Calico 用 CAMOLE-1 加速发现和优化强效选择性 MMP12 抑制剂
Accelerated discovery and optimization of a potent andselective MMP12 inhibitor with the machine learningplatform CAMOLE-1
Calico 的 CAMOLE-1 平台将全原子扩散模型、物理计算过滤和生化测试结合,在约一年、270 条合成肽内设计出强效选择性 MMP12 肽抑制剂。研究从基于经典氨基酸的设计出发,先识别 MMP12 肽抑制剂并优化其活性,再用扩散模型预测结构指导非经典肽设计。预测的经典与非经典肽抑制剂结构同实验解析的肽结合晶体结构高度一致。
论文以约一年、270 条合成肽的 MMP12 抑制剂设计为例,展示全原子扩散模型与计算筛选及生化实验的衔接。
预印本 · biorxiv · 10.64898/2026.10.21.755545
本站摘要基于收录版本 v1(2026-10-27),原始摘要与 AI 导读固定保留。
来源最近更新: · 来源 v1
机器学习技术正被广泛应用于加速药物发现流程。肽类疗法是一种新兴的治疗模式,其优势在于效力更强而毒性更低,非常适合利用机器学习进行发现与优化。本工作介绍了 Calico 全原子分子引擎(CAMOLE-1),这是一个用于从头设计肽抑制剂的机器学习平台。CAMOLE-1 采用全原子扩散模型,可实现非天然肽的快速发现与优化,并整合了基于物理的计算筛选和生化测试。我们将 CAMOLE-1 应用于基质金属蛋白酶(MMPs)肽抑制剂的发现——这一靶点类别基本上一直未能取得治疗开发上的突破。从基于天然氨基酸的设计出发,我们鉴定出一种 MMP12 肽抑制剂,并进一步优化以提高其效力。在这些初始肽的基础上,我们利用全原子扩散模型确定了预测结构,从而在大约一年时间内、通过 270 条合成肽,设计出了一种强效且高选择性的抑制剂。天然与非天然肽抑制剂的预测结构与我们实验测定的肽结合晶体结构高度吻合。据我们所知,这是首个被描述的利用机器学习技术迭代推动肽抑制剂设计、并将其从初始苗头发现推进到开发具有改善药代动力学性质的高选择性、强效先导肽抑制剂的工作。我们的研究展示了机器学习驱动的肽抑制剂设计的强大能力,肽抑制剂正是一种令人振奋的新兴治疗模式。
来源:bioRxiv · biorxiv.org