《Nature Communications》：In silico discovery of nanobody binders to a G-protein coupled receptor using AlphaFold-Multimer
编辑推荐：
本研究为应对抗体发现过程中实验筛选耗时耗力的挑战，采用AlphaFold-Multimer（AF-M）对GPCR靶点MRGPRX2进行了纳米抗体的计算机虚拟筛选。研究人员成功识别出高亲和力的纳米抗体，并在细胞信号与功能实验中验证了其活性。这为完全计算驱动的抗体发现管线提供了概念验证，有望规避传统实验瓶颈。
在生物医学研究领域，抗体犹如精准的“分子钥匙”，不仅能作为研究工具解析生命过程，更是现代药物研发的基石。传统的抗体发现，无论是通过动物免疫还是体外文库筛选，都如同大海捞针，过程漫长、耗费巨大，且高度依赖实验试错。科学家们一直梦想能像设计零件一样，在计算机上精准预测并设计出能与特定靶点结合的抗体，从而跳过繁复的初筛实验，直接获得候选分子。近年来，人工智能（AI）在蛋白质结构预测领域的突破，尤其是AlphaFold及其衍生工具的出现，让这一梦想照进了现实。其中，G蛋白偶联受体（GPCR）作为人体内最大的膜蛋白家族，是众多疾病的关键药物靶点，但其构象灵活，针对GPCR的抗体开发尤为困难。本研究聚焦于MRGPRX2这一特定GPCR，它被认为是治疗假过敏性炎症和瘙痒症（itch）的潜在治疗靶点。能否利用AI工具，直接在计算机中为MRGPRX2“设计”出高亲和力的微型抗体——纳米抗体（nanobody），便成了一个极具吸引力又充满挑战的前沿课题。
研究人员开展这项研究，主要运用了几个关键技术方法。首先是基于已知的纳米抗体-GPCR复合物结构数据，对AlphaFold-Multimer（AF-M）模型的预测输出进行系统评估，建立了能够有效区分“结合”与“不结合”的判别标准。随后，利用这套标准，他们对一个虚拟的纳米抗体库进行了前瞻性的计算机屏幕（in silico screen），预测出可能与MRGPRX2高亲和力结合的候选序列。最后，他们将计算筛选出的候选纳米抗体进行实验验证，通过细胞信号传导测定和功能性的细胞实验，确认了这些纳米抗体的生物活性。本研究的相关成果已发表在《Nature Communications》期刊上。
研究结果
1. 建立用于纳米抗体-GPCR结合预测的AF-M评估框架
为了将AF-M用于前瞻性的纳米抗体发现，研究团队首先需要确定其预测结果中哪些特征能够可靠地指示真实的结合。他们收集了一套已知的纳米抗体-GPCR复合物结构作为阳性对照，并构建了非相互作用的配对作为阴性对照。通过系统分析AF-M对这些配对的预测结果，他们发现了一系列模型输出指标，如界面pTM（ipTM）、预测对齐误差（PAE）以及预测结构模型本身，能够有效地将真实的相互作用对与非相互作用对区分开来。这为后续的虚拟筛选奠定了可靠的判别基础。
2. 针对MRGPRX2的计算机虚拟筛选与结合验证
利用上述建立的判别框架，研究人员对MRGPRX2进行了大规模的计算机虚拟筛选。他们从AF-M对海量虚拟配对的预测中，根据综合评分筛选出了一组排名靠前的候选纳米抗体序列。随后，他们合成了这些候选纳米抗体，并通过表面等离子共振（SPR）等技术实验测量了它们与MRGPRX2蛋白的结合能力。实验结果表明，通过计算筛选出的多个纳米抗体确实能以高亲和力（纳摩尔级别）与MRGPRX2特异性结合，验证了计算预测的准确性。
3. 纳米抗体在细胞功能实验中的活性验证
证明结合能力后，研究进一步在更接近生理环境的细胞模型中验证这些纳米抗体的功能活性。他们设计了基于细胞的信号通路检测实验，发现部分计算筛选得到的纳米抗体能够有效抑制或调节由MRGPRX2激动剂触发的下游细胞信号事件。此外，在相关的功能型细胞实验中，这些纳米抗体也展现出了调控与MRGPRX2相关生理响应的潜力，从而在功能和机制层面证实了这些计算设计纳米抗体的有效性。
结论与讨论
本研究成功实现了一次完全由计算驱动的前瞻性纳米抗体发现。通过巧妙利用AlphaFold-Multimer（AF-M）模型，并结合对已知结构数据的分析建立起的可靠评估标准，研究人员无需进行任何初期的湿实验（wet-lab）筛选，便直接从计算机预测中识别出了针对重要药物靶点MRGPRX2的高亲和力、高活性的纳米抗体。这一成果具有多重重要意义：首先，它为针对GPCR这类难成药靶点的抗体发现提供了全新的、高效的“干实验”（dry-lab）先行策略，显著缩短了发现周期并降低了成本。其次，它强有力地证明了当前AI蛋白质结构预测工具不仅可用于事后分析，更能直接用于指导全新的生物大分子相互作用设计，即“反向翻译”从结构预测到功能设计。最后，这项工作为构建完整的“计算抗体发现”管线提供了关键的概念验证（proof of concept），标志着抗体工程领域正从以实验筛选为核心的传统模式，迈向以计算预测和智能设计为驱动的崭新阶段。未来，随着模型精度的进一步提升和筛选策略的优化，这种完全在硅片（in silico）上完成的分子发现，有望在基础研究和药物开发中发挥越来越重要的作用。
