generative AI - protein design - wet-lab validation
如何用生成式 AI、结构预测和动力学采样筛选针对无序蛋白 c-myc 的细胞内活性多肽？
- 5,000+ 候选序列
- GaMD 采样
- nM 级活性
01 / context
c-myc 难以传统成药，需要用设计、预测、采样和实验验证形成闭环。
项目以构象稳定性作为终选标准，目标是从大量候选序列中找到能在细胞内发挥作用的治疗多肽。
02 / role
我搭建 RFdiffusion + ProteinMPNN 工作流，并用 AlphaFold2 和 GaMD 逐层过滤候选。
流程先生成 5,000+ 条候选序列，再通过 pLDDT、结合能面、自由能和动力学采样进行多重筛选。
03 / framework
筛选逻辑从序列生成推进到构象稳定性，而不是只看静态打分。
对打分前 10 的多肽进行全原子动力学采样，再对采样构象聚类降维，识别关键亚稳态和高频结合构象。
04 / impact
最终得到 1 条无需化学修饰、具备细胞内 nM 级活性的多肽候选物。
候选物通过 mRNA-LNP 递送验证细胞内作用，并在肝癌、宫颈癌等模型中显示泛癌种杀伤性。
05 / limits
公开展示前需要确认结构图、实验结果和序列信息边界。
如涉及未发表数据、专利或实验原图，网页应只展示脱敏流程和汇总指标。