药物发现攻克难成药靶点：罗氏5年21项目数据深度解析

文献速递 | ACS Medicinal Chemistry Letters, 2026, 17, 484–489 Gampe CM, Wörsdörfer B, Zou G, Ricci A. Analyses of Recent Hit-Finding Campaigns for Difficult Targets Provides Guidance for Informed Integrated Hit Discovery DOI: 10.1021/acsmedchemlett.5c00676

导读

在现代药物发现中，约80%的人类蛋白质组被认为是"不可成药"的。这一数字意味着，绝大多数潜在治疗靶点至今仍是禁区。然而，随着技术革新，这一边界正在被不断突破。

本文来自罗氏集团旗下三大研究机构的研究团队，首次以量化方式系统回顾了针对"难成药"与"难配体化"靶点的21项苗头化合物发现活动，覆盖2020年至2024年中期，跨越瑞士巴塞尔（pRED）、美国旧金山（gRED/基因泰克）和中国上海（CICoR）三地，共计70次筛选实验。

这是工业界难得一见的大规模横向比较研究，其结论对制药企业的研发策略制定、资源分配与靶点可行性评估均具有直接的参考价值。

一、概念框架：重新定义"难成药"

1.1 传统认知的局限

"Undruggable（不可成药）"一词长期笼统地描述一切难以用小分子干预的靶点，但这种二元划分过于粗糙，无法为实验设计提供有效指导。本研究提出了更具操作性的双维度分类体系：

1.2 D2D vs D2L：精细化分类

D-score 来自 Halgren（2009）的口袋评估方法，<0.7 表示该口袋在药化层面不具备可成药性。

1.3 为何这种分类重要

将靶点提前归类为 D2D 或 D2L，能够：

• • 预估技术成功概率：D2D 靶点的先导系列获得率（86%）远高于 D2L（50%）
• • 指导筛选资源分配：避免对低概率靶点的盲目投入
• • 设定合理的项目预期：防止过度乐观导致的研发资源浪费

二、靶点全景：21个项目的挑战地图

研究涵盖七大靶点类别，其中以下三类占比最高（共16/21项目）：

转录因子（Transcription Factors）         ████████  3 项目
变构酶调控（Allosteric Enzyme Modulation） ████████████  4 项目
蛋白质-蛋白质相互作用（PPI Disruptors）   ████████████████████  9 项目

其余包括：细胞因子调节、离子通道激活、信号转导蛋白、正向变构GPCR激活。

靶点难点解析

PPI 靶点之所以最多且最难，原因在于：

• • 蛋白质接触界面面积大（>1000 Ų），缺乏深邃结合口袋
• • 结合往往需要覆盖"热点残基"集群，小分子熵损失巨大
• • 即便 DELT 能找到结合分子，功能转化率极低

转录因子靶点难在：

• • 多为内在无序区域，没有稳定三维结构
• • 功能依赖于与 DNA 或共激活因子的大界面接触
• • AlphaFold 模型在此类靶点上的适用性存疑

三、六大筛选技术：全面性能评测

研究共评估六种主流苗头发现技术，总计开展70次筛选，平均每个靶点使用3.3种方法。

3.1 使用频率

DELT（DNA编码化合物库）    ████████████████████  100%（21/21）
HTS（高通量筛选）          ████████████████      76%（16/21）
片段筛选（Fragments）      ██████████            48%（10/21）
共价筛选（Covalent）       █████████             43%（9/21）
肽类筛选（Peptides）       █████████             43%（9/21）
虚拟筛选（VS）             █████                 24%（5/21）

3.2 核心指标：苗头化合物率 vs 先导系列转化率

注：苗头化合物率 = 该方法提供经验证苗头化合物的筛选次数占比；先导系列率 = 这些苗头中进一步优化为可推进先导系列的占比。

3.3 各方法深度解析

🔵 DELT（DNA编码化合物库技术）—— 全场最佳

技术原理：将数十亿至数万亿个化合物通过 DNA 条形码标记，一次实验即可完成超大规模亲和力筛选，测序即可解码阳性化合物身份。

本研究关键发现：

• • 唯一在所有三个研究机构、所有21个项目中均被采用的方法
• • 苗头化合物率62%，先导系列转化率38%，综合表现最优
• • 阳性 DELT 结果对其他方法成功的阳性预测值高达92%（11/12案例）
• • 可生成探针化合物，用于后续 HTS 阳性对照或结构导向设计

局限性：

• • 基于结合亲和力的非功能性筛选，存在"沉默结合子"（Silent Binder）风险——化合物结合靶点但无功能活性
• • 阴性 DELT 结果的阴性预测值相对较低（约50-67%），不能完全排除靶点可配体化的可能
• • 不同研究机构的 DEL 库组成差异较大（化学多样性、理化性质各有侧重）

前沿进展：快速 off-DNA 合成验证、on-DNA 苗头确认技术、机器学习驱动的苗头扩展正在进一步提升 DELT 的实用价值。

🟡 HTS（高通量筛选）—— 功能筛选的基石

技术特点：筛选有功能活性的化合物，减少后续确认工作量；但需要完善的反筛和分级确认体系处理假阳性。

本研究表现：

• • 76%的项目使用了HTS（15/21）
• • 苗头化合物率与先导系列率均为50%，表现稳健
• • 对于 D2L 靶点，细胞水平 HTS 有额外优势：可发现只有在生理环境下才能体现的功能机制（如剪接调控剂）
• • AI 辅助的迭代筛选（Iterative Screening）正在改变 HTS 范式，以更少的实验量获得更高质量的苗头

🟢 肽类筛选（Peptide Screening）—— 大界面靶点的利器

技术特点：利用大环肽或线性肽，通过覆盖更大蛋白表面积（模拟蛋白质-蛋白质接触界面）来结合难成药靶点，常可获得纳摩尔级活性。

本研究表现：

• • 苗头化合物率57%，先导系列转化率50%，性价比较高
• • 对 D2L 靶点尤其有价值，弥补了小分子方法的盲区

主要挑战：

• • 理化性质差（分子量大、膜透性低），口服生物利用度受限
• • 优化路径长，系统性挑战大
• • 正在被改良的口服策略（大环化、骨架修饰、透膜增强技术）逐步缓解

🟠 共价筛选（Covalent Screening）—— 独辟蹊径

技术特点：利用与靶蛋白特定残基（主要是Cys、Lys、Ser）形成共价键来实现高亲和力结合，不依赖传统结合口袋深度。

本研究表现：

• • 苗头化合物率44%，先导系列转化率50%（从苗头到先导的转化率实际更高）
• • 适用范围受限于靶蛋白是否含有可修饰的活性残基

风险：

• • 非特异性共价修饰（脱靶反应性）是核心安全隐患
• • 需要仔细评估选择性和脱靶风险

🔴 片段筛选（Fragment-Based Drug Discovery, FBDD）—— 高苗头率，低转化率

本研究表现：

• • 苗头化合物率40%，但先导系列率不足10%，落差最大
• • 初始苗头分子量小、亲和力弱（通常 KD 在µM至mM范围），优化难度大

反思：片段筛选的价值在于结构信息丰富（配合结晶/cryo-EM），但对于缺乏结合口袋的 D2L 靶点，其本质局限难以克服。"Sociable Fragments"概念（允许快速片段扩展）被作者提出作为改进方向。

⚪ 虚拟筛选（Virtual Screening）—— 潜力巨大，当前受限

本研究表现：

• • 仅用于5个项目（24%），样本量偏小，统计意义有限
• • 苗头化合物率60%，但先导系列率极低
• • 大量项目未使用虚拟筛选，根本原因是缺乏高质量结构（AlphaFold模型因项目启动时间或模型质量问题未被纳入对接）

未来展望：AlphaFold 3、分子动力学揭示隐藏口袋、大规模按需合成化合物库（make-on-demand libraries）将有望显著提升虚拟筛选的适用范围和命中质量。

四、项目与组合层面的成功规律

4.1 D2D vs D2L 全面对比

4.2 DELT 作为"配体化可行性"评估工具

这是本研究最具实践意义的发现之一：

DELT 阳性 → 高置信度推进

• • 在 D2D 靶点中：DELT 阳性 → 其他方法成功率 4/4（100%）
• • 在 D2L 靶点中：DELT 阳性 → 其他方法成功率 7/8（88%）
• • 综合阳性预测值：92%

DELT 阴性 → 谨慎解读

• • D2D 中 DELT 阴性：1/3 案例其他方法也失败
• • D2L 中 DELT 阴性：4/6 案例其他方法也失败
• • 但仍有案例通过 HTS、肽类或共价筛选突破，说明 DELT 阴性不等于靶点无法配体化

实践建议：将 DELT 作为新项目的第一道关卡——DELT 阳性为高置信项目，优先投入多方法并行策略；DELT 阴性则需要更充分的生物学理由才值得继续大规模投入。

4.3 按靶点类别的成功率分布

五、整合苗头发现策略：从经验到系统

5.1 两种成功模式并存

本研究揭示了两种同样有效的组合策略：

广泛平台策略（Broad Platform Approach）

• • 并行开展多种筛选方法
• • 资源密集，但提高了发现正交化合物的可能性
• • 适用于组合能力强的大型机构

聚焦精选策略（Selective Focused Approach）

• • 基于靶点特征选择少数高优先级方法
• • 关键发现：每靶点筛选数量减少不会显著降低化学使能成功率
• • 当3种以上方法均失败时，继续增加筛选的边际收益急剧下降

5.2 序贯筛选框架（Sequential Screening）

基于本研究数据，可构建如下优先级序贯框架：

第一步：DELT 筛选（必选，所有项目）
    ↓ 阳性（PPV 92%）
第二步：HTS（功能确认）+ 针对性方法（共价/肽类/片段）
    ↓ 确认先导系列
第三步：结构导向优化 + 虚拟筛选辅助

DELT 阴性 → 重新评估靶点生物学理由
         → 有强理由：尝试细胞 HTS / 肽类（覆盖大界面）
         → 无强理由：考虑终止或降级

5.3 沉默结合子问题的应对

对于 DELT 和片段筛选产生但功能活性不明的结合子：

• • 迅速探索 SAR，判断是否存在功能调节可能
• • 引入Hydrogen Exchange-Mass Spectrometry（HX-MS）结合分子动力学，建立结合-功能假说
• • 结合 AlphaFold 预测的构象动态，探索隐藏变构效应

六、局限性与研究边界

作者坦诚指出以下局限，体现了工业界研究的严谨态度：

1. 1. 样本量有限：21个项目的统计量偏小，尤其是虚拟筛选（仅5次），结论需谨慎外推
2. 2. 定义不统一：跨机构、跨项目的"苗头化合物"和"先导系列"定义存在主观差异
3. 3. 时间截断效应：部分项目仍在进行中，最终使能方法尚不确定
4. 4. 库的异质性：三个机构虽共享 HTS 库，但 DEL、共价、片段、肽类库各不相同，影响横向比较
5. 5. 先导≠临床候选：获得先导系列是必要条件，但不等同于研发成功

七、对研究者的实践启示

对于药物发现团队

• • 第一步永远是 DELT：其配体化评估价值远超苗头化合物本身
• • D2L 靶点需要更强的生物学假说支撑，才值得多方法大规模投入
• • 功能性筛选（HTS）与结合性筛选（DELT）互补，不应相互替代
• • PPI 靶点是最高难度挑战，4个项目5种方法均失败，需要理性评估止损时机

对于组合管理与策略团队

• • D2D/D2L 分类框架可作为项目立项评分的定量维度之一
• • 序贯筛选优于盲目并行，DELT 阴性是重要的降权信号
• • 三种或以上筛选方法均失败时，继续投入的边际价值显著下降

结语

这篇来自罗氏集团的回顾性分析，代表了工业界在"难成药靶点"领域少有的量化系统总结。它既不回避失败，也不夸大成功，而是用真实项目数据为研究策略的制定提供了罕见的量化基础。

对于新药研发者而言，最核心的信息或许是：没有一种技术是万能的，但 DELT 是目前最接近"通用探针"的工具——它不仅能找到苗头化合物，更能在项目早期帮助你判断，这个靶点值不值得继续走下去。