2026年3月12日，PNAS论文DeepDegradome: A structure-aware deep learning framework for PROTAC and ligand generation against protein targets报道了DeepDegradome。该研究面向靶向蛋白降解领域中“先找到可结合配体、再组织异双功能分子”的关键瓶颈，提出一个结构感知的深度学习框架，用于自动生成靶蛋白配体与PROTAC分子，并在WDR5、CDK9等目标上进行了设计验证。

事件背景

PROTAC设计通常需要同时处理三类问题：靶蛋白是否具有可药性结合位点，生成分子能否形成合理结合模式，以及目标配体、连接子和E3连接端组合后是否仍具有可行的空间构象。传统流程往往依赖已知配体、经验化连接子枚举和多轮人工筛选；当靶点缺少成熟化学起点时，早期发现的效率会明显受限。

DeepDegradome的提出，正是针对这一早期设计环节。与仅从分子字符串或片段库出发的生成策略不同，该框架强调把靶标结构信息纳入生成过程，使模型在构建候选分子时不仅考虑化学合理性，也同时考虑与蛋白口袋的空间匹配和潜在结合模式。这一思路对TPD领域具有现实意义，因为降解剂分子的有效性往往不仅取决于单一结合亲和力，还与三元复合物形成、空间取向和分子整体性质密切相关。

核心进展

根据论文报道，DeepDegradome整合了靶标结构、片段生成、结合模式评估和PROTAC设计等模块，可在给定蛋白目标后自动生成靶蛋白配体，并进一步支持PROTAC分子设计。其流程不是简单枚举已知配体，而是将结构口袋信息、片段级化学构建和候选结合姿态评估连接为一个连续设计框架。

  • 靶标结构输入：框架以蛋白结构信息作为重要约束，围绕目标结合区域开展分子生成。
  • 片段生成：模型可生成与靶点环境相适配的分子片段或配体候选，为缺少现成配体的靶点提供化学起点。
  • 结合模式评估：生成结果并非只按分子形式保留，还需要经过结合模式层面的判断，以筛选更可能形成合理蛋白相互作用的候选。
  • PROTAC设计：在靶蛋白配体生成基础上，框架进一步进入异双功能分子设计环节，支持PROTAC候选结构构建。

论文中以WDR5、CDK9等靶点进行了设计验证。WDR5属于表观遗传调控相关蛋白，CDK9则与转录调控密切相关，二者均是药物发现中受到关注的蛋白目标。选择这些靶点用于验证，有助于展示该框架在不同蛋白类型和不同口袋环境下的生成能力。

技术与临床转化意义

DeepDegradome的直接意义在于提高靶点到化学起点之间的衔接效率。对PROTAC项目而言，靶蛋白配体发现通常是限制因素之一。若结构感知生成模型能够较早给出具有合理结合模式的候选配体，研究团队便可在更早阶段评估目标是否适合进入降解剂设计，而不是完全依赖传统筛选或已报道配体。

其第二层意义在于把配体生成与PROTAC设计放在同一框架中思考。TPD分子设计并不是“配体加连接子”的线性拼接，连接位点选择、空间伸展方向和E3端组合都会影响三元复合物形成。DeepDegradome将结合模式评估纳入流程，有助于在设计阶段提前排除明显不利于后续PROTAC构建的候选。

从产业角度看，这类结构感知深度学习工具有望成为TPD早期发现平台的组成部分。它并不替代化学合成、体外结合实验、细胞降解实验或ADME评估，但可以帮助研究者更快形成假设、压缩候选空间，并为难成药靶点、缺少配体靶点或新E3组合探索提供更系统的起点。

风险与后续观察点

需要保持克制的是，自动生成并不等同于药物发现完成。PROTAC分子普遍具有较高分子量、复杂构象和较大的性质优化压力，即便模型给出结构上合理的候选，也仍需经过合成可及性、靶标结合、选择性、细胞通透性、降解活性、钩效应、蛋白组选择性和药代性质等多维验证。

此外，结构感知模型的表现会受到蛋白结构质量、口袋定义、训练数据覆盖范围以及评分函数可靠性的影响。对于柔性蛋白、诱导契合明显的结合位点，或需要特定三元复合物界面稳定化的降解项目，模型预测与实验结果之间仍可能存在偏差。WDR5、CDK9上的设计验证为框架可行性提供了示范，但不同靶点类别、不同E3连接端以及更复杂细胞背景下的泛化能力，仍是值得观察的问题。

后续可重点关注三方面：其一，DeepDegradome生成候选在真实合成和生化验证中的命中率；其二，模型设计的PROTAC是否能在细胞内实现明确、剂量依赖且选择性的靶蛋白降解；其三，该框架能否拓展到更多缺少成熟配体的靶点，并与实验结构、生物物理筛选和蛋白组学验证形成闭环。对TPD领域而言，这篇论文的价值不只在于提出一个生成模型，更在于把结构、生成、结合评估与降解剂构建放入同一自动化设计框架，为PROTAC早期发现提供了新的计算入口。