ITC 实验：热力学参数如何解释蛋白-配体结合

等温滴定量热法（ITC）通过测量结合过程的热量变化，一次实验同时给出 K_D、结合焓 ΔH、结合熵 ΔS 与化学计量 n。它是唯一能直接测量焓熵分解的方法，而这个分解对理解结合本质与指导优化很有价值。

热力学基本关系

# ΔG = ΔH - TΔS = -RT ln(K_A) = RT ln(K_D)
#
#   ΔG  = 结合自由能（决定亲和力）
#   ΔH  = 焓变（主要来自相互作用的形成/断裂）
#   ΔS  = 熵变（来自构象自由度与溶剂化的变化）
#
# 关键：同样的 ΔG（同样的亲和力）
#      可以由完全不同的 ΔH/ΔS 组合产生
#
# 焓驱动（ΔH 很负，ΔS 不利）：
#   结合主要靠形成氢键、静电等特异性相互作用
#   代价是配体与蛋白被「锁住」，构象熵损失
#
# 熵驱动（ΔS 有利，ΔH 贡献小）：
#   结合主要靠疏水效应
#   —— 疏水基团结合时释放了有序的水分子，熵增
#
# 多数结合是两者的混合

焓熵补偿：为什么优化这么难

焓熵补偿是结合热力学中反复观察到的现象：改善 ΔH 的改动往往同时恶化 ΔS，反之亦然，导致 ΔG（亲和力）的净改善远小于单项的改善。

• 典型例子：引入一个新的氢键 → ΔH 改善（形成了有利相互作用），但同时限制了配体的构象自由度并需要精确定位 → ΔS 恶化；
• 后果：亲和力的提升常常「打折」，这解释了为什么理性设计的效果常低于预期；
• 但补偿不是完全的：好的设计仍能获得净改善——关键是找到那些「ΔH 改善大于 ΔS 恶化」的改动。

焓驱动为什么被认为更「优质」

	焓驱动	熵驱动
主要来源	氢键、静电、形状互补	疏水效应
特异性	高（需要精确的几何匹配）	低（疏水接触不挑剔）
选择性	通常更好	较差
关联的性质	可保持较低 logP	需要高 logP
优化难度	难（需要精确设计）	易（加疏水基团即可）
对应指标	高 LLE（见 072《脂溶性配体效率 LLE》）	低 LLE

「焓驱动更优质」的实质，与 LLE 的逻辑是一致的：靠特异性相互作用获得的活性，不需要付出脂溶性的代价。ITC 的焓熵分解为 LLE 这个经验指标提供了热力学解释。

实验要点

# ITC 实验设计
#
# 1) c 值（关键参数）
#    c = n × [M] / K_D
#
#    c 在 5~500 之间才能准确拟合 K_D
#    c < 1   → 曲线太平缓，K_D 拟合不准
#    c > 1000 → 曲线太陡，只能给出 K_D 上限
#
#    → 高亲和力（K_D < 10 nM）时需要降低蛋白浓度，
#      但信号会变弱 → 可用竞争滴定法
#
# 2) 缓冲液匹配
#    滴定池与注射器的缓冲液必须完全一致
#    微小差异会产生巨大的稀释热
#
# 3) 缓冲液电离焓
#    如果结合伴随质子转移，测到的 ΔH 会包含
#    缓冲液的电离焓
#    → 用不同电离焓的缓冲液（如 Tris vs 磷酸盐）
#      重复实验，可以分离出真实的 ΔH 与质子化贡献
#
# 4) 样品需求量
#    ITC 耗样较多（毫克级蛋白），这是主要限制
#
# 5) 对照实验
#    配体滴入空缓冲液 → 扣除稀释热

怎么用 ITC 数据指导设计

• 比较系列中不同分子的焓熵特征：如果某个改动使 ΔH 明显改善，说明它形成了新的特异性相互作用——这个方向值得继续；
• 识别「靠疏水堆活性」的情况：ΔH 贡献小而 ΔS 主导，提示需要引入特异性相互作用；
• 检测水分子的作用：置换结合位点中的高能水通常带来熵增（水被释放）；
• 发现构象变化：异常的熵变可能提示结合伴随显著的构象重排；
• 验证化学计量：n 明显偏离 1 提示蛋白部分失活、聚集或多位点结合。

局限与现实

• 样品消耗大：需要毫克级的纯蛋白，通量低，不适合筛选；
• 焓熵分解的解释需谨慎：ΔH 与 ΔS 的分解包含了溶剂化、构象、质子化等多重贡献，把它们简单地对应到「氢键数量」是过度解读；
• 补偿现象部分来自测量本身：ΔH 与 ΔS 的拟合是相关的，会人为产生一定的补偿表象。判断真实的补偿需要谨慎的实验设计；
• 计算预测焓熵分解很困难：即使 FEP 能较准确地预测 ΔG，分解出可靠的 ΔH/ΔS 仍然是挑战；
• 实用建议：ITC 适合对少数关键化合物做深入表征，用于理解机制与验证设计假设，而非常规筛选。

延伸资源

• SPR：074《SPR 实验》；LLE：072《脂溶性配体效率 LLE》；
• 自由能计算：201《OpenFE》、276《Schrödinger FEP+》。