2019年9月18-20日在成都舉行的2019第六屆諾貝爾獎獲得者醫學峰會暨未來科技創新論壇，著眼於腦科學與類腦科學研究前沿及應用、人工智能技術應用的現狀與未來、智慧醫療、智能養老等多個主題，以全球視野展現前沿科技，探討未來醫學發展大勢，充分發揮與會各方在智力、技術、資金方面的優勢資源，助推醫藥健康產業跨學科、跨領域、跨地域的全球化合作與發展。
在本次論壇上，2012年諾貝爾化學獎獲得者、美國國家科學院院士、斯坦福大學醫學院分子與細胞生理學教授 布萊恩·卡比爾卡（Brian Kobilka）表示，計算機或者計算式的方法可以更好地幫助我們進行G蛋白偶聯受體基於結構的藥物發現方法的研究。
布萊恩·卡比爾卡（Brian K. Kobilka），美國結構生物學家。1955年出生於美國明尼蘇達州Little Falls。1981年從耶魯大學醫學院獲得MD。斯坦福大學醫學院醫學教授、分子與細胞生理學教授 。2012年因"G蛋白偶聯受體研究"和另一位美國科學家Robert J. Lefkowitz獲得2012年諾貝爾化學獎。
以下為布萊恩·卡比爾卡（Brian Kobilka）教授在本次論壇上的精彩演講摘要：
GPCR主要是在細胞膜當中來傳導信號，來改變細胞的行為，同時它還會介導細胞的響應，這些響應是針對大部分的荷爾蒙或者激素出現的或者神經遞質出現的。多巴胺受體、血清素受體，剛剛大家已經提到了很多的受體，我主要研究這些不同的受體。我會給大家講一下我們在這個模式上所學習到的知識，有些受體我們沒有那麼的瞭解，特別是生理家族相關的受體，有些其實是通過生物膜所出現的代謝物在腦部進行表達，在腸道中也進行了表達。事實上，每個受體都有不同的功能，它在這個家族當中扮演著不同的角色。
身體溝通網絡機制
我最初為什麼要找這樣一個主題呢？人類的生命主要是基於身體溝通網絡機制。對於內科醫生來說，我們在給患者用藥的時候，比如給高血壓患者用藥的時候，是針對他們的交感神經體系以及副交感神經體系發揮作用，這就是我們的兩大體系。
這是去甲腎上腺素，這就是“戰鬥或逃離”應激反應，這種應激反應會引起什麼樣的症狀？比如心率會提高，血壓會提高，血會分流，從腎的道路上分流，同時血也會從腸道分流到橫紋肌當中，我們在休息或消化的時候血液、心率會下降，而且到腎、腸道血流會增加，這就是交感系統和副交感系統的工作機制。
這是我們的中央神經系統，中央神經系統是從傳感器當中接收信息，接收到信息以後這些傳感器就會告訴我們大腦應該做出什麼樣的響應，然後怎麼樣處理信息，這些信息通過神經細胞傳導到心臟當中，這就是交感神經元，交感神經元進入這個框架當中，然後對受體起作用。這就是我為什麼給大家介紹其中一個蛋白的原因，它可以幫助我們提高心臟的收縮。
對於GPCR來說，它其實可以幫助我們。如果把它通過激素激活，可以看到就會有一個GPCR-G蛋白的一個循環情況。在激活情況之下，這個GTP就會釋放，然後會出現，然後就會激發並且調節其他的細胞蛋白活動。腺苷酸環化酶所發揮的作用會調節細胞內部的活動。它其實是最大的神經膠質受體群，大概30%—40%的藥物都是針對G蛋白偶聯受體所開發的藥物。
蛋白作用機制和工作機制的研究
1999年我成立了自己的實驗室，然後從事分子層面G蛋白作用機制和工作機制的研究，你要了解這一點必須要從各種各樣的角度，甚至是3D角度進行分析。在實驗當中我們首先要看它的結構是什麼樣的，要看它的整個複雜結構。
這是受體情況（PPT圖示），有綠色、紫色部分，有細胞外和細胞內的結構，這就是β2的情況，它在激活的情況下就是這樣的，你可以看到它的腎上腺素，它的化學結構。我們用不同的表達方式表達它的化學結構是什麼樣子的。右邊就是細胞膜（PPT圖示），在β2受體活躍狀態下的情況。剛剛我們看到了激活狀態和非激活狀態之間的比較。這兩種狀態在正位結合帶中的差異並沒有那麼大，但這種變化，最後會影響整個細胞膜的情況，這就會幫助G蛋白提供更多空間進行相互作用。
可以給大家展示一下激活整個狀態是什麼樣的，大家可以看一下激活與非激活的對比，它從裡面打開，G蛋白到它的核心，然後就能夠進行GTP的交換，實現GTP的產生，這就是其中一個G蛋白偶聯受體的研究。我們主要是希望能夠去研究其他一些相關受體的作用機制，我們有不同的G蛋白，有B家族，C家族的受體，但是對於這些受體我們的研究並沒有那麼多，已知的信息也沒有那麼多。
幾年前我們就開始了這方面的研究，我們開始研究它的晶體結構，去研究整個複雜結構的晶體呈現。可以看到這就是α家族，還有α—I的蛋白，α—Q蛋白，我們的問題就是β2所觀察到的機制是不是對於其他受體也適用？我們就是從這方面進行研究，這就是由蛋白結構決定的使用方法：我們用X光進行晶體衍射，我們知道這種方法可以讓蛋白分子呈現高清影像結果。在這個晶體上面，可以看到原子，可以看到它的結構模式，然後看到它的3D結構的情況，最大的問題是我們怎麼樣形成這種膜蛋白？我們也非常幸運，在過去六年的研究當中，顯微鏡技術有非常大的進步，也就是冷電顯微鏡技術，這個技術也幫助我們更好地看不同位置上蛋白結構到底是什麼樣的。針對這樣一個蛋白，你對它的結構觀察能夠達到20萬像素的話，你就能很好地分析它們內部的成分。
這是我們這個領域取得的巨大進展。紅色部分我們得不到它的晶體結構，但是可以得到其他受體方式，我們有A、B、C家族，每個家族裡都有不同的受體。激活的G蛋白它的整體方式比較類似。這是這些受體工作機制的假設，我們是用兩種狀態進行假設，一種是沒有配體的情況，一種是加了興奮劑的情況，一種是加了興奮劑+Gs的情況。我們發現這個過程太簡化了，事實上我們用熒光鏡方法，普鏡方法，電磁共振方法來觀察這個結構是什麼樣子的，這對於我們來說是一種更加精確的方式來找到這個受體對於化合物的作用。你可以看到興奮劑其實可以幫助我們的G蛋白參與到更多的活動當中，動態模擬情況可以看到它們是高動態的，或者是一體的，或者是異構的，它們的信號傳導功能非常強，這樣的話就可以幫助我們在藥物發現進行更好地靶向研究。
藥物發現當中所面臨的挑戰
這是藥物發現當中所面臨的挑戰，我簡單分析一下G蛋白偶聯受體的表現吧。首先我們要意識到新藥的開發費用，大概是25億美元，時間也非常長，有7—12年的時間，風險也非常高。關於GPCR的發現，因為我們能夠找到的靶標並不多，所以開發研究並不是那麼容易。還有信號通路結構非常複雜，還有很複雜的藥理學，比如說對於β2受體，它們在信號傳遞的時候是通過不止一個G蛋白來實現，有G-I，它們可能會產生相反作用，有些G蛋白和受體作用可能完全相反，如果是GRK或者其他化合物，它們的路徑會有所不同，有些時候治療效果會激活Cs的路徑。這樣的話反而會帶來一些不良反應，所以我們需要的藥品不僅是在β2上進行了篩選，同時路徑上也要進行篩選，我們把它叫一種特殊名字，這種藥物很難找到。
還有一個挑戰，就是複雜的藥理學，抑制劑、興奮劑等等都非常複雜，每個藥品的療效是不一樣的，它們也涉及很多的G蛋白受體，也會涉及很多興奮劑，有可能我們會通過一些逆向的激動劑使之受到抑制。療效也要看是部分興奮劑或者完全興奮劑來決定，興奮劑所在藥物當中扮演的角色非常重要，比如大家聽到的OP受體，就是嗎啡、美沙酮，它們就是部分的激動劑。比如賽納松就是反向興奮劑，所以我們要進行靶標的研究就要看到底是用哪一種藥物和哪一個受體。
還有一個挑戰，就是每個細胞都有特定的信號傳遞通路，比如它們有特定的蛋白，因為它們的信號通路是不一樣的，我們會遇到不同的信號傳達的合作結構，另外正位結合帶當中序列相似程度非常高。這是家族樹（PPT圖示），對於腎上腺素有9個受體，你的目的不是激活所有的受體，那你必須選擇相應的受體進行激活，腎上腺素受體它其實和血清素受體、多巴胺受體緊密相關，它們有非常緊密的聯繫，它們能夠更好的聯繫起來，來幫助我們實現靶向作用。
最後的挑戰就是多態性，多態性會影響到對於藥物的響應情況，因為G蛋白偶聯受體當中會出現一些變化，它有不同的變量，因為酶涉及到藥物代謝，所以酶的多態性情況也會影響到對於藥物的作用反應。
基於結構的藥品發現的項目
下面我們說一下基於結構的藥品發現的項目，計算機或者計算式的方法可以幫助我們更好地進行基於結構的方法的研究。比如剛剛我們談到了複雜的信號通路，複雜的藥物學，細胞組織特定的信號傳遞，以及正位結合帶序列的相似性，還有多肽化，這都會影響到藥物的反應。對於傳統藥品開發來說或者藥物發現來說，我們會有一個複合物庫，這個庫裡面大概有一百萬種複合物，這個複合物庫當中我們會找到我們所需要的一些化合物，用這些化合物幫助我們研究相應的受體或者蛋白。但是它們對於多樣化來說其實是有限制的。在計算機裡我們可以用GPCR的結構和算法結合在一起，然後測試口袋受體當中的虛擬化合物所產生的作用，這就是虛擬篩選過程，這種虛擬篩選，複合物庫超過了1億多種，這和我們沒有用虛擬篩選的情況下多得多，這種篩選是在計算機裡進行的，是在虛擬技術上進行的，所以對屏幕的要求非常高。因為是計算機進行的，人工成本就會降低很多。這是我們研究室進行的研究工作，這是阿片類受體，阿片類是通過G蛋白，G-I的激活來實現的，裡面還會涉及到和呼吸相關的受體，它也會影響到患者的耐受性。我們的問題是我們能不能開發出這種藥物，它能激活G蛋白路徑，而不是激活神經路徑，這就是偏向性激動劑。這是我們基於結構篩選方面現在實現的新的化學形態，這是一種新的生物學，我們怎麼樣去對接，並且去評估。
這大概是五年前的情況了，我們的想法是，如果我們能夠找到這種化合物，它有新的生物結構，現在我們還沒有偏向性的，如果能找到新的，我們未來就會有新的類型。所以我們現在在虛擬篩選庫當中，這個例子裡是有300萬個化合物，當然我們還是需要一些非常專業的人進行人工肉眼判斷和檢查，他們的檢查量是300—1000的化合物，只佔0.1%不到的比例。他們肉眼篩選完了以後，就有30種化合物進入測試階段，測試階段化合物比例就佔到了0.001%。我們現在正在做試驗，看它的晶體結構是什麼樣子的，現在主要是進行動物試驗，希望未來能進行臨床試驗。
這就是對接點，大家可以看到這個口袋當中有不同的對接化合物，7號化合物在初步篩選當中效果是最佳的，我們到化合物庫找到相關的化合物，我們證明了10倍的親和性，PZM21它適合親和性的培養，PZM21是G蛋白偏向性，藍色部分（PPT圖示）就是G2，綠色部分就是抑制蛋白，可以看到它不同的效果。動物身上是不是有同樣的作用？第一組是載體組（PPT圖示），第二、三組是嗎啡組，嗎啡劑量不同。阿片類化合物的研究（PPT圖示），我們在小鼠身上應用了不同的化合物，我們有對照組、嗎啡組、PZM21組，隨著時間的增長，可以看到水平達到了200—250，這是對於小鼠觀察到的現象。藍色這條線就是PZM21，它的水平出現了極大提高，相比於其他兩組來說。
關於成癮的情況，我們認為PZM21不一定會造成成癮的情況出現，它可以是可卡因或者是阿片類的藥物，它會增加運動活動。咖啡所引起的活動會更多一點，而對照組和PZM21組所引起的運動活動相比嗎啡組少很多。這就是我們在這個研究當中所涉及到的一些模式，如果你給小鼠更多的嗎啡，你把它放回籠子當中，他們會更加喜歡回到它們剛剛在的空間，在這個空間它們是被注射嗎啡的，所以小鼠身上就出現了嗎啡成癮情況。但是PZM21組就沒有觀察到這種情況。這就告訴我們基於結構的方式其實可以幫助我們提高藥物效果。
一開始我說了，我們沒有辦法用結構進行優化，但是現在我們可以得到新的受體的結構，大概是一個月的時間就可以得到它的結構，這就是BU72阿片類結構。PZM21就是我們發現的化合物，左下角就是抑制蛋白化合物的情況。可以看到不同的化合物都會產生不同的偏向性，如果你有顯微鏡的話，一個星期的時間可以得到這些數據，三個星期的時間來分析、處理這些數據，在處理數據的時候每個人的情況都不一樣，即便同樣一組數據不同的研究員所分析的過程和結果不一樣，因為在他們看來數據的質量是不一樣的，但是對於機器來說它的數據就是統一的。
在我們的化合物庫當中，我們不止有三百萬個化合物庫，我們有三億個化合物，我們會篩選300萬個化合物，來看它們的分支情況和結構情況，我們會用最優秀的研究人員來進行檢查，最後我們會有30個化合物進入到測試階段，在前期化合物庫量非常大的情況下用計算機進行篩選，最後少部分的頂級化合物由人為進行篩選。
現場觀眾向布萊恩·卡比爾卡教授提問：
觀眾：您認為將化合物轉化為臨床試驗過程當中最大的阻礙是什麼？而且這些化合物會不會抑制到呼吸？
布萊恩·卡比爾卡：在化合物進入動物試驗過程當中我們會有另外一個試驗，並且會研究它的作用路徑，這是我們在進一步處理和研究之前就會發現的。我認為結構可以引領我們藥物的研究，到目前為止我們可以確認這個化合物的優良的性質，然後再進一步的把它投放到市場。
觀眾：您認為分子結合的這種方式可以給我們帶來哪些益處？
布萊恩·卡比爾卡：我講了五種益處，但是大部分沒有這五種這麼突出，它的比例基於不同的目標是1%—5%，我們會進行篩查。同時我們也必須認識到它完全是定位和結合的問題，如果我們沒有前期的篩選，可能我們就不知道最終結果會怎麼樣，我們知道最終是大腦在掌控整個過程。
（摘自2019第六屆諾貝爾獎獲得者醫學峰會暨未來科技創新論壇演講，內容未經專家確認）
閱讀更多 諾獎醫學峰會 的文章
