针对神经退行性疾病的蛋白质聚集抑制剂AI筛选.pdfVIP

针对神经退行性疾病的蛋白质聚集抑制剂AI筛选1

针对神经退行性疾病的蛋白质聚集抑制剂AI筛选

摘要

神经退行性疾病如阿尔茨海默病、帕金森病和亨廷顿病等已成为全球公共卫生的重

大挑战，其核心病理特征之一是异常蛋白质的聚集。传统药物发现方法在针对这些疾病

的治疗中面临效率低、成本高、周期长等挑战。本报告提出了一种基于人工智能的蛋白

质聚集抑制剂筛选系统化方案，通过整合多组学数据、深度学习算法和高通量虚拟筛选

技术，旨在加速发现具有治疗潜力的新型化合物。报告详细阐述了从理论基础到技术路

线、从实施方案到风险管控的全流程设计，并预测了该系统在缩短药物研发周期、降低

研发成本方面的显著效益。研究表明，AI驱动的药物筛选方法可将先导化合物发现时

间从传统方法的35年缩短至612个月，研发成本降低4060%。本方案的实施将为神经

退行性疾病治疗药物研发提供创新解决方案，符合国家”健康中国2030”战略规划中对

重大疾病防治技术突破的要求。

引言与背景

神经退行性疾病的全球负担

神经退行性疾病是一类以神经元结构和功能渐进性丧失为特征的疾病，主要包括

阿尔茨海默病(AD)、帕金森病(PD)、肌萎缩侧索硬化症(ALS)和亨廷顿病(HD)等。

根据世界卫生组织(WHO)2022年发布的全球疾病负担报告，全球神经退行性疾病患者

已超过5000万人，预计到2050年将突破1.5亿。在中国，随着人口老龄化加剧，神经

退行性疾病患者数量已超过1000万，其中AD患者约900万，PD患者约300万。这

些疾病不仅严重影响患者生活质量，也给家庭和社会带来沉重经济负担。据中国疾病预

防控制中心统计，神经退行性疾病导致的直接医疗费用和间接经济损失每年超过万亿

元人民币。

蛋白质聚集与疾病机制

大量研究表明，异常蛋白质的聚集是神经退行性疾病的核心病理机制之一。在AD

中，ff淀粉样蛋白(Aff)的细胞外聚集和Tau蛋白的细胞内聚集形成老年斑和神经原纤

维缠结；在PD中，ff突触核蛋白(ffsynuclein)的异常聚集形成路易小体；在HD中，突

变亨廷顿蛋白(mHTT)的聚集导致神经元功能障碍。这些蛋白质聚集体不仅直接导致

细胞毒性，还会引发神经炎症、线粒体功能障碍和氧化应激等继发性损伤。美国国立卫

生研究院(NIH)2021年的研究指出，抑制蛋白质聚集或促进其清除可能成为治疗神经

退行性疾病的有效策略。然而，由于蛋白质聚集过程的复杂性和动态性，传统药物发现

方法难以高效识别有效的抑制剂。

针对神经退行性疾病的蛋白质聚集抑制剂AI筛选2

药物发现面临的挑战

传统药物发现流程通常需要1015年时间，平均成本超过20亿美元，而神经退行

性疾病药物的成功率仅为其他疾病领域的一半。主要挑战包括：1)靶点验证困难，蛋白

质聚集涉及多种分子机制；2)血脑屏障(BBB)穿透性要求高，约98%的小分子药物无

法有效穿透BBB；3)疾病模型复杂，动物模型与人类病理存在差异；4)临床试验周期

长，AD药物临床试验平均需要810年。面对这些挑战，人工智能技术为药物发现提供

了新的解决方案。根据麦肯锡2022年报告，AI技术可将药物发现早期阶段的成功率提

高1015%，研发时间缩短23年。

AI在药物发现中的应用现状

近年来，AI技术在药物发现领域的应用取得显著进展。深度学习算法能够从海量

化合物数据中学习结构活性关系，预测药物分子的生物活性和ADMET性质。英国

Exscientia公司利用AI平台将药物发现时间缩短至传统方法的1/3；美国Atomwise公

司开发的卷积神经网络在预测蛋白质配体相互作用方面准确率超过85%。在神经退行

性疾病领域，InsilicoMedicine公司已通过AI技术发现多个针对Tau蛋白聚集的新型

抑制剂。中国”十四五”生物经济发展规划明确提出要推动AI与生物医药深度融合，支

持创新药物研发。这些进展表明，AI驱动的药物筛选方法有望突破神经退行性疾病药

物研发瓶颈。

研究概述

项目核心目标

本研究的核心目标是构建一个集成多模态数据与先进AI算法的蛋白质聚集抑制剂

筛选平台，针对神经退行性疾病关键靶点(如Aff、Tau、ffsynucl