Kinome Profiling：激酶项目为什么必须做选择性谱

人类基因组编码约 500 多个蛋白激酶，它们共享高度相似的 ATP 结合口袋。这使得激酶抑制剂的选择性成为该领域的核心挑战——也是为什么激酶项目必须做全激酶组选择性谱。

为什么激酶选择性这么难

• ATP 口袋高度保守：铰链区的氢键模式、疏水口袋的基本布局在整个激酶组中相似；
• 多数抑制剂是 ATP 竞争性的：直接占据这个保守口袋；
• 结果：一个针对某激酶设计的抑制剂，常常同时抑制几十个其它激酶；
• 但完全的选择性未必是目标：某些成功的激酶药物是多靶点的，其疗效正来自同时抑制多个激酶。关键是「知道自己抑制了什么」，而非盲目追求单一选择性。

激酶组筛查的方法

方法	原理	特点
竞争结合分析	与固定化配体竞争	覆盖广（含非活性构象）；不需要底物
活性分析	测酶活抑制	直接反映功能；需要每个激酶的底物与条件
热位移	热稳定性变化	通量高；半定量
化学蛋白组学	在细胞裂解液中用广谱探针捕获	内源蛋白、生理构象
NanoBRET 激酶组	活细胞中的结合	包含细胞环境（见 077《NanoBRET》）

体外筛查与细胞内筛查的结果可能显著不同：细胞内的 mM 级 ATP 会让 ATP 竞争性抑制剂的表观活性大幅下降，而下降的幅度取决于各激酶的 ATP Km——这会改变选择性排序。因此候选阶段应做细胞内的选择性验证。

选择性指标的计算

import numpy as np

def selectivity_metrics(kinase_results, target_kinase, threshold_pct=10):
    """kinase_results: {kinase_name: remaining_activity_pct}
       （单浓度筛查，剩余活性百分比）"""
    values = np.array(list(kinase_results.values()))
    n_total = len(values)

    # 1) S-score：被抑制的激酶比例（越小越选择性）
    n_hit = (values < threshold_pct).sum()
    s_score = n_hit / n_total

    # 2) 选择性倍数（需要 IC50 数据）
    # 3) Gini 系数：基于 IC50 分布的不均匀度
    #    越接近 1 越选择性

    return {
        "S_score": round(s_score, 3),
        "n_kinases_hit": int(n_hit),
        "n_total": n_total,
        "interpretation": (
            "高选择性" if s_score < 0.05 else
            "中等选择性" if s_score < 0.15 else "广谱"),
    }

def gini_coefficient(ic50_dict, target):
    """基于 IC50 分布计算 Gini 系数"""
    # 转成结合常数（活性越强值越大）
    values = np.array([1.0 / v for v in ic50_dict.values() if v > 0])
    values = np.sort(values)
    n = len(values)
    cumsum = np.cumsum(values)
    return float((n + 1 - 2 * np.sum(cumsum) / cumsum[-1]) / n)

# Gini 接近 1 = 活性高度集中在少数激酶 = 选择性好
# Gini 接近 0 = 活性均匀分布 = 广谱抑制剂

S-score 需要注明阈值与浓度：S(10) @ 1 μM 与 S(35) @ 10 μM 完全不可比。报告时必须写全。

激酶组的可视化

• 激酶树状图（kinome tree）：把激酶按系统发生关系排布成树，用圆点大小/颜色标注抑制强度。这是该领域的标准可视化方式，能直观显示抑制是否集中在某个亚家族；
• 解读要点：如果命中集中在系统发生上相近的激酶，说明选择性由序列相似性决定（预期之中）；如果命中分散在树的不同分支，可能提示某种共有的结构特征（如都有特定的门控残基）。

获得选择性的结构策略

策略	利用的差异	说明
门控残基（gatekeeper）	该位置残基大小差异	最经典的选择性来源：小门控残基的激酶有额外的疏水后口袋
DFG-out 构象	非活性构象的可及性	II 型抑制剂；选择性通常更好
变构位点	非 ATP 口袋	III/IV 型；选择性最好（见 381《变构位点发现 Allosteric Site》）
非保守半胱氨酸	共价靶向	选择性极好（见 379《共价抑制剂设计》）
铰链区周边差异	局部序列差异	细致的形状与静电互补
激活环构象	磷酸化状态差异	可区分活性/非活性激酶

门控残基是激酶选择性设计的核心概念：这个位置的残基大小决定了 ATP 口袋后方是否有一个额外的疏水口袋。小门控残基（如 Thr）的激酶有这个口袋，大门控残基（如 Met、Phe）的没有——设计一个伸入后口袋的基团，就能区分这两类激酶。

结果解读的实际考量

• 不是所有脱靶激酶都同等重要：需要评估每个命中激酶的生理功能与抑制后果。抑制一个在目标组织不表达的激酶，风险很低；
• 关注已知与毒性相关的激酶：某些激酶的抑制与特定毒性关联（如心脏毒性、骨髓抑制）；
• 体外命中不等于体内相关：要看脱靶 IC50 与治疗游离浓度的比值（见 080《选择性面板 Selectivity Panel》）；
• 多靶点可能是优势：某些成功的激酶药物同时抑制多个相关激酶，其疗效来自协同。但这需要机制论证，且必须清楚地知道抑制谱；
• 选择性与活性的权衡：极高选择性可能需要牺牲一些活性，需要按项目需求平衡。

计算辅助

# 1) 激酶结合位点的序列比对
#    对齐所有激酶的 ATP 口袋残基，
#    找出目标激酶的独特残基 → 选择性机会点
#
#    资源：KLIFS 数据库提供标准化的激酶口袋比对

# 2) 多激酶对接
#    对同一化合物在多个激酶结构上对接，
#    比较结合模式与打分
#    → 粗筛可能的脱靶

# 3) 选择性 FEP
#    计算同一改造在目标激酶与脱靶激酶上的 ΔΔG 差异
#    → 直接预测选择性变化，是 FEP 的高价值应用

# 4) 多任务 QSAR
#    用大规模激酶筛查数据（如公开的激酶谱数据集）
#    训练多任务模型，预测全激酶组的活性谱
#    → 可用于虚拟筛选与生成模型打分

延伸资源

• 选择性面板：080《选择性面板 Selectivity Panel》；共价与变构：379《共价抑制剂设计》、381《变构位点发现 Allosteric Site》；
• 细胞内结合：077《NanoBRET》、079《Cellular Target Engagement》；FEP：201《OpenFE》。