多肽药物ADMET预测：从序列到性质，智能平台如何赋能理性设计

1. 从“小分子”到“大分子”：多肽药物研发的独特挑战与机遇

在药物研发的漫长征途中，我们谈论了太多关于小分子药物的故事。从高通量筛选到计算机辅助设计，小分子的ADMET（吸收、分布、代谢、排泄和毒性）预测已经形成了一套相对成熟的体系，各种商业和开源工具层出不穷。然而，当我们将目光转向多肽这类“大分子”药物时，会发现熟悉的规则手册似乎不再完全适用。多肽，通常指由10到50个氨基酸通过肽键连接而成的生物活性分子，它巧妙地站在了小分子化学药和生物大分子（如抗体）的中间地带。这个位置赋予了它独特的优势：相比小分子，多肽具有更高的靶点选择性和亲和力；相比抗体，它又拥有更小的分子量、更易合成和修饰的潜力。近年来，从GLP-1受体激动剂到各种抗癌肽，多肽药物已成为新药研发中最具活力的领域之一。

但机遇总是与挑战并存。多肽的ADMET性质预测，恰恰是横亘在研发人员面前的一道高墙。传统的、基于小分子化学空间训练的预测模型，在面对多肽时常常“水土不服”。原因很简单：多肽的理化性质、空间构象、与生物膜的相互作用方式，与小分子有本质区别。例如，一个多肽的膜渗透性，不仅取决于其整体的亲疏水性，更与其二级结构（如α-螺旋、β-折叠）、所带电荷、以及是否存在特殊的穿膜序列（如细胞穿透肽CPP）密切相关。它的代谢稳定性，则与蛋白酶的特异性切割位点紧密相连。这些复杂的、序列依赖性的特征，使得基于简单分子描述符的预测方法力不从心。

因此，当我在文献中看到中南大学董界老师团队在*J. Chem. Inf. Model.*上发表的关于“pepADMET”智能预测平台的工作时，第一反应是：这正是领域内迫切需要的“专用工具”。它不是一个通用模型的简单套用，而是直面多肽ADMET预测的核心难题，尝试为这个细分领域建立一套专属的评估标准和方法论。接下来，我将结合对这类平台的理解和实际药物研发中的需求，深入拆解一个理想的多肽ADMET预测平台应该具备哪些核心能力，以及我们如何在实际工作中借鉴其思路。

2. pepADMET平台的核心架构：如何为多肽“量身定制”预测模型

要理解pepADMET的价值，我们首先要看它解决了哪些传统方法无法解决的问题。一个针对多肽的ADMET预测平台，其核心架构必须围绕多肽数据的独特性和预测任务的特殊性来构建。根据公开的文献信息，我们可以推断其核心模块至少包含以下几个关键部分。

2.1 多肽专属的分子表征与特征工程

这是所有预测模型的基石。对于小分子，我们常用SMILES字符串和基于原子、键类型的描述符（如ECFP指纹、物理化学描述符）。对于多肽，这套方法需要彻底革新。

• 序列表征是起点：最直接的是氨基酸序列（如“ACDEFGHIK...”）。但平台需要将序列转化为机器可学习的特征。常见方法包括：

  • 氨基酸组成（AAC）：计算20种标准氨基酸在序列中的出现频率。这是最基础的特征，能反映整体的疏水性、电荷等倾向。
  • 二肽组成（DPC）：计算连续两个氨基酸组合的出现频率。这能捕捉局部序列模式，对于预测蛋白酶切割位点至关重要。
  • 基于物理化学性质的剖面（PCP）：为每个氨基酸赋予一系列性质值（如疏水性、体积、电荷、极性等），然后沿序列计算滑动窗口内的性质平均值，形成序列剖面。这能直观展示多肽链上性质的分布。
  • 高级序列编码：如使用BLOSUM62等替换矩阵，将每个氨基酸编码为一个向量；或直接采用自然语言处理（NLP）的方法，如Word2Vec、BERT，将氨基酸视为“单词”，序列视为“句子”进行嵌入学习。这能捕捉更深层次的语义（即功能）信息。

• 结构特征的引入：序列决定结构，结构决定功能。理想平台会整合预测或已知的结构信息。

  • 二级结构预测：利用如PSIPRED、JPred等工具预测每个残基的二级结构（螺旋、折叠、无规卷曲）。螺旋结构往往与膜穿透性相关。
  • 溶剂可及表面积（SASA）：计算每个残基或整个多肽的SASA，这直接影响其与溶剂（水）或脂质（膜）的相互作用。
  • 静电势与表面电荷分布：多肽的净电荷和表面电荷分布是影响其与细胞膜（带负电）相互作用的关键因素。

pepADMET这类平台的高明之处，很可能在于它并非简单堆砌这些特征，而是通过特征选择或深度学习架构，自动学习和融合对特定ADMET端点最相关的特征组合。

2.2 面向多肽的ADMET预测端点定义与数据构建

小分子的ADMET数据库（如ChEMBL, PubChem）浩如烟海，但多肽的ADMET实验数据却非常分散、标准化程度低。构建一个可靠的预测平台，首要任务是明确定义要预测的“端点”，并收集、清洗、标注高质量数据。

对于多肽，关键的ADMET端点可能包括：

类别	预测端点	对多肽的特殊意义	可能的数据来源/实验方法
吸收 (A)	细胞膜渗透性（如Caco-2, PAMPA）	决定口服生物利用度的关键。多肽通常渗透性差，但某些穿膜肽例外。	文献报道的渗透系数（Pe）。
肠道吸收率	口服给药的核心参数。	体内药代动力学（PK）研究数据。
分布 (D)	血浆蛋白结合率（PPB）	影响游离药物浓度和药效。多肽可能与白蛋白等结合。	平衡透析、超滤实验数据。
组织分布特异性	某些多肽具有器官靶向性（如肿瘤归巢肽）。	放射性标记的体内分布实验。
代谢 (M)	血浆/肝微粒体稳定性	多肽易被蛋白酶水解，这是其体内半衰期短的主因。	体外温孵实验，测定半衰期（t1/2）。
主要代谢酶/蛋白酶	识别特定的切割位点（如胰蛋白酶切R/K后）。	质谱（MS）分析代谢产物。
排泄 (E)	肾清除率（CLr）	小分子多肽主要经肾小球滤过排泄。	尿液药物累积排泄量数据。
毒性 (T)	溶血毒性	某些阳离子多肽会破坏红细胞膜，限制其静脉给药。	体外溶血实验（测定HC50）。
细胞毒性（如IC50）	评估对正常细胞的杀伤作用。	MTT/CCK-8等细胞活力实验。
免疫原性风险	多肽可能引发不必要的免疫反应。	序列中T细胞/B细胞表位的预测与评估。

一个像pepADMET这样的平台，其背后必然有一个精心构建的多肽ADMET数据集。这个数据集可能通过自动化文本挖掘从PubMed等数据库中提取，并结合手工整理，确保每个数据点的序列、实验条件、测量值都是准确且可比的。数据的质量直接决定了模型预测性能的上限。

2.3 机器学习模型的选择与集成策略

有了好的特征和数据，就需要选择合适的“算法”来建立映射关系。多肽ADMET预测通常面临数据量相对较小、特征维度高、问题非线性强的特点。

• 传统机器学习模型：如随机森林（RF）、支持向量机（SVM）、梯度提升决策树（如XGBoost, LightGBM）在中小规模数据集上表现稳健，且具有良好的可解释性。它们可以作为基线模型或用于特征重要性分析。
• 深度学习模型：这是当前的主流趋势。特别是循环神经网络（RNN）、长短期记忆网络（LSTM）及其变种，非常适合处理序列数据。它们能直接从氨基酸序列中自动提取特征，无需繁琐的手工特征工程。图神经网络（GNN）则可以将多肽视为图（节点为氨基酸，边为肽键或空间接触），同时学习序列和拓扑结构信息。
• 多任务学习：多个ADMET属性之间往往存在内在关联（例如，疏水性强的多肽可能渗透性好但溶解度差）。多任务学习框架允许一个模型同时预测多个端点，共享底层特征表示，这通常能提高每个任务的预测性能，尤其是在某些任务数据稀缺时。
• 模型集成：单一模型可能存在偏差。将不同原理的模型（如基于描述符的RF、基于序列的LSTM、基于图的GNN）进行集成（如投票、堆叠），可以综合各模型的优势，获得更稳健、更准确的预测结果。pepADMET平台很可能采用了某种集成策略来提升其泛化能力。

3. 平台实战：以一条抗癌肽为例的评估流程解析

假设我们正在设计一条全新的抗癌靶向肽，序列为：KLAKLAKKLAKLAK。这是一个经典的阳离子抗菌/抗癌肽模型，由疏水（Leu, Ala）和亲水/带正电（Lys）氨基酸交替组成，易于形成两亲性α-螺旋，破坏癌细胞膜。让我们模拟一下，如何利用pepADMET这类平台对其进行全面的ADMET性质评估。

3.1 输入与预处理

首先，我们将该序列提交至平台。平台后台会进行一系列预处理操作：

1. 序列校验：检查是否为标准20种氨基酸，是否含有非常见修饰（本例中没有）。
2. 基本理化性质计算：实时计算并返回一些基础信息，如：
   • 分子量：~1.6 kDa。
   • 净电荷（pH 7.4）：由于含有4个赖氨酸（K，侧链氨基pKa~10.5），净电荷约为+4。
   • 疏水性（平均疏水指数）：根据氨基酸疏水标度（如Kyte-Doolittle）计算，该序列疏水性中等。
   • 等电点（pI）：高于7.4，说明在生理条件下带正电。 这些即时反馈能让我们对多肽有一个快速的初步判断。

3.2 核心ADMET端点预测与解读

平台会调用其内部训练好的多个模型，对预设的端点进行预测，并以报告或可视化仪表板的形式呈现。

• 吸收与渗透性预测：

  • 预测结果：平台可能预测其具有“中等”或“较低”的Caco-2细胞渗透性。虽然其两亲性结构有利于与膜相互作用，但较大的分子量和较强的正电荷会与带负电的膜磷脂头部基团强烈结合，可能滞留在膜表面或以内吞方式进入，而非被动扩散。
  • 设计启示：如果我们的目标是口服给药，这个预测结果提示风险很高。可能需要考虑：1) 环化修饰以减少构象柔性，增强稳定性；2) 与脂肪酸（如棕榈酸）缀合，促进与脂蛋白结合和淋巴转运；3) 干脆放弃口服，转向注射给药。

• 代谢稳定性预测：

  • 预测结果：平台很可能预测其在血浆中稳定性“差”。因为序列中含有多个赖氨酸（K），这是胰蛋白酶的主要切割位点（切割K/X）。平台可能会高亮标出这些潜在的酶切位点：KLAK | LAKK | LAKLAK。
  • 设计启示：这是必须优化的关键缺陷。我们可以通过D型氨基酸替换（将L- Lys替换为D- Lys）来抵抗蛋白酶水解。或者，将赖氨酸替换为结构类似但非酶切底物的氨基酸，如精氨酸（R，虽也为碱性，但被胰蛋白酶切割的速率不同）或非天然氨基酸。

• 毒性预测：

  • 溶血毒性：平台会给出一个预测的HC50值（导致50%红细胞溶血的浓度）。由于该肽带强正电荷且设计用于破坏膜，预测的HC50值可能较低，即溶血风险较高。
  • 细胞毒性（对正常细胞）：平台可能会预测其对某种正常细胞系（如人脐静脉内皮细胞HUVEC）的IC50值。这有助于评估治疗窗口。
  • 设计启示：高溶血毒性是阳离子肽走向临床的巨大障碍。优化策略包括：1)调整正电荷数量：减少赖氨酸，或引入负电荷氨基酸（如谷氨酸E）平衡；2)引入对癌细胞膜的选择性：例如，在序列中加入对癌细胞表面高表达酶（如基质金属蛋白酶MMP）敏感的连接子，使其仅在肿瘤微环境中被激活。

• 免疫原性风险评估：

  • 平台可能会调用免疫信息学工具，扫描序列中是否含有已知的MHC-I或MHC-II结合表位（即T细胞表位）。如果含有强免疫原性表位，则提示该肽可能引发不必要的细胞免疫反应，长期给药存在风险。
  • 设计启示：可以通过“人源化”设计，将序列中的氨基酸替换为更接近人体自身蛋白的序列，或直接删除/修饰免疫优势表位。

注意：所有计算预测结果都必须被视为“风险提示”或“优化指南”，而非绝对真理。最终的结论必须通过湿实验验证。平台的价值在于在合成之前，以极低的成本筛选掉高风险分子，将实验资源集中在最有希望的候选分子上。

3.3 结果可视化与报告生成

一个好的平台不会只输出一堆数字。它会提供：

• 雷达图/蜘蛛图：将多个ADMET端点的预测值（归一化后）放在一张图上，直观展示该多肽的“性质轮廓”。理想的多肽应该在各个维度上都处于可接受区间。
• 风险评分卡：对每个端点给出“低风险（绿色）”、“中风险（黄色）”、“高风险（红色）”的定性评价，并汇总一个总体风险评分。
• 可解释性分析：例如，对于预测其稳定性差的模型，平台可以展示是序列中的哪几个残基对预测结果贡献最大（通过如SHAP值分析），直接指导我们的定点修饰。

4. 超越预测：将平台整合到多肽药物研发工作流中

pepADMET这类平台不应只是一个孤立的查询工具，而应成为多肽药物理性设计工作流中的核心环节。一个完整的工作流可能如下：

1. 靶点与功能肽段发现：通过噬菌体展示、mRNA展示或计算机虚拟筛选（如分子对接）获得初始的活性肽序列。
2. ADMET初筛：将获得的数十上百条序列批量提交至pepADMET平台。这一步可以快速过滤掉那些在吸收、代谢或毒性上存在明显缺陷的序列，将候选范围缩小到10-20条。
3. 基于预测的理性设计：针对初筛留下的序列，分析其具体的缺陷（如某个蛋白酶切位点、过高的正电荷）。运用平台提供的设计规则或结合自己的经验，进行定点突变、环化、非天然氨基酸引入、PEG化等修饰。生成一系列衍生序列。
4. 迭代优化与验证：将设计出的衍生序列再次投入平台预测，评估修饰是否解决了原有问题，且没有引入新的问题（如活性丧失）。经过几轮“设计-预测”的迭代，得到2-5条性质均衡的优选序列。
5. 合成与实验验证：合成这些优选序列，进行真实的体外ADMET实验（如肝微粒体稳定性测试、Caco-2渗透性实验、溶血实验）和活性测试，验证预测的准确性，并确定最终的先导化合物。
6. 模型反馈与更新：将实验获得的新数据反馈给平台，用于持续优化和更新预测模型，形成闭环。

在这个工作流中，预测平台扮演了“虚拟筛选过滤器”和“设计助手”的角色，极大地提高了研发效率，降低了后期失败的成本。

5. 当前局限与未来展望：我们离“可靠”还有多远？

尽管像pepADMET这样的平台代表了重要的进步，但我们仍需清醒认识其当前的局限性。

• 数据瓶颈：高质量、标准化的多肽ADMET实验数据仍然稀缺，且大多集中在某些特定类别（如抗菌肽）。对于许多新兴的多肽形式（如环肽、多肽-药物偶联物、含有复杂非天然氨基酸的肽），数据几乎空白，模型预测存在很大不确定性。
• 构象动态性：多肽在溶液中并非刚性结构，其构象随环境（pH、离子强度、膜环境）变化。当前大多数平台基于静态序列或单一预测构象，无法充分考虑这种动态性对性质（尤其是膜渗透性）的影响。
• 复杂体内过程的模拟：ADMET是一个复杂的体内过程，涉及多层生物屏障和生化反应。简单的分类或回归模型难以捕捉其全部复杂性。例如，口服多肽的吸收涉及肠道酶解、黏液层扩散、上皮细胞转运、首过代谢等多个环节，目前尚缺乏能整合所有这些过程的预测模型。
• 可解释性与设计指导：虽然可解释AI在进步，但如何将模型的预测结果直接转化为具体、可操作的设计建议（例如，“将第5位的K替换为D型精氨酸，预计在保持80%活性的同时，将血浆半衰期延长3倍”），仍然是巨大的挑战。

未来的发展方向可能包括：

• 融合多模态数据：结合多肽的序列、预测结构、甚至简单的分子动力学模拟轨迹，构建更全面的分子表示。
• 发展生成式模型：不局限于预测，而是开发能够直接生成满足特定ADMET性质要求的多肽序列的生成式AI模型，实现真正的“逆向设计”。
• 构建标准化数据库社区：推动学术界和工业界共享多肽ADMET数据，建立像小分子领域ChEMBL那样权威的公共数据库。
• 与实验平台深度集成：将预测软件与自动化合成、高通量筛选实验平台联动，实现“AI设计-AI预测-机器人合成-自动化测试”的全流程智能化。

在我参与的多肽药物项目中，计算预测工具已经从“可有可无的参考”变成了“早期决策的关键依据”。虽然它还不能完全替代实验，但已经能帮助我们避免许多显而易见的失败，将有限的资源集中在最有可能成功的方向上。像pepADMET这样专注于多肽领域的专用平台的出现，标志着这个领域正在走向成熟和精细化。对于每一位多肽药物研发人员来说，理解并善用这些工具，意味着能在激烈的研发竞赛中，更快地找到那条通往成功的路径。真正的价值不在于预测的百分百准确，而在于它为我们提供的、基于数据的决策视角和快速迭代的能力。