【J. Med.Chem.】从弱到强：基于片段药物设计（FBBD）的40年突破之路

精准药物 · 公众号 · · 2025-03-23 06:30

正文

请到「今天看啥」查看全文

基于片段的药物设计（FBDD）已成为药物发现的重要策略，与传统高通量筛选（HTS）形成互补。
历经近50年发展，推动多款药物成功上市。
结构与计算工具的整合，显著提升FBDD效率，助力理性药物设计。
随着药物靶点向“不可成药”领域及新治疗模式延伸，FBDD在靶向复杂生物分子中展现关键潜力。
持续融合前沿计算与筛选技术（如虚拟筛选、机器学习），突破药物化学瓶颈，加速创新疗法开发。

小片段撬动大突破

自1981年提出以来，基于片段的药物设计（FBDD）已成为药物发现的核心策略之一。其核心逻辑是筛选低分子量化合物（约150–300 Da），这些片段虽与靶蛋白结合较弱，但通过化学修饰可优化为强效药物。1990年代，“ 核磁共振（SAR by NMR）”技术首次实现片段筛选，随后 X射线晶体学、表面等离子体共振（SPR）等方法进一步推动技术普及，使FBDD融入主流药物研发流程。

成果斐然：从“不可成药”到临床突破

FBDD已催生8款FDA批准药物及超50个临床候选化合物。首款成功案例是2011年获批的黑色素瘤药物 Zelboraf ，其研发仅用6年。随后，多款里程碑药物涌现：

Pexidartinib （2015年）：一种CSF-1R抑制剂；
Venetoclax （ABT-199，2016年）：一种Bcl-2抑制剂，能够破坏蛋白–蛋白相互作用；
Erdafitinib （2019年）：一种用于治疗尿路上皮癌的FGFR抑制剂；
Berotralstat （BCX7353，2020年）：一种用于治疗遗传性血管水肿的丝氨酸蛋白酶抑制剂；
Sotorasib （AMG 510，2021年）：一种KRAS-G12C抑制剂，针对一个被认为难以治疗的“不可药化”蛋白；
Asciminib （ABL001，2021年）：一种新型的BCR-ABL1别构抑制剂；
Capivasertib （AZD5363，2023年）：一种AKT激酶抑制剂。

超半数药物为激酶抑制剂，但Venetoclax和Sotorasib的成功证明FBDD在难治靶点中的潜力。

此外，FBDD在苗头化合物优化、靶点可药性评估中展现高效性，甚至延伸至PROTAC等新兴疗法，成为药物创新的“多面手”。

图1. 过去四十年基于片段的药物设计里程碑。3D分子结构由Schrödinger 2022.3（Maestro 13.3）中的LigPrep模块生成。

图2 . 从基于片段的药物设计（FBDD）衍生的FDA批准药物。展示了从FBDD衍生的FDA批准药物的化学结构。

基于片段的药物设计（FBDD）：优势与挑战并存

（1）优势：

FBDD能筛选来自广泛化学空间的小分子片段，适用于各种靶点，包括蛋白质和RNA，具有较强的靶点适应性。片段库由低分子量化合物组成，通常遵循“ 三原则 ”，这使得它们在优化时具有更大潜力。
FBDD还可以通过敏感的筛选方法检测弱结合物，这些物质通常在高通量筛选中被忽略。片段筛选的时间较短，能够显著降低成本和时间。
此外，FBDD能初步评估靶点的可药物性，帮助风险评估，无需参考化合物，易于实施。片段扩展有助于探索结构-活性关系（SAR），推动新型先导化合物开发。FBDD已应用于新型治疗模式，如PROTACs，利用片段连接原理，具有低分子量和弱结合亲和力，表明其在优化新药模式中的潜力。

（2）挑战：

片段库质量：需平衡多样性、合成可行性与理化性质，构建高质量库难度高；
筛选灵敏度：弱结合检测依赖先进技术（如NMR、X射线），设备与经验门槛较高；
苗头物选择：高命中率下需结合配体效率（LE）、结合模式分析（NMR/冷冻电镜）筛选优质片段；
规模压力：百万级片段库涌现，传统实验筛选难以负荷，需虚拟筛选预筛以降低成本；
人工优化局限：片段扩展依赖药物化学经验，面对海量数据与复杂相互作用，效率受限。

表1. 片段筛选方法

筛选方法	样品要求	灵敏度（亲和力）	优势	缺点
配体观察NMR（STD-NMR, Water-LOGSY, CMPG, T1rho）	低（<50 μM样品）	mM–nM	不需要同位素标记。	无法检测紧密结合物。
			对靶标大小没有限制。	不适用于所有靶标。
			灵敏度高，能检测弱结合物。	无法检测紧密结合物。
			可在筛选中使用片段混合物。
19F-NMR	低（<50 μM样品）	mM–μM	灵敏的筛选方法。	片段需要用氟标记。
			高通量筛选方法。	只能检测弱结合物。
			适用于蛋白质和RNA靶标。	不需要靶标标记，对靶标没有大小限制。
蛋白质观察NMR（HSQC, 19F-NMR）	高（>10 μM, 10–100 mg）	mM–nM	可检测紧密结合物和弱结合物。	需要标记蛋白质。
			提供结构信息。	筛选时间较长。
			确定结合位点。
X射线晶体学	高（10–50 mg）	mM–nM	提供结构信息。	无法检测结合亲和力和特异性。
			检测结合模式。	需要高质量的晶体进行浸泡。
表面等离子共振（SPR）	低（<1 mg）	μM–nM	高通量筛选方法。	需要将靶标固定。
			提供筛选中的结合动力学数据。	需要参考化合物设置实验。
				不适用于所有靶标。
				不适用于检测弱结合物。
等温滴定量热法（ITC）	高（>10 μM样品）	μM–nM	提供结合曲线来测量结合亲和力。	低通量实验。
			确定焓变或熵驱动的结合。	需要较高浓度的样品。
				不适用于每个靶标。
				需要参考化合物设置实验。
				不适用于检测弱结合物。
热变性实验（TSA）/差示扫描荧光法（DSF）	低（∼μM–nM）	μM–nM	高通量筛选实验	假阳性率较高。
				不适用于每个靶标。
				需要参考化合物设置实验。
本征质谱法	低（nM, μg–1 mg）	μM–nM	高通量筛选实验	需要仔细优化实验条件。
			只需要微克级样品。	不适用于弱结合物。
微尺度热泳动法（MST）	低（	μM–nM	能测量结合亲和力。	低通量筛选方法。
				不适用于弱结合物。
生物层干涉法（BLI）	低（∼μM）	μM–nM	高通量方法	不适用于弱结合物。
			适用于确认苗头化合物。
荧光偏振法（FP）	低（	μM–nM	高通量筛选方法	不适用于弱结合物。
				不适用于每个靶标。
				需要参考化合物设置实验。
表型筛选	无要求	μM–nM	筛选具有良好细胞渗透性的化合物。	命中率低，需要确认靶标-苗头化合物的相互作用。
			适用于筛选共价片段	仅适用于紧密结合物。
			不需要纯化靶标。	需要确认靶标。
生化实验	低（	μM–nM	高通量筛选实验	靶标需要具有酶活性或已被充分表征。
			可以直接测量片段对靶标的影响。	不适用于弱结合物，导致命中率低。
			筛选过程中需要较高浓度的片段。
虚拟筛选	无要求	无要求	高通量方法	假阳性率高。
			筛选过程中不需要化合物和样品。	需要通过实验筛选确认苗头化合物。
			适合筛选百万至十亿个化合物。	能够考虑多个结合口袋。

展望

基于片段的药物设计（FBDD）有望成为药物发现的关键驱动力。随着分子生物学和生物信息学的进展，靶标空间已扩展到RNA及RNA结合蛋白（RBPs），为治疗提供了超越传统蛋白靶标的新机遇。例如，FDA批准的RNA剪接调节剂 Risdiplam ，通过调节SMN2前mRNA的剪接，成功治疗了相关疾病。然而，RNA及RBPs的极性和灵活性使得传统方法难以靶向，而FBDD凭借识别小分子和弱结合片段的优势，提供了有效的探索途径。

高分辨率的冷冻电子显微镜（cryo-EM）揭示了复杂的蛋白质/RNA结构，帮助发现潜在的结合位点。同时，人工智能和分子建模技术加强了对RNA和蛋白质复合物的理解，提供了更精确的药物设计线索。多样化的片段库扩展了化学空间，结合实验和计算筛选提高了命中率和靶点识别能力。

FBDD与新兴计算技术的结合，使得药物设计更加强大和多功能。未来，FBDD有望攻克难以靶向的复杂靶标，如蛋白质-蛋白质相互作用和 RNA靶点。将机器学习和人工智能整合到FBDD中，将加速药物发现过程，解决未满足的医学需求。

参考文献：

https://pubs.acs.org/doi/10.1021/acs.jmedchem.5c00424