競爭性抑制

競爭性抑制是藥物開發最廣泛應用的機制，涉及精細的結構-活性關係、自由能熱力學、選擇性最佳化等議題。

詳細熱力學

結合自由能：
ΔG_bind = −RT × ln(1/Ki) = RT × ln(Ki)

強抑制劑 Ki nM：ΔG ≈ −12 kcal/mol
Ki 10 pM：ΔG ≈ −15 kcal/mol
Ki 1 pM：ΔG ≈ −16.5 kcal/mol

超越自然界基質親和（通常 Kd μM-mM）的設計挑戰。

熱力學貢獻分解

ΔG_bind = ΔH_bind − TΔS_bind

典型：

• 疏水接觸：ΔH 小、ΔS 正（水熵增），佔結合 50-70%
• 氫鍵：ΔH 負、ΔS 負，佔 10-20%
• 凡得瓦：ΔH 負、小貢獻
• 鹽橋：強但少（疏水內部 5-8 kcal/mol）

過渡態類似物精細案例

1. Adenosine deaminase 抑制：

   • Hydroxypurine ribonucleoside
   • 模擬 sp³ 過渡態
   • Ki = 3 × 10⁻¹³ M（與 Kd substrate 比，10⁹ 倍緊）

2. 5'-Methylthioadenosine phosphorylase 抑制：

   • Immucillins（Schramm 設計）
   • Ki < 10⁻¹² M

自由能微擾（FEP）藥物設計

FEP+ 等方法預測 ΔΔG_bind（修飾後 vs 原始）：

• 一般精度 0.5-1.0 kcal/mol（3-10× 親和力）
• 對 hit-to-lead optimization 至關鍵
• Schrödinger、CHARMM-GUI 廣泛用

選擇性挑戰

同源蛋白選擇性：

• HIV protease vs 人類 protease（aspartic）
• BCR-ABL vs c-Abl（imatinib 設計）
• 細菌 DHFR vs 人類 DHFR

Ki 比率 > 10³ 為高選擇性。深學習 + active learning 加速。

Slow-binding 競爭抑制

部分強抑制劑結合慢、解離更慢，違反 M-M 「快速平衡」假設。需修改 IC50/Ki 計算：

Morrison（緊密結合）方程式：
v/v₀ = 1 − ([E] + [I] + Ki − √((....)² − 4[E][I])) / (2[E])

當 [I] ≈ [E]（緊密結合）時必須用此式。Methotrexate 等高親和抑制劑。

Allosteric 競爭抑制

非傳統「競爭」：抑制劑結合異位點，但構象變化降低基質結合：

• LB 圖看似競爭，但 Hill 係數 ≠ 1
• 需 Monod-Wyman-Changeux 或 KNF 模型

例：PFK-1 受 ATP 異位抑制

結構基藥物設計（SBDD）

流程：

1. 解晶體結構（X-ray、cryo-EM）
2. 虛擬篩選（docking）
3. 化學優化
4. FEP 計算 ΔΔG
5. 合成與測試

成功案例：HIV protease（saquinavir 1995）、tamiflu（neuraminidase）、ivacaftor（CFTR）

Fragment-based drug discovery（FBDD）

1. 篩 100-1000 個小片段（MW < 250）
2. 識別微弱（mM）結合
3. 結構導向延伸或合併
4. 達到 nM 親和力

Vemurafenib（B-RAF 抑制癌）為 FBDD 經典成功案例。

Mechanism-Based Inactivators

「自殺基質」（suicide substrates）：原為競爭性結合，但催化過程產生反應性中間體共價綁定酵素：

• Allopurinol（黃嘌呤氧化酶）
• Sulbactam（β-lactamase）
• Aspirin（COX）：乙醯化 Ser530

動力學參數：k_inact / Ki

酵素 promiscuity 與藥物副作用

抑制劑的「脫靶」綁定造成副作用：

• 抗精神病藥的 hERG 通道抑制 → 心律不整
• 多種藥物的 CYP450 抑制 → 藥物相互作用

現代藥物開發強調「selectivity profiling」對抗 100+ 酵素/受體。

演化抗藥性與競爭抑制

細菌 / 病毒透過點突變改變活性中心 → Ki 升 10²-10⁴ 倍：

• HIV protease 抗藥突變
• 結核 RNA pol 突變（rifampin 抗藥）
• COVID-19 主要 protease 突變監測

多目標藥物設計

單藥物抑制多個酵素：

• Sunitinib：多 kinase 抑制（VEGFR、PDGFR、KIT）
• Imatinib 拓展至多種癌症

機器學習 + 高通量篩選優化 selectivity profile。

前沿主題

1. Cryo-EM 解析動態抑制：

   • 多狀態結構
   • 中間體可視化
   • 抑制劑誘導構象

2. 共價可逆抑制：

   • 動態鍵結（Michael acceptors）
   • Kovacs 化學

3. AI 藥物設計：

   • AlphaFold + 大模型
   • 從頭設計
   • 多目標最佳化

4. Targeted protein degradation：

   • PROTACs、molecular glues
   • 「移除」蛋白質而非「抑制」
   • 開拓藥物標靶範圍

5. Allosteric drug discovery：

   • 異位點靶向
   • 提升選擇性與藥動性
   • SHP2、PI3K 等熱門靶點