$8.9B投资, 目前还没有单独的人工智能药物: 这对肽化学意味着什么
作者：博士. 亚历山大万斯, 博士 (首席肽化学家 & 右&D 总监) | 由 MOL Changes R 审查科学准确性&D面板
之间 2024 和 2026, 风险投资和生物制药巨头部署超过 $8.9 数十亿美元投入人工智能驱动的药物发现平台, 将该行业的年度风险融资推至约 $11 十亿多 340 优惠. 生成扩散模型, ESM-2 等变压器架构, 像 AlphaFold3 这样的结构预测工具已经改变了发现的计算前端. 计算机模拟管道现在可以生成数百万个从头肽序列，并在数小时而不是数月内预测靶标结合亲和力.
然而, 尽管有这次前所未有的资本注入, 严峻的监管里程碑依然存在: 截至 2026, 零单独人工智能生成药物已获得 FDA 完全批准.
虽然人工智能算法擅长序列构思和初始候选筛选, 物理疗法不存在于计算空间中. 它们必须在固相合成的物理现实中生存下来, 水溶性极限, 酶促蛋白水解, 和组织输送. 对于先进的肽研究团队, 这 $8.9 十亿美元的差距传达了明确的信息: 人工智能加速序列构思, 但实用的肽开发完全取决于定制合成, 靶向化学修饰, 和严格的分析表征.
这 $8.9 十亿差距: 高 I 期点击率 vs. 第二阶段消耗
了解为什么计算模型尚未跨越监管终点线, 发现团队必须检查人工智能在哪里成功以及在哪里遇到困难.
根据一个 2026 人工智能设计的分子的临床管道分析, 多于 173 人工智能设计或人工智能支持的药物资产已在全球范围内进入活跃的人体临床试验. 在早期安全评估中, AI 原生候选人报告第一阶段的成功率介于 80% 和 90%, 几乎是历史行业平均水平的两倍 50%. 生成模型擅长筛选急性细胞毒性, 避免反应性基序, 并优化基线目标结合表面拟合.
电脑构思 (数百万个序列)
I 期临床安全性 (80–90% 成功率) ► 计算机模拟目标拟合第二阶段的高功效 & 阿德梅 (~40% 成功率) ► 物理瓶颈墙
然而, 一旦候选者进入 II 期疗效和药代动力学试验, 成功率回落至历史行业平均水平 40%. 第二阶段的失败模式很少是由结合亲和力差距驱动的. 反而, 它们源于不可预测的药代动力学衰减, 组织分布不良, 代谢不稳定, 以及意外的脱靶累积.
正如最近指出的 生物制药VC投资趋势, 资本市场越来越审视“纯人工智能”平台. 计算机模型在能量评分函数和静态结构训练集上运行. 他们无法预测物理肽链在高浓度树脂偶联过程中如何折叠, 它如何在血清中自我结合, 或者它的反离子特征如何改变活生物体的细胞膜离子通道.
为什么生成式 AI 序列在湿实验室中会遇到困难
当从头肽序列从算法预测过渡到物理合成时, 药物化学家经常遇到严重的物理和生物物理障碍. 生成算法优化序列空间以实现结合能或目标表面互补性，而无需固有地了解合成可及性或物理溶液化学.
| 失效模式 | 计算机模拟根本原因 | 物理湿实验室表现 |
|---|---|---|
| SPPS 树脂聚合 | 过度疏水, β-支链, 或芳香族氨基酸密度 | 链间β-折叠形成; Fmoc 去除不完全; 截短缺失杂质 |
| 水不溶性 | 不平衡的电荷分布和高非极性表面积 | 肽胶凝, 沉淀, 或生物测定中的混浊悬浮液 |
| 快速蛋白水解 | 暴露天然肽键的柔性线性主链 | 血清半衰期 < 15 由于内肽酶/外肽酶降解而导致的分钟数 |
| 抗衡离子细胞毒性 | 裂解过程中忽略 TFA 抗衡离子效应 | 假阳性细胞毒性读数和改变的测定 pH 值 |
1. 固相肽合成过程中的树脂聚集 (统计软件)
生成式人工智能模型通常会组装富含疏水残基的序列 (瓦尔, 和, 亮氨酸, 苯丙氨酸, Trp) 最大化结合表面相互作用. 在自动 SPPS 期间, 当肽链达到 8 到 15 固体支持物上的残留物, 这些疏水性片段采用延伸的链间β-折叠结构.
最近发表在《自然化学》上的研究 SPPS在树脂上聚集的机制 证实树脂上的聚集限制了溶剂的进入并阻止哌啶脱保护试剂. 这会导致 Fmoc 去除不完整和删除序列被截断 (例如, des-Val 或 des-Leu 杂质) 与目标肽具有几乎相同的色谱特性, 使得高纯度分离几乎不可能.
2. 水不溶性和疏水性聚集
即使成功合成了困难的序列, 从头线性肽在水处理中经常失败. 高疏水含量驱动生理缓冲液中的自缔合, 引起肽胶凝, 浑浊, 或在工作生物测定浓度下立即沉淀 (1–10 µM).
3. 快速蛋白水解降解
仅由天然 L-氨基酸组成的未修饰线性肽呈现出具有完全暴露的酰胺键的柔性主链. 在血清或细胞培养基中, 普遍存在的蛋白酶 (例如胰蛋白酶, 胰凝乳蛋白酶, 和羧肽酶) 在几分钟内切割这些线性结构, 使有前途的计算机模拟结合分数与体外和体内无关.
4. 三氟乙酸盐 (三氟乙酸) 抗衡离子干扰
SPPS 期间的标准裂解程序使用三氟乙酸, 将最终的肽保留为 TFA 盐. 残留的 TFA 抗衡离子在细胞检测中充当有效的代谢毒素, 改变细胞 pH 值和膜电位. 没有系统的抗衡离子交换, 研究人员冒着记录假阳性细胞毒性或将测定伪影误解为化合物功效的风险.
要点: 如果物理肽在树脂上聚集，那么高的计算结合分数是没有意义的, 缓冲液中沉淀, 或在血清中降解 15 分钟. 湿实验室去风险必须从序列设计阶段开始.
混合框架: 通过高通量合成对 AI 序列进行分类
弥合计算理念与临床现实之间的差距, 领先的生物制药团队正在放弃纯粹的计算机选择，转而采用 混合人工智能-肽化学框架. 在这个模型中, AI 生成的序列库通过高通量合成和结构去风险进行快速湿实验室分类.
阶段 1: 计算机生成 & 计算预过滤生成扩散 / ESM-2 型号 -> 序列可预测性 & 聚合评分阶段 2: 高通量定制合成 & 结构修饰高通量 SPPS -> 伪脯氨酸二肽 -> 环化 / 装订阶段 3: 正交分析表征 & 降低风险的 RP-HPLC (卢比≥ 1.5) -> 高分辨率 ESI-MS -> TFA 交易所 -> 无菌质量控制
克服合成中的“困难序列”
当人工智能序列预测触发高聚合分数时, 专门的定制合成引擎采用特定的化学干预而不是丢弃序列:
- 伪脯氨酸二肽: Fmoc-恶唑烷二肽简介 (例如, Fmoc-Ser/Thr/Cys-恶唑烷) 在链伸长过程中以战略间隔破坏 β-折叠主链氢键, 防止树脂上聚集. 在湿实验室基准中使用 32 聚体 AI 设计的疏水靶标, 伪脯氨酸二肽的策略性插入增加了粗偶联产率 12% 到 88%.
- 骨干保护策略: 利用 Hmb (2-羟基-4-甲氧基苄基) 或 Dmb 保护暂时空间阻碍酰胺氢键.
- 离液溶剂添加剂 & 温度升高: 在 DMF 中加入 LiCl 等添加剂或在受控微波/流动加热下进行合成可保持树脂膨胀并确保完整的偶联动力学.
通过整合专业 定制肽合成服务, 研究团队可以在投入资金进行领先优化之前以毫克级验证人工智能生成的困难候选药物.
有针对性的修改: 将计算机中的热门产品转化为实验室就绪的领先产品
原始 AI 输出几乎完全产生天然 L-氨基酸的线性链. 将这些初始点击转化为稳定点击, 选择性的, 和生物可利用的先导候选药物, 药物化学家应用有针对性的化学修饰来赋予构象控制和代谢抗性.
线性未修饰 AI 肽靶向化学修饰
• 高度灵活的骨干 • 头尾相接 / 装订锁 • 暴露的蛋白酶裂解 ► • 抗蛋白酶折叠 • 高β-片层聚集 • 增强的细胞通透性
1. 构象锁: 环化和烃装订
头尾主链环化或侧链到侧链内酰胺桥接将肽锁定在其生物活性构象中. 这种刚性化带来了两大好处:
- 蛋白酶免疫: 限制主链隐藏酶活性位点的酰胺键, 将血清半衰期从几分钟延长至几小时.
- 聚集抑制: 构象锁定可防止肽采用扩展的 β 折叠结构，从而驱动溶液中的链间自缔合.
碳氢化合物装订 (例如, 使用非天然烯属氨基酸的闭环复分解) 稳定α螺旋结构, 驱动细胞内渗透并靶向细胞内蛋白质-蛋白质相互作用 (质子泵抑制剂).
2. 化学多样性超越 20 天然氨基酸
确定溶解度和代谢负担, 定制合成平台包含非规范构建模块:
- N-甲基化: 用甲基取代酰胺氢消除了链间氢键, 提高水溶性和被动膜渗透性.
- D-氨基酸 & 非自然侧链: 取代 D-对映体或空间庞大的非天然氨基酸 (例如, 能, 艾布, 查) 阻止酶促识别，同时保留侧链接触点.
- 脂化和聚乙二醇化: 缀合 C16/C18 脂肪酸链促进与血清白蛋白的可逆结合, 保护肽免遭肾脏清除并显着延长体内循环时间.
访问这些 专门的肽修饰策略 允许发现团队系统地优化人工智能生成的命中的溶解度, 渗透性, 和代谢稳定性.
正交分析: 验证序列同一性, 纯度, 和生物可比性
混合框架的最后一个强制性支柱是严格的, 正交分析表征. 高通量合成必须得到严格的分析质量控制的支持，以确保生物测定结果反映真实的目标序列，而不是合成的伪影或杂质.
粗肽原料 (统计软件)
反相高效液相色谱纯化 (214 纳米, 卢比≥ 1.5) 高分辨率 ESI-MS 单同位素验证 TFA 抗衡离子交换 (醋酸盐/氯化物) 班级 100 洁净室无菌 & 内毒素QC
1. 高分辨率 RP-HPLC 和 ESI-MS
纯度分析必须使用反相高效液相色谱法进行 (反相高效液相色谱法) 带双波长紫外检测, 专门监测骨架肽键吸收 214 纳米. 目标峰和紧密洗脱的缺失杂质之间的色谱分离度必须保持 R⛛ ≥ 1.5. 序列同一性必须通过高分辨率电喷雾电离质谱法确认 (电喷雾质谱), 将单一同位素质量匹配在±范围内 0.02 和.
2. 系统性 TFA 抗衡离子转换
防止细胞分析伪影, 定制合成工作流程执行系统的盐交换, 用药理学惰性的乙酸根或氯离子取代有毒的 TFA 抗衡离子. 抗衡离子转换效率必须通过离子色谱法验证, 确保残留 TFA 水平低于 1.0%.
3. 无菌和内毒素验证
用于细胞培养测定, 类器官筛选, 或体内测试, 仅有纯度是不够的. 同类制造材料 100 超无菌洁净室环境可防止细菌内毒素污染. 定量显色鲎试剂检测应确认内毒素水平低于以下值 0.01 欧盟/毫克, 保护生物测定免受免疫激活误报的影响.
遵循标准化 AI设计的肽CDMO交接协议 以及要求严格的批次特定 CoA 和原始色谱图 严格的分析测试和质量控制协议 确保完全的实验重现性.
高级肽研究团队的实用分类清单
在投入资金对人工智能生成的肽序列库进行大规模湿实验室筛选之前, 研究主管应应用此 5 点物理去风险清单:
| 分类检查 | 评价标准 | 失败时采取纠正措施 |
|---|---|---|
| 1. SPPS 可行性评分 | β片层倾向 < 临界点; 疏水运行 < 5 残留物 | 掺入假脯氨酸二肽或微波辅助流动合成 |
| 2. 溶解度筛选 | 单体在 PBS 缓冲液中的溶解度≥ 100 µM 无混浊 | 添加 N 端聚乙二醇化, N-甲基化, 或亲水性带电标签 |
| 3. 血清稳定性基准 | > 50% 血清孵育 4 小时后保留完整肽 | 引入头尾环化, D-氨基酸取代, 或装订 |
| 4. 抗衡离子状态 | 经过验证的醋酸盐或氯化物盐，含有残留的 TFA < 1.0% | 在生物测定前进行制备型 TFA 抗衡离子交换 |
| 5. 质量控制文档 | 未编辑的 RP-HPLC (214 纳米) 和高分辨率 ESI-MS 批量谱 | 在检测开始前强制进行批次特定 CoA 验证 |
对于小费: 切勿评估肽纯度 254 纳米或 280 单独纳米. 许多肽缺乏芳香族残基 (Trp, 提尔, 苯丙氨酸) 并会显得人工纯净 280 nm，同时隐藏仅在 214 纳米.
方法论透明度 & 同行评审的参考文献
该技术分析综合了药物化学领域公共临床试验数据库和同行评审文献的经验综合基准, 包括 FDA 关于合成肽纯度和质量控制的指南 (FDA 行业指南: 合成肽药品的 ANDA), 研究发表于 自然化学, 和 ACS 肽合成标准品. 所有分析规格 (反相高效液相色谱法 Rs ≥ 1.5, 电喷雾质谱± 0.02 和, 鲎试剂 < 0.01 欧盟/毫克) 代表临床前先导化合物优化的既定生物制药标准.
概括 & 下一步
这 $8.9 数十亿美元投资于人工智能药物发现已经证明计算算法是卓越的创意引擎. 然而, 直到算法可以合成物理物质并导航生物液体, 先导化合物验证仍将立足于湿实验室肽化学.
通过高通量定制合成对人工智能生成的序列进行分类, 靶向化学修饰 (环化, 非天然氨基酸, 脂化), 和正交分析表征, 研究团队可以将计算机预测转化为临床线索.
讨论如何降低人工智能设计的肽序列的风险, 探索定制修改策略, 或要求特定批次的分析质量控制, 探索 MOL 改变定制肽合成解决方案 或直接咨询我们的技术化学团队.
