1. 作用机制与结构基础
传统的“占据驱动”抑制剂疗法在应对耐药突变、“不可成药”靶点等方面存在局限。靶向蛋白质降解（TPD）技术提供了一种“事件驱动”的替代方案，通过利用细胞内的泛素-蛋白酶体系统（UPS）等清除机制，直接消除致病相关蛋白质。在UPS介导的TPD策略中，蛋白水解靶向嵌合体（PROTACs）是目前临床进展最快的小分子模式之一。
一个典型的PROTAC分子由三个核心模块构成：结合目标蛋白的配体（Warhead）、募集E3泛素连接酶的配体（E3 recruiter）以及连接二者的连接链（Linker）。其作用本质是“分子胶水”，诱导POI与E3连接酶空间上的接近，从而促使E3连接酶催化POI发生多聚泛素化，进而被蛋白酶体识别并降解。这种催化、事件驱动的模式使得PROTACs不依赖于持续占据靶点，甚至可以回收利用，因此有时能够利用那些作为传统抑制剂效果不佳的低亲和力配体。
在人类基因组编码的约600种E3连接酶中，目前仅有少数被广泛应用于PROTAC开发。最常用的四种基于CRBN、VHL、MDM2和cIAP1。其中，CRBN和VHL的配体研究最为深入，应用也最广泛。例如，临床阶段的ARV-110（靶向AR）和DT2216（靶向BCL-XL）分别使用了CRBN和VHL配体。E3连接酶的选择会强烈影响降解效率、组织选择性乃至治疗窗口。
POI配体决定了降解的特异性，其不一定需要是高亲和力的抑制剂，某些沉默的结合剂或弱效抑制剂也能在PROTAC框架下发挥作用。连接链则常常是决定三元复合体能否成功形成及其几何构型的关键因素。其长度、柔韧性、极性和连接点都会影响复合体的稳定性、协同性、选择性和降解动力学。目前，连接链的优化在很大程度上仍是经验性和迭代式的。
2. PROTACs的发展轨迹与模式创新
PROTAC技术的发展经历了从概念验证到多样化创新的历程。早期的PROTACs多为肽基分子，存在细胞膜通透性差等问题。随着小分子E3配体（如用于VHL和CRBN的配体）的发现，PROTAC进入了“小分子时代”，其细胞活性和类药性得到大幅提升，并迅速推进至临床研究阶段。
为了克服传统PROTACs可能存在的脱靶毒性、组织选择性差、催化过程不可控等挑战，研究领域催生了多种创新模式：
- •
分子多样性扩展：除了经典的双功能分子，还出现了同源PROTACs（Homo-PROTACs，用于靶向降解E3连接酶自身）、三价PROTACs（可同时降解两种不同靶蛋白）以及核酸PROTACs。核酸PROTACs利用寡核苷酸序列特异性结合转录因子（TF）或RNA结合蛋白（RBP），从而将这类难以用小分子靶向的蛋白纳入降解范围，例如TRAFTACs、O‘PROTACs和RNA-PROTACs。
- •
靶向与可控性增强：为了提高治疗精准度，研究人员开发了多种条件激活的PROTACs。例如，磷酸化依赖的PROTACs 其活性依赖于特定激酶通路的激活；光控PROTACs 则通过在分子中引入光敏基团（如偶氮苯或光笼保护基），实现用特定波长光照来精确控制降解活动的开启与关闭，从而在时间和空间上操控蛋白降解。此外，通过将PROTAC与抗体、适配体或叶酸等靶向单元偶联，构建了抗体-PROTAC偶联物、适配体-PROTAC偶联物 和叶酸-PROTAC偶联物，实现了对特定细胞类型（如肿瘤细胞）的选择性递送和降解。
- •
结合模式创新：绝大多数PROTACs依赖可逆的非共价结合。近年来，共价PROTACs 开始受到关注。其中，可逆共价PROTACs通过与靶蛋白形成可逆的共价键，既能提高结合亲和力和选择性，又能在催化循环后解离，兼具共价药物的优势与传统PROTACs的催化特性，为靶向缺乏高亲和力可逆配体的困难靶点提供了新思路。
3. 临床转化挑战与人工智能赋能
尽管多个PROTAC分子已进入临床试验（见表1），但其开发仍面临诸多挑战。这些瓶颈包括：三元复合体形成的几何与动力学要求（如hook效应）；已开发利用的E3连接酶种类有限，且其表达具有组织和环境依赖性；PROTAC分子通常具有超越“类药五原则”（bRo5）的物理化学性质，可能影响其透膜性、全身暴露和制剂开发。
应对这些挑战需要务实的药物化学策略。例如，通过系统性优化连接链长度和化学结构来调节三元复合体的稳定性；开发新型E3连接酶配体以扩大工具箱；对POI配体进行修饰以改善整体分子的溶解度和渗透性等。
计算建模与人工智能（AI）的融合为更前瞻性的PROTAC设计与优化带来了革命性机遇。这些技术可整合于“设计-合成-测试-分析”循环的多个环节：
- •
三元复合体建模：通过分子对接和分子动力学（MD）模拟，预测和评估POI、PROTAC和E3连接酶三者形成的三元复合体的结构、稳定性及构象动态，从而指导连接链和连接点的理性设计。
- •
连接链与出口向量设计：计算工具可以帮助筛选最优的连接链长度和化学类型，以及POI/E3配体上最适合进行连接的位点（出口向量）。
- •
多参数优化与从头设计：机器学习（ML）模型可以利用日益增长的PROTAC实验数据集（如PROTAC-DB 3.0），学习结构-活性关系（SAR），预测新化合物的降解活性、选择性和物理化学性质。生成式AI模型甚至能够从头设计具有理想属性的新型PROTAC分子。
- •
ADMET属性预测：AI模型可用于早期评估PROTAC候选化合物的吸收、分布、代谢、排泄和毒性（ADMET）特性，加速筛选出更具开发潜力的分子。
结论
PROTAC技术已经从一种探索性的化学生物学工具，迅速发展成为药物发现领域的一种强大模式，尤其在攻克传统“不可成药”靶点方面展现出巨大潜力。当前的研究不仅致力于优化传统PROTAC的性能，更通过开发条件可控、细胞选择性递送、共价结合等新型降解剂，不断提升其精准度和安全性。与此同时，计算化学与人工智能的深度介入，正将PROTAC的发现过程从高度依赖经验的试错模式，转向更加数据驱动和理性化的新范式。通过结合创新的分子设计、深入的机制理解和先进的计算工具，PROTACs有望在未来为癌症等诸多疾病领域带来突破性疗法。
