纯度验证 (≥95%–98% 曲线下面积) 高分辨率 ESI-MS ► 单同位素质量 & 修改确认类 100 洁净室加工 ► 内毒素控制 (<0.5 欧盟/毫克) 用于生物测定
1. 高分辨率质谱分析 (HRMS/ESI-MS)
每个合成批次必须通过电喷雾电离质谱进行单同位素质量确认 (电喷雾质谱) 或基质辅助激光解吸/电离飞行时间 (飞行时间飞行时间). 对于含有碳氢化合物主链的修饰候选物, 环状二硫化物, 或生物素/荧光团缀合物, MS 碎片或高分辨率质量分析证实了正确的化学化学计量并排除了不完全的修饰加合物.
2. 分析型 RP-HPLC 纯度曲线
初级结合测定和结构研究需要超纯材料 (≥ 95% 或≥ 98% HPLC 纯度 AUC 为 220 纳米和 280 纳米). 分析型 RP-HPLC 曲线 峰值电压 应表现出锐利, 没有宽肩污染的对称峰表明非对映体, 缺失序列, 或可溶性低聚物.
3. 无菌处理和低内毒素规格
用于基于细胞的信号转导测定或体内药代动力学研究, 在不受控制的环境中加工的肽制剂有被细菌脂多糖污染的风险 (脂多糖/内毒素). 内毒素诱导非特异性Toll样受体 (TLR4) 激活, 导致细胞毒性和错误数据. 生产类别内的肽 100 超无菌洁净室环境确保内毒素水平保持在严格的生物制药阈值以下 (<0.5 欧盟/毫克).
加速肽先导化合物优化: 优先行动蓝图
通过将计算设计指标与专门的化学修饰结合起来, 生物制药研究团队可以消除经常阻碍肽发现活动的迭代试错周期.
• 通过 ΔG 结合和接触图互补分数对候选者进行排名. • 针对疏水表面区域进行过滤, 肉汁, 和净电荷. • 选择可裂解的增溶标签以实现高度疏水性的命中.
优先肽先导优化工作流程步骤 1: 计算命中分类步骤 2: 计算机责任图 • 识别连续的非极性运行 (>4 残留物). • 预测树脂聚集和水不溶性风险. 步 3: 针对性化学改性设计 • 加入碳氢化合物 (我, 我+4) 用于软盘 α 螺旋. • 使用灵活的 Ahx 垫片定位生物素/FITC 标签. 步 4: 专家综合 & CoA 分析验证 • 使用专门的树脂基质执行 Fmoc-SPPS. • 通过 RP-HPLC 验证 (≥95%+), 电喷雾质谱, 和内毒素检测.
将 Peptide VB 等虚拟热门产品转化为实体产品, 分析就绪的先导化合物需要一个能够以高标准的纯度和无菌控制执行复杂化学修饰的合成合作伙伴.
通过我们的专业研究和制造平台, 定制肽合成和专业修饰服务 MOL Changes 为生物制药团队提供端到端支持——从初始序列分类和修改策略到分类 100 无菌生产, 定制增溶标签安装, 大环化, 和全面的 HPLC/MS 分析证书 (辅酶A) 文档.
从第一天起就将计算预测与定制的化学合成结合起来, 研究人员可以自信地将他们最有前途的候选肽更快地推进筛选分析, 更有信心, 并且迭代成本显着降低.
