Gator® BLI 再次发力，国际顶尖机构连发二篇 Nature！

2025 年 1 月，瑞士洛桑联邦理工学院 Bruno E. Correia 等人在《Nature》期刊上发表题为 "Targeting protein–ligand neosurfaces with a generalizable deep learning tool" 的突破性研究成果，提出了一种基于几何深度学习的计算策略——MaSIF（分子表面相互作用指纹识别），成功解决了这一难题。MaSIF 通过学习蛋白表面的几何和化学特征，生成 “表面指纹”，并设计出能够靶向 neosurfaces（由蛋白-配体复合物形成的新表面）的高亲和力蛋白。通过这种 MaSiF-neosurf 框架，研究人员将小分子药物纳入蛋白表面，能够预测基于蛋白-小分子新表面指纹的结合蛋白。该框架在 Bcl2-venetoclax、DB3-孕酮和 PDF1-actinonin 三个药物结合的蛋白复合物上进行了实验验证，设计出的结合蛋白表现出高亲和力和特异性，并在生物体系中利用这些蛋白对实现了从控制基因表达到操纵 CAR-T 细胞活性等多种功能。这一突破为开发出更智能的细胞疗法，精确调控细胞行为，甚至构建全新的合成生物学通路开辟了新的可能性。

文中使用 Gator^® BLI 对设计出的蛋白进行了动力学表征和结合位点的验证。

1）初设计一代蛋白结合亲和力表征：三种计算机设计生成的蛋白对三个 “小分子药物-蛋白” 显示出从中纳摩尔到低微摩尔的亲和力，其中 DBAct553_1为542 nM，DBVen1619_1 和 DBPro1156_1 分别显示出 4 μM 和大于 10 μM 的亲和力。而对不存在小分子情况下的蛋白结合较弱（图1a）。

2）二代蛋白优化突变后结合亲和力验证，快速锁定关键氨基酸位点：对三个设计蛋白进行位点突变后，结合 “小分子药物-蛋白” 的亲和力显著增强，DBAct553_2 为 96 nM（提高 42 倍），DBVen1619_2 和 DBPro1156_2 分别显示出 18 nM（提高近 3 个数量级）和大于 446 nM 的亲和力（图1b）。

图1. 使用 Gator^® BLI 检测：a. 初代设计蛋白结合亲和力。b. 优化突变后的二代设计蛋白结合亲和力。具体检测流程：使用 Protein A 探针固化 Fc-设计蛋白，再分别结合不同浓度的 “小分子药物-蛋白复合物” 或单独蛋白，根据稳态结合信号使用非线性四参数曲线拟合分析得到亲和力 K_D 数值。

2024 年 12 月，美国国立卫生研究院 (NIH) 的 J oseph Marcotrigiano 等人在《 Nature 》上发表题为 "Structure of apolipoprotein B100 bound to the low-density lipoprotein receptor" 的研究。该研究通过冷冻电镜首次解析了 LDL 颗粒上 apoB100 与 LDLR 结合的高分辨率结构，揭示了二者相互作用的分子机制及其在心血管疾病中的关键作用。具体解析了 LDLR 通过两个独立界面（BS1 和 BS2）结合 apoB100。BS1 由 LDLR 的 LA3-LA7 模块与 apoB100β  带上的碱性斑块形成，而 BS2 由 LDLR 的 β-螺旋桨结构域与 apoB100 的 N 端结构域结合。这两个界面共同介导 LDL 二聚化，并解释了 LDLR 在结合与自结合构象间循环的分子基础。研究还发现，LDLR 通过这两个结合界面介导 LDL 的二聚化，并且许多与高 LDL 胆固醇（LDL-C）水平相关的家族性高胆固醇血症（FH）的突变也位于这两个结合界面上。此外，文章中创新性使用了抗 apoB100 的纳米抗体（Nb4）和 Legobody 支架稳定复合物，克服了传统结构解析中 LDL 异质性高的难题，为研究大分子脂蛋白复合物提供了新策略。上述结果为 LDL 细胞摄取的分子机制提供了新的见解，并为心血管疾病的发病机制和治疗提供了新的思路。

文中使用 Gator^® BLI 精确量化了 LDL 与 LDLR 的结合，为结构引起的功能变化提供强有力的数据支持。

1）LDLR 可与 LDL 高亲和力结合：LDLR 与来自两个不同样本的LDL都能以高亲和力（K_D= 1.2-2.2 nM）、高结合速率（k_on=0.9×10⁶ - 1.1×10⁶ M^-1 s^-1）和低解离速率（1.3×10^-3 - 2.1×10^-3 s^-1）结合（图2 b-c）。

2）与 LDL 结合的 legobody 不影响 LDL 与 LDLR 的结合：选取能够与 LDL 形成非常稳定的高亲和力复合物的 legobody，当不存在和存在 legobody，LDL 与 LDLR 结合的亲和力不变（1.2 nM 与 1.3 nM）（图2 c）。

图2. 使用 Gator^® BLI 检测：b. LDLR 与 LDL 的结合动力学。c. 不存在和存在 legobody 下 LDL 与 LDLR 的结合动力学。具体检测流程：使用 SA XT 探针固化 biotin-LDLR，再分别结合不同浓度的 LDL，或 legobody 与 LDL 复合物，并做好空白探针与分析物的非特异结合对照。

总  结

无论是 AI 驱动的蛋白设计，还是复杂膜蛋白的结构解析，Gator^® BLI 凭借其非标记实时监测（天然状态下实时监测分子互作，避免荧光等标记对蛋白活性的干扰）、高通量（并行检测多组样品，助力深度学习模型的高效验证与优化），以及节约样本可回收（仅需少量蛋白样品且可回收，尤其适用于珍贵脂蛋白复合物研究）等优势，已成为科学研究中分子互作检测的重要工具。

参考文献

[1] Bruno E. Correia, et al. Targeting protein–ligand neosurfaces with a generalizable deep learning tool. Nature. 2025.

[2] Joseph Marcotrigiano, et al. Structure of apolipoprotein B100 bound to the low-density lipoprotein receptor. Nature. 2024.