从头设计RFdiffusion-FAK选择性调节蛋白双向调控

Jack小新
2026-07-28 18:29:21
人工智能
生命科学
算法解析

2026713日,华盛顿大学蛋白质设计研究所、Fred Hutchinson癌症中心、加州理工学院和西班牙Miguel Hernández大学等机构的研究团队在bioRxiv发布预印本《De novo design of selective kinase modulators》。研究利用RFdiffusion等蛋白设计方法,从头生成可遗传编码的小型蛋白,通过结合激酶结构域的不同构象,选择性抑制或激活黏着斑激酶FAK,并进一步把抑制骨架重定向至Src激酶。其核心进展是同一套结构导向设计流程能够在不直接竞争保守ATP位点的情况下,对激酶活性实施双向、细胞内和可迁移的调控。



Image


 


背景


蛋白激酶控制细胞生长、存活与迁移,是肿瘤等疾病中的核心药物靶点。传统小分子抑制剂多占据ATP结合口袋,但这一位点在不同激酶之间高度保守,容易产生脱靶和毒性。另一方面,激酶结构域并非静态结构,而是在多种活性样和非活性样构象之间转换;DFG基序、αC螺旋、甘氨酸富集环和激活片段的相对位置,共同决定催化几何是否成立。


活性构象受到催化功能约束,跨激酶往往更为相似;非活性构象则具有更大的结构差异。由此产生一种不同于ATP竞争的策略:在激酶表面寻找构象敏感、序列不那么保守的调节区域,以设计蛋白稳定特定状态。若稳定催化兼容构象,可能增强活性;若把局部几何推向开放或错位状态,则可能抑制活性。研究选择与肿瘤转移和细胞迁移密切相关的FAK作为首个测试对象。


FAK位于整合素信号下游,连接细胞外基质感知、黏着斑组装与细胞迁移,在三阴性乳腺癌、卵巢癌和胰腺导管腺癌等疾病中常出现过表达或高活化。FAK抑制剂defactinibFAK-MEK钳制剂avutometinib的联合方案已获FDA用于KRAS突变低级别浆液性卵巢癌,说明这一靶点具有现实治疗价值;但本研究的小蛋白更重要的近期用途,是在细胞内精确提高或降低FAK活性,从而解析不同信号强度与黏附、迁移和存活表型之间的关系。


相较于抑制,人工激活激酶更具挑战。抑制剂只需阻断ATP、底物结合或破坏必要几何,激活剂则必须提高催化有效状态在整个构象集合中的占比,同时避免把蛋白固定在一个虽可结合却不能周转的状态。既往工程化monobody已证明蛋白支架可以变构改变激酶平衡,本研究进一步尝试由生成式模型直接创造全新支架,并让激活与抑制从同一套流程中产生。


多构象设计:把FAK的结构动态转化为可编程靶点


团队没有把FAK简单分成唯一的状态,而是选择2J0L4D4R4D5H4K9Y1MP84D55等多种激酶结构作为模板,覆盖N端叶和C端叶相对取向以及ATP口袋附近的局部差异。研究以甘氨酸富集环附近的430位残基和DFG/ATP位点邻近的552位残基之间距离,描述口袋的紧凑或开放程度,并在ATP位点邻近及叶间调节表面选择暴露疏水区域作为结合位置。


RFdiffusion首先生成80–120个残基的结合骨架,ProteinMPNN为每个骨架设计序列,Rosetta FastRelax优化界面和单体稳定性,AlphaFold2筛选能够按预期折叠并以高置信度结合FAK的候选;表现最好的设计再经过部分扩散和新一轮序列设计。最终进入实验的96个候选多为约100个氨基酸、以螺旋为主的单结构域小蛋白。


这套流程保留了计算设计与实验筛选之间的明确分工。结构模型负责规定结合区域和希望稳定的构象,从而把搜索空间集中到功能相关表面;SPRFRET和放射性激酶实验则分别验证是否结合、是否改变周转速度以及磷酸转移是否真正变化。96个候选中约三分之一产生功能调节,说明计算模型显著提高了定向发现效率,但仍不能取代实验,因为多数高评分结构并未形成强功能输出。




1 FAK多构象模板到功能筛选的设计流程。RFdiffusion生成骨架,ProteinMPNN设计序列,RosettaAlphaFold2完成优化和结构筛选;FRET实验从候选中识别抑制剂FAK_I1/FAK_I2和激活剂FAK_A1/FAK_A2


功能筛选:96个设计中获得33FAK调节蛋白


候选蛋白经半自动化表达纯化后,先在500 nM单浓度条件下通过表面等离子体共振评估结合,再进入高通量FRET激酶生物传感器实验。活性FAK磷酸化底物后使FRET信号下降,因此信号下降加快提示激活,维持较高FRET则提示抑制。96个设计中,30个抑制FAK3个增强活性,其余候选影响有限。


四个最强设计呈现清晰的双向效应。FAK_A1FAK_A2使生物传感器反映的活性提高约150%–200%FAK_I1FAK_I2则把活性压低至基线的约20%–30%。这一结果说明,设计流程并非仅产生仅结合而不调节的蛋白,而是能够通过选取和稳定不同构象,改变同一激酶的催化输出方向。


低纳摩尔抑制与超过两倍激活得到生化确认


SPR定量显示,FAK_I1FAK_I2FAK的解离常数KD分别为2.7 nM19 nM;激活剂FAK_A1FAK_A2KD约为391 nM4.9 nM。放射性激酶实验直接测量γ-32P向肽底物的转移,FAK_I1FAK_I2IC50分别为22±3 nM17±3 nM,确认其低纳摩尔抑制效力。


两种激活剂则随浓度提高而增加磷酸掺入。FAK_A1EC5018±9 nM,总32P掺入量约为FAK单独反应的两倍;FAK_A2EC502.8±0.9 nM,激活幅度更高。结合亲和力并不与功能强度简单一一对应,说明调节效应还取决于结合位点如何改变构象平衡,而不只是结合得有多紧


Image


2 四种主要FAK调节蛋白的结合与生化活性。FAK_I1FAK_I2表现为低纳摩尔抑制剂,FAK_A1FAK_A2以浓度依赖方式增强催化活性。


2.04 Å晶体结构揭示构象调节的物理基础


为验证设计几何,团队解析了FAK激酶结构域与激活剂FAK_A1复合物的2.04 Å晶体结构。以激酶链叠合后,结合蛋白主链与设计模型的偏差约为1.0 Å,结合蛋白自身折叠的主链RMSD0.28 Å,说明设计界面在接近原子级精度上得到实验复现。FAK_A1横跨激酶N端叶、C端叶及连接两者的铰链区,并未引发激酶核心的大规模变形。FAK_A1FAK_A2FAK_I1FAK_I2模型的C端叶高度重合,Cα RMSD0.15–0.30 Å,但N端叶相对位置不同。跨49AlphaFold3模型分析发现,430–552距离与活性倍数呈负相关,Pearson r0.60:激活设计接近紧凑的参考几何,抑制设计则对应更开放或位移的ATP口袋邻近构象。


Image


3 FAK_A1晶体结构与设计模型高度吻合。局部ATP口袋几何与功能输出相关,430–552距离增大与活性降低相关(r=0.60n=49)。


选择性来自非保守表面,而非保守ATP口袋


选择性是激酶调节剂能否成为可靠工具的关键。研究在2 μM条件下,将FAK_I1FAK_I2FAKIRAK4EGFRCK1γ1ROCK1GSK3βSYKMNK1MAPKAPK2ZAP70组成的10种激酶面板进行测试。该浓度约为FAK_I1 IC5090倍、FAK_I2 IC50120倍。即便远高于半数抑制浓度,两种设计仍强烈抑制FAK,而对其他激酶的作用显著较低或可忽略,其中包括与FAK较接近的酪氨酸激酶EGFRSYKZAP70。结果支持通过非保守构象表面获得选择性的设想,但面板只覆盖10种激酶,尚不能替代更全面的激酶组、蛋白组和细胞脱靶评估。


Image


4 FAK_I1FAK_I22 μM下的激酶选择性。两种设计强烈抑制FAK,而对面板中其他9种激酶的影响较低或可忽略。


在细胞中实现FAK信号的抑制与增强


团队通过慢病毒在FAK扩增且依赖FAK的三阴性乳腺癌细胞MDA-MB-231中稳定表达四种设计蛋白。所有调节蛋白都能不同程度保护内源FAK免受PROTAC BSJ-04-146降解,提供了细胞内靶点结合的独立证据。与体外结果一致,FAK_I1FAK_I2降低FAK主要自磷酸化位点Y397的磷酸化,而FAK_A1FAK_A2提高其磷酸化水平。


功能表型也呈相反方向。抑制剂减少细胞在I型胶原表面的铺展面积和黏着斑数量,激活剂则增强细胞铺展并增加黏着斑。FAK_I1FAK_I2还显著降低MDA-MB-231三维球体的细胞活力;在胰腺导管腺癌细胞PATU-8988T中,两者同样降低磷酸化FAK和三维球体活力。图5中的铺展与黏着斑数据来自3次独立实验、每个条件超过15个细胞;三维球体实验每组包含10–20个生物学独立样本,并代表3次独立实验。


Image


5 设计蛋白在细胞内双向调节FAK信号与表型。抑制剂降低Y397磷酸化、细胞铺展、黏着斑和三维球体活力,激活剂产生相反的黏附表型。


FAK重定向至Src:成功骨架可以快速改造


为检验方法的可迁移性,研究以成功的FAK抑制骨架为起点,把靶标替换为处于非活性或SH2结合构象的Src激酶,再通过RFdiffusion部分扩散重塑界面、ProteinMPNN重新设计序列,并用AlphaFold2筛选。与每个新靶点完全从零开始相比,这种策略保留总体骨架架构,只重构与新激酶接触的区域。


HEK293细胞中,研究使用全长或截短SrcCD247 ITAM报告系统,通过全局磷酸酪氨酸信号和CD247 pY142位点评估活性。Src_I1产生最强且最稳定的抑制,Src_I2在两种Src背景中也降低两类读数;其他设计表现出不同程度的结构背景依赖性。这表明FAK设计不只是偶然命中,已验证骨架可以作为新激酶调节剂的界面重设计起点。


遗传编码还赋予这类调节剂区别于小分子的实验优势。设计蛋白可以与细胞类型特异启动子、亚细胞定位序列、光控或化学诱导模块融合,在特定时间和位置持续改变激酶状态;抑制剂和激活剂成对使用,还能帮助区分一个表型究竟来自FAK缺失、催化降低还是活性增强。这种双向扰动对于解析信号网络因果关系尤其重要,也可能用于构建带反馈控制的合成细胞回路,但所有这些用途仍需逐项实验证明。


总结:从抑制剂设计迈向可编程的激酶状态控制


这项工作把激酶设计从寻找一个能结合的蛋白推进到规定结合后把活性推向哪个方向96个候选中获得33个功能调节剂,低纳摩尔抑制、超过两倍激活、2.04 Å结构验证、有限激酶面板中的高选择性,以及细胞内相反方向的信号和黏附表型,共同构成较完整的证据链。其科学价值不仅是得到FAK抑制剂,还在于证明构象敏感表面可以成为可编程的酶活性控制位点。


局限同样明确:选择性面板规模有限;细胞实验依赖稳定遗传表达,尚未检验体内递送、药代稳定性、免疫原性和动物或人体安全性;Src重定向主要提供细胞报告系统证据,尚未达到FAK部分的生化和结构验证深度。因此,这些小蛋白更适合被视为信号机制研究工具、空间或时间可控系统的构件,以及发现新型调节位点的起点。若递送和系统级特异性问题能够解决,遗传编码的激酶激活剂与抑制剂有望补充传统小分子,支持持续、细胞类型特异或亚细胞定位的信号调控。



参考链接


https://doi.org/10.64898/2026.07.10.737808


97
0
0
0
关于作者
相关文章
  • WorldDreamer V4登顶RoboCasa与WorldScore - 超脑未来群体世界模 ...
    了解详情 
  • Nucleic Acids Res|概率扩散驱动的AI药物设计:从靶标结构感知 ...
    先导化合物优化连接着早期命中与临床候选,是药物发现中依赖结构洞察、化学经验与反复试验的关键 ...
    了解详情 
  • JCTC|主动学习中的偏差-方差权衡新视角:低保真度作为偏差的化学 ...
    本文介绍了Vinod与Zaspel发表于《Journal of Chemical Theory and Computation》(2026)的LFaB(L ...
    了解详情 
  • Nat Mach Intell|CoCoGraph:在化学约束空间内学习真实分子分布 ...
    2026年5月,西班牙罗维拉-威尔吉利大学团队在《Nature Machine Intelligence》发表新型分子生成 ...
    了解详情 
领取成功
本月5个550bit真机配额已发放给您,配额将在2个月后到期,请及时使用哦~
活动中心
联系我们
二维码
返回顶部
返回
活动中心

完成任务,轻松获取真机配额

×
每日必做
新手任务
长期任务
其他任务
快速回复 返回顶部 返回列表
玻色有奖小调研
填写问卷,将免费赠送您1个1000bit真机配额
(单选) 您是从哪个渠道得知我们的?*
您是从哪个社交媒体得知我们的?*
您是通过哪个学校的校园宣讲得知我们的呢?
取消

提交成功

真机配额已发放到您的账户,可前往【云平台】查看

量子AI开发者认证

考核目标

开发者能够成功搭建Kaiwu-PyTorch-Plugin项目基础环境,并成功运行示例代码,根据示例提示,输出指定的值并填写至相应的输入框中。

通过奖励

5个一年效期的1000量子比特真机配额

专属「量子AI开发者」社区认证标识

开发者权益

每月固定权益:5个550量子比特真机配额
前往考核

第一步

按照README提示成功安装Kaiwu-PyTorch-Plugin库环境依赖
前往GitHub

第二步

运行 community-assessment 分支下的 run_rbm.py 代码示例

第三步

理解示例代码,手动打印并填写如下数值:

正相采样的状态

负相采样的状态

正相的能量值

负相的能量值

*

提交答案

开发者权益

每月固定权益:5个550量子比特的真机配额

恭喜您完成考核

您将获得量子AI开发者认证标识及考核奖励

1000 bit*5

配额

Quantum AI Developer Certification

Assessment Objectives

Developers should successfully set up the basic environment for the Kaiwu-PyTorch-Plugin project, run the QBM-VAE sample code, and calculate the correct FID value based on the random seed value provided by the system.

Pass Rewards

10 quotas for 550-qubit real quantum machines with a one-year validity period

Exclusive "Quantum AI Developer" Community Certification Badge

Developer Benefits

Fixed Monthly Benefits: 5 quotas for 550-qubit real quantum machines
Proceed to Assessment

Step 1

Install the environment dependencies for the Kaiwu-PyTorch-Plugin library according to the README instructions
Go to GitHub

Step 2

Replace the Seed Value

Your seed value is

Step 3

Enter the FID Value You Calculated

*

Submit Answer

Developer Benefits

Fixed Monthly Benefits: 5 quotas of 550-qubit real machines

Congratulations on Completing the Assessment

You will receive the Quantum AI Developer Certification Badge and Assessment Rewards

550bit*10

Quotas