综述：序列主导的蛋白质治疗：高效生物制剂开发的机制基础

《Frontiers in Drug Discovery》：Sequence-dominant protein therapeutics: mechanistic foundations for efficient biologics development

　　摘要
由于蛋白质结构预测技术的进步，尤其是在AlphaFold达到接近实验精确度方面，制药行业在基于结构的药物设计上进行了大量投资。然而，这些投资在提高生物制品开发生产力指标方面取得的成效有限。尽管广泛认为“蛋白质折叠问题”已经得到解决，但临床淘汰率、开发时间和制造失败率与历史基线相比没有统计学上的变化。本文介绍并验证了序列主导型蛋白质疗法（Sequence-Dominant Protein Therapeutics, SDPTs）这一类生物制剂，其功能性主要由氨基酸序列编码的局部化学特征决定，而非全局构象动态。这类蛋白主要通过直接计量学结合发挥作用，表现出近乎线性的剂量-反应关系（Hill系数通常在0.9到1.1之间），这一范围被视为一个有用的操作基准，而非严格的二元界限（因为序列主导性存在于一个连续的机制谱系中）。它们在结构变异体中仍保持活性，并且具有保守的结合表位，同时在结构差异的情况下仍能证明临床等效性。不过，本文明确排除了Fc效应器依赖性抗体、几何结构关键的雙特异性蛋白以及需要构象切换的蛋白（如胰岛素类似物）。通过对2015年至2024年间FDA和EMA批准的药物进行系统分析（分析标准详见第3.1节，并严格控制了生存率和发表偏倚），以及对127项生物相似药临床等效性研究的考察，并研究了不同治疗蛋白类别的结构-功能关系，我们发现SDPTs占了FDA批准的抗体疗法的约73%和具有标准化转运途径的酶替代疗法的81%。基于序列的功能测定表明，它们的临床结果与实际效果的一致性超过90%，而结构差异与治疗效果的相关性很小（r2 < 0.15，p > 0.05）。尽管存在15%–30%的结构差异，生物相似药研究仍显示出一致的临床等效性。这些比例应被视为基于已批准产品数据的估计值，同时考虑到失败项目的报告不足。认识到序列主导性有助于高效地进行药物开发，同时保持严格的安全性和有效性标准。基于机制的监管框架有望将开发时间缩短30%–40%，并将每个项目的成本降低1亿至2亿美元（具体估算基于包含采用率、阶段特定效率和市场动态的情景建模，详细敏感性分析见第7节）。虽然实施需要发现方法、监管途径和开发策略的协调调整，但预计这将在未来十年为行业带来450亿至650亿美元的收益，并通过简化开发和本地生产能力扩大全球对生物制剂的获取。

1 引言
1.1 小分子与生物制品中结构引导发现的区别
结构-功能范式在小分子药物发现中取得了显著成功，其中化合物针对具有精确几何要求的结合口袋。基于结构的药物设计（Structure-Based Drug Design, SBDD）利用关于结合位点的详细结构信息，合理开发了激酶抑制剂、蛋白酶抑制剂和受体拮抗剂（Blundell等人，2006年）。这种成功源于小分子-蛋白质相互作用的基本性质，这些相互作用涉及刚性的结合口袋、特定的几何互补性和通过精确分子接触实现的焓优化。小分子的结合界面通常覆盖300–500 ?2，形成深腔体，其中精确的三维互补性决定了结合亲和力和特异性（Hopkins和Groom，2002年）。
然而，生物制品的发现机制完全不同。治疗性蛋白质通常通过较大且相对平坦的蛋白质-蛋白质界面与目标结合，这些界面覆盖面积达1,500–3,000 ?2，而小分子使用的结合位点则小得多（Jones和Thornton，1996年）。这些界面依赖于多个弱相互作用的分布式结合能，而不是精确的几何契合，结合亲和力来自众多范德华力、氢键和静电相互作用的累积效应（Chothia和Janin，1975年）。此外，生物制品面临小分子开发中不存在的独特挑战，包括无法仅凭结构预测的免疫原性风险、取决于溶液条件和配方的聚集倾向、随宿主细胞系统变化的表达水平，以及需要经验优化的配方稳定性（Walsh，2018年）。
这种结合机制的根本差异表明，SBDD在小分子上的巨大成功可能无法直接转化为生物制品的发现。虽然结构信息对于理解某些蛋白质治疗的方面仍然有价值，但蛋白质-蛋白质相互作用的分布式特性以及局部化学特征相对于全局几何结构的重要性，要求许多治疗性蛋白质采用不同的方法。多种观察结果支持了这种分离：成功的抗体发现项目经常在没有结构信息的情况下通过功能筛选识别出高亲和力结合剂（Bradbury等人，2011年）；生物相似产品尽管存在可测量的结构差异，仍能实现临床等效性（Kirchhoff等人，2017年）；基于结构的计算方法在预测蛋白质-蛋白质结合亲和力方面不如基于序列的方法有效（Moal等人，2013年）。

1.2 结构预测对生物制品生产力的有限转化
最近在蛋白质结构预测方面的进展，特别是AlphaFold达到接近实验精确度的全球距离测试分数，引发了关于药物发现潜在革命性变革的广泛讨论（Jumper等人，2021年）。AlphaFold蛋白质结构数据库现在包含超过2亿个预测结构，几乎涵盖了所有已编目的蛋白质（Varadi等人，2024年）。几篇重要的评论文章认为这些成就代表了根本性的突破，声称“蛋白质折叠问题”已经得到解决，药物发现将会发生变革，尽管目前尚未达成共识（Perrakis和Sixma，2021年；Thornton等人，2021年）。
尽管取得了这些技术成就，但实证分析显示结构预测尚未在生物制品发现的生产力上产生明显的、可测量的改进。对2015年至2024年制药行业指标的分析表明，临床淘汰率保持不变，生物制品的II期和III期失败率分别为71%和42%，与2010–2015年的基线相比没有统计学差异（p = 0.43）（DiMasi和Grabowski，2024年）。开发周期时间没有改善，从目标识别到提交IND申请的平均时间仍然为4.5–6年（DiMasi和Grabowski，2024年）。制造和配方问题继续影响35%–40%的生物候选物，这与历史比率一致，且没有从结构信息中受益（Niazi，2024年）。或许最能说明问题的是，从临床前数据预测临床效果的能力没有得到提升，体外效力与临床结果之间的相关性很弱（r2 < 0.3），尽管有结构信息（Patrick Walters和Barzilay，2021年）。
这种计算能力与实际结果之间的脱节表明，问题可能不在于技术失败，而在于结构信息与特定治疗性蛋白质类别的功能需求之间的潜在机制不匹配。尽管结构知识空前丰富，但高失败率的持续存在表明结构可能并非许多治疗性蛋白质的限速因素。支持这一解释的是，对2020年后（AlphaFold上市后）启动的89个项目进行的系统回顾显示，与历史对照组相比，成功率没有提高（Walsh，2000年）。此外，与15家主要制药公司的药物发现领导者的访谈表明，尽管AlphaFold被广泛用于假设生成，但它并未取代生物制品发现中的经验筛选方法（Borkakoti和Thornton，2023年）（图1）。
图1 序列主导型蛋白质疗法（SDPTs）的分类框架。决策树展示了将治疗性蛋白质分类为SDPTs或结构依赖型的系统方法。流程图从评估结合机制（直接结合与构象结合）开始，接着评估剂量-反应线性（Hill系数通常在0.9–1.1之间，被视为一个连续的基准而非严格的二元界限），检查不同格式下的结构稳健性，确认没有信号放大。符合所有标准的蛋白质被归类为SDPTs，而在任何决策点失败的蛋白质则被归类为结构依赖型。每个类别都提供了示例：SDPTs包括中和抗体和酶替代疗法；结构依赖型蛋白质包括受体激动剂和别构调节剂。Hill系数标准反映了在没有协同作用的情况下，计量学配体结合的近乎理想的质量-作用关系，应被视为协同相互作用的连续谱，而不仅仅是严格的二元指标。该图由BioRender授权生成。

1.3 假设：治疗性蛋白质的机制异质性
我们提出治疗性蛋白质通过不同的机制运作，这些机制从根本上决定了它们的结构-功能依赖性。我们主张采用与分析方法相匹配的机制导向策略，而不是普遍应用结构方法。这一假设源自多个蛋白质治疗开发领域的观察结果。
生物相似药的开发提供了特别有力的证据，即使结构存在传统分析标准认为显著的差异，也能实现临床等效性（Declerck等人，2017年）。对127种获批的生物相似药的分析表明，即使糖基化模式有高达30%的差异、电荷异构体有25%的变化，以及高级结构有可测量的差异，当主要序列和结合表位得到保守时，也能获得相同的临床结果。通过功能筛选成功发现抗体进一步支持这一假设，噬菌体展示和其他选择方法通常仅基于结合活性来识别治疗候选物（Frenzel等人，2016年）。结构相似性与治疗结果之间的有限相关性也得到了证明，例如结构相似的蛋白质表现出不同的效果（Carter和Lazar，2018年）。最后，尽管有结构洞察，但在开发基于结构的预测方面仍然存在持续挑战，这表明关键的属性（如聚集倾向、粘度和免疫原性）仍然难以仅凭结构预测（Jain等人，2017年）。
这些观察结果表明了一个基本原则：对于大量治疗性蛋白质而言，功能主要通过序列级别的局部化学特征编码，而非全局三维结构（图2）。这一原则并不否定结构对某些蛋白质类别的重要性，而是认识到不同的机制需要不同的分析和开发方法。这一见解的意义超越了学术兴趣，延伸到实际的药物开发策略，有可能显著提高效率并降低成本。

图2 SDPTs的级联抑制机制。（A）补体级联（C5抑制剂）。（B）接触系统（血浆Kallikrein）。（C）凝血级联（FIXa-FX桥接）。该图由BioRender授权生成。

2 定义序列主导型蛋白质疗法
2.1 操作定义
我们提出了一种基于可测量机制和药理学标准的序列主导型蛋白质疗法（SDPTs）的操作定义，明确认识到序列主导性代表了一个机制谱系，而非严格的二元类别；以下标准定义了该谱系中序列主导性较高的端点，旨在作为决策相关的基准，而非绝对的生物学边界。SDPTs是满足以下所有标准的治疗性蛋白质：首先，它们通过直接结合机制发挥作用，通过计量学拦截目标而不引起构象变化或信号放大。其次，它们表现出近乎线性的药理学特性，剂量-反应关系由Hill系数（通常在0.9到1.1之间）描述，这主要反映非协同结合；这一范围是一个基于经验的操作基准，如果满足其他标准，即使系数略偏离此范围，蛋白质仍可能表现出序列主导特征。因此，Hill系数应被视为协同相互作用的连续谱，而非严格的二元指标，用于区分别构或非别构机制。第三，它们在不同结构格式下保持结构稳健性，包括全长抗体、Fab片段和单链可变片段（scFv），当结合表位得到保守时。第四，尽管在糖基化、电荷分布或聚集特征上存在可测量的结构差异，它们仍能通过临床等效性得到验证。第五，它们在无信号放大的情况下发挥作用，产生的治疗反应与目标占据率成正比，不会触发信号级联。需要强调的是，这五个标准共同识别出位于机制谱系序列主导性端的蛋白质；在部分满足多个标准的边界情况下，应采用第2.3节描述的混合分类方法，而不是完全排除在SDPTs策略之外。
这种分类明确排除了几种需要特定结构特征才能发挥作用的蛋白质类别。依赖Fc效应器的抗体，其治疗效果依赖于抗体依赖的细胞毒性（ADCC）或补体依赖的细胞毒性（CDC），因为它们的效力取决于精确的Fc-受体相互作用（Nimmerjahn和Ravetch，2008年）。由于结构限制，需要结合域特定空间取向的几何结构关键的雙特异性抗体也被排除（Brinkmann和Kontermann，2017年）。需要构象切换的蛋白质，如为受体激活而发生结构变化的胰岛素类似物，不符合SDPTs的标准（Menting等人，2013年）。稳定的特定构象状态的别构调节剂也被排除，以及通过目标受体构象变化引发信号传导的受体激动剂也被排除（Changeux和Christopoulos，2016年）。

2.2 机制基础
序列主导性的物理化学基础源于蛋白质-蛋白质相互作用能量的基本原理。蛋白质界面中的结合亲和力主要由“热点”残基决定，这些残基通常只占界面残基的15%–20%，但却贡献了总结合能量的80%以上（Clackson和Wells，1995；Bogan和Thorn，1998）。这些热点的特征是具有特定的序列编码的化学性质，这些性质决定了结合强度，而不受周围结构骨架的影响。芳香族残基如色氨酸和酪氨酸通过π-π堆叠和阳离子-π相互作用发挥作用，每个残基可为结合能量贡献3–4千卡/摩尔（Ma等人，2003）。带电残基包括精氨酸、天冬氨酸和谷氨酸可以形成静电网络和盐桥，在适当位置时可为结合能量贡献2–3千卡/摩尔（Xu等人，1997）。由亮氨酸、异亮氨酸和甲硫氨酸簇形成的战略性疏水斑块会促进非极性表面积的脱溶和埋藏，每埋藏的表面面积可贡献20–30卡/摩尔（Chothia和Janin，1975）。重要的是，我们要明确的是，序列的主导性意味着序列在很大程度上决定了结合能量学中的局部化学性质，而不是完全独立于结构。序列主导型蛋白（SDPTs）在受限的结构范围内运作，其中整体架构提供了展示平台，但不决定结合特异性或亲和力。例如，抗体利用规范的互补决定区（CDR）结构来展示序列可变的结合残基（Al-Lazikani等人，1997）。在这些受限的骨架内，序列变异驱动功能多样性，而整体架构保持相对恒定。这一原则通过CDR移植的成功得到了证明，仅仅将CDR序列转移到不同的抗体框架中，在超过70%的情况下仍能保持结合活性（Almagro和Fransson，2008）。序列编码功能的稳健性还通过多条实验证据得到证实。抗体人源化涉及替换非人类框架序列，同时保留CDR序列，通常能将结合亲和力维持在原始抗体的3倍以内（Safdari等人，2013）。来自骆驼科动物的单域抗体尽管分子量只有全抗体的十分之一，但能达到相当的结合亲和力和治疗效果，这说明结合功能可以用最小的序列空间来编码（Muyldermans，2013）。基于CDR序列受限多样性的合成抗体库通常能产生高亲和力的结合剂，对于典型靶标的成功率在65%–85%之间（Fellouse等人，2007）。即使抗体的CDR肽模拟物也能保留可测量的靶标结合能力，尽管通常亲和力较低，这进一步支持了序列在编码结合功能中的主导地位（Rader，2014）。

在第2.1节中介绍的机制谱系，通过占据其中间区域的蛋白质最为容易理解。几类治疗性蛋白质表现出混合特征，需要仔细地逐例分类；与其强行进行二元的序列主导型或结构依赖型分配，不如为每种机制贡献赋予一个大致的序列主导权重，并据此调整开发策略更为准确和实用。这些边缘案例说明了在分类治疗性蛋白质和制定适当分析策略时理解机制的重要性。具有中和活性的Fc-效应抗体代表了一个常见的混合类别，其中序列主导型和结构依赖型机制都对治疗效果有贡献。曲妥珠单抗就是这种复杂性的一个例子，它通过HER2结合（一种序列主导型特征）和ADCC介导的肿瘤细胞杀伤（一种需要特定Fc糖基化的结构依赖型特征）来发挥作用（Hudis，2007）。每种机制的相对贡献因适应症而异，在某些情况下中和作用占主导地位，而在其他情况下ADCC则更为关键。对于曲妥珠单抗，临床研究表明它在乳腺癌治疗中的治疗效果大约有50%来自ADCC，这使其成为一种结构依赖型治疗剂，尽管它具有中和能力（Petricevic等人，2013）。受体阻断剂根据其作用机制可能是序列主导型的，也可能是几何结构关键的。简单的空间阻塞阻止配体接近受体，这是一个序列主导型机制的例子，如阿达利姆单抗阻断TNF-α与其受体的结合（Tracey等人，2008）。相比之下，必须采取特定取向以防止受体二聚化或构象变化的受体阻断剂则需要精确的结构特征。例如，帕图珠单抗必须以特定角度结合HER2以防止受体二聚化，这使其成为几何结构关键的阻断剂（Franklin等人，2004）。这种区分在生物类似物的开发中有实际意义，简单的阻断剂对结构变化的耐受性比几何结构关键的试剂更强。

酶替代疗法（ERTs）是一个特别微妙的例子，其中序列主导型特征适用于催化功能，但结构依赖型特征可能影响细胞运输。ERTs的催化活性通常仅依赖于活性位点序列的保守性，这使得这一方面成为序列主导型的（Brady，2006）。然而，引导溶酶体定向的甘露糖-6-磷酸修饰是结构依赖型特征，这影响治疗效果的分布而非内在活性。这种区分对开发策略至关重要，因为它表明，如果剂量考虑到药代动力学的差异，不同的生产系统产生的不同糖基化模式可以产生治疗效果等效的产品。实际上，三种不同的β-葡萄糖脑苷酶生产系统（CHO细胞、人类细胞和植物细胞）在适当剂量下产生的产品具有临床等效的效果（Zimran等人，2018）。

3 生物类似物开发的证据

3.1 分析的范围和局限性

我们的分析涵盖了2015年1月至2024年12月期间获得FDA和EMA批准的127种生物类似物产品。数据集来自包括美国FDA紫皮书、欧洲药品管理局生物类似物注册库以及截至2024年12月的公开监管审查文件等监管数据库。仅包括具有公开结构特征数据的生物类似物。资格标准是前瞻性地应用的：纳入产品必须获得FDA或EMA的正式生物类似物认定，至少有一项公开的比较临床研究，以及具有已知作用机制的参照生物制剂的批准。排除了仅由FDA/EMA辖区以外的地区机构批准的产品、已终止的开发项目以及缺乏公开可获取的比较临床数据的产品。这个已批准产品的数据集代表了在临床阶段生物制剂中结构-功能关系方面方法最透明且特征最一致的实证基础，但在解释定量声明时，读者应考虑到两个重要偏差。首先是生存者偏差：这127种获批准的生物类似物只是所有启动项目中的一个选定子集；那些因结构差异而在开发过程中失败的项目在统计上被低估了，这意味着结构变化与临床等效性之间的相关性是在一个成功的群体中测量的。由于数据集只包含已批准的生物类似物，分析可能会受到生存者偏差的影响，因为失败的开发项目没有公开记录。其次是发表偏见：导致临床失败的结构差异在同行评审文献中出现的概率较低，而成功证明等效性的研究占了我们数据集的大部分。当我们说在这个数据集中没有已知的分析相似性而没有临床等效性的例子时，我们严格指的是这个预定义数据集的监管批准记录，而不是所有尝试的生物类似物开发项目。这些局限性在整个第3节的定量解读中都得到了承认，所引用的比例（73%的抗体治疗剂属于序列主导型，81%的酶替代疗法）应该被视为基于已批准产品证据的上限估计。

数据集包括89种单克隆抗体产品（占总数的70%），代表了15种参考产品的生物类似物，包括阿达利姆单抗、英夫利昔单抗、利妥昔单抗和贝伐单抗。分析还包括18种融合蛋白产品（14%，主要是依那西普和阿夫利普赛单抗的生物类似物）；12种生长因子产品（9%，包括粒细胞集落刺激因子和促红细胞生成素的生物类似物）；以及8种酶产品（6%，包括各种酶替代疗法）。这种分布反映了当前生物制剂市场的状况，其中单克隆抗体占据治疗领域的主导地位。我们分析中的每种生物类似物都经过了全面的分析表征，包括一级结构验证、高级结构评估、翻译后修饰分析以及功能表征，随后通过临床研究证明与参考产品的等效性（Declerck等人，2017）。

这些生物类似物获得批准的监管框架在研究期间发生了显著变化，各机构逐渐认识到功能表征的重要性超过了结构同一性。自2015年以来，FDA的生物类似物指导文件已经修订了三次，每次修订都更加重视作用机制和功能检测，同时承认轻微的结构差异可能不会影响临床结果（FDA，2019）。同样，EMA也完善了其生物类似物指南，以便基于产品理解和先例采取更灵活的方法（Mascarenhas-Melo等人，2024）。这种监管思维的演变为解释生物类似物的证据提供了必要的背景，因为它反映了越来越认识到结构差异不一定转化为临床差异。

3.2 尽管存在结构差异，仍可实现临床等效性

对这127种获批准的生物类似物的系统分析揭示了一个一致的模式：尽管存在传统上认为重要的可测量结构差异，这些产品仍然实现了临床等效性。这些结构差异涵盖了多种分子属性，包括糖基化模式、电荷异质性、聚集形态，甚至可以通过敏感的生物物理方法检测到的高级结构差异（表1）。

表1 产品对 结构差异 临床结果 统计分析
CT-P13/英夫利昔单抗 23%糖基形式变化，8%聚集形态差异 ACR20: 70.5% vs. 71.3% p = 0.88, 95% CI: ?5.2 to 4.6 Park等人（2013）
ABP 501/阿达利姆单抗 15%电荷变异，12%氧化差异 ACR20: 74.6% vs. 72.4% p = 0.71, 95% CI: ?4.1 to 8.5 Cohen等人（2017）
SB5/阿达利姆单抗 18% C端赖氨酸变化 DAS28: ?3.09 vs. ?3.05 p = 0.89, 95% CI: ?0.21 to 0.13 Weinblatt等人（2018）
GP2015/利妥昔单抗 22%岩藻糖基化差异 B细胞清除率 >99% 两者p = 0.95, 95% CI: ?1.2 to 0.8 Jurczak等人（2017）
SB3/曲妥珠单抗 12%高甘露糖变化 pCR: 51.7% vs. 42.0% p = 0.21, 95% CI: ?2.4 to 21.8 Pivot等人（2018）
SB4/依那西普 聚合物水平差2倍 ACR20: 78.1% vs. 80.3% p = 0.73, 95% CI: ?8.1 to 3.7 Emery等人（2017）
PF-06439535/贝伐单抗 31%电荷变异 ORR: 45.3% vs. 44.6% p = 0.91, 95% CI: ?9.2 to 10.6 Reinmuth等人（2019）

在不同生物类似物中观察到的糖基化异质性尤为显著，半乳糖基化变化范围从15%到45%，岩藻糖基化差异为10%–35%，高甘露糖种类变化为2%–18%，唾液酸基化差异为5%–25%（Schiestl等人，2011）。尽管翻译后修饰存在显著差异，但在所有检查的治疗领域中临床结果都是可比的。对肿瘤学生物类似物的荟萃分析（n = 43项研究）显示总体反应率没有差异（OR = 1.02, 95% CI: 0.98–1.06, p = 0.34），而风湿病学生物类似物的荟萃分析（n = 38项研究）显示ACR反应率相当（OR = 0.99, 95% CI: 0.95–1.03, p = 0.67）（Kim等人，2017）；这些比值比和置信区间是基于引用的系统评价得出的，没有重新从原始试验数据重新计算——读者可以参考Kim等人（Kim等人，2017）和Schellekens等人（Schellekens等人，2019）的完整统计建模细节、异质性评估和敏感性分析。

电荷异质性分析也显示出类似的显著变化，但没有临床影响。离子交换色谱图谱显示参考产品的主峰变化范围为52%到78%，而生物类似物的变化范围为48%–81%，酸性变异差异为12%–35%，碱性变异差异为8%–28%（Liu等人，2018）。在34%的获批准生物类似物中出现了参考产品中没有的新峰。然而，相关性分析显示电荷变异水平与临床疗效（r2 = 0.11, p = 0.34）或免疫原性率（13.1% vs. 12.8%, p = 0.89）之间没有关系（Schellekens等人，2019）。

3.3 高级结构和聚集分析

高级生物物理表征显示生物类似物与参考产品之间在高级结构存在可测量的差异，但这些差异并未转化为临床影响。圆二色光谱显示二级结构含量变化为3%–8%，α-螺旋含量变化高达5%，β-折叠含量变化高达8%（Berkowitz等人，2012）。氢-氘交换质谱显示局部灵活性变化为15%–30%，尤其是在CDR区域和铰链结构域（Engen和Wales，2015）。小角X射线散射显示回转半径变化为2–5 ?，表明整体分子尺寸存在差异（Gokarn等人，2015）。差示扫描量热法显示热稳定性变化为1°C–3°C，生物类似物的熔点范围为68°C至71°C，而参考产品的熔点范围为69°C至70°C（Gokarn等人，2015）。聚集和颗粒形态分析显示聚集程度存在更显著的差异，但没有影响临床结果。尺寸排阻色谱显示单体含量范围为95.2%至99.1%（变化最大为3.9%），二聚体和聚集体水平变化为0.5%–3.8%（Am等人，2018）。分析超速离心确认了这些发现，并进一步揭示了可逆自结合行为的差异（Berkowitz，2006）。通过微流成像进行的亚可见颗粒分析显示2–10 μm范围内颗粒计数有2–10倍的差异。相比之下，虽然产品之间存在临床等效性，但可见颗粒计数可能相差高达5倍（Narhi等人，2015年）。这些聚集特性的显著差异传统上会引发对免疫原性和疗效的担忧；然而，临床数据一致显示这些差异对治疗结果或不良事件谱没有影响。

3.4 监管演变和经验教训
关于生物仿制药的不断积累的证据推动了监管观念的显著演变，特别是在治疗性蛋白质的结构与功能关系方面。最初的生物仿制药指南强调需要证明所有分析属性的相似性，这反映了传统上认为结构差异会影响临床结果的假设（Weise等人，2012年）。然而，尽管存在结构差异，但临床等效性的持续证明促使人们采取更加细致的方法，认识到对于某些蛋白质类别而言，功能表征是首要的。FDA不断更新的指南文件体现了这种监管理念的转变。2015年的指南要求进行广泛的结构表征，并通过统计方法证明所有质量属性的相似性（FDA，2015年）。到2019年，修订后的指南引入了“证据总体性”的概念，并承认并非所有的结构差异都具有临床意义（FDA，2019年）。最新的2024年草案指南提出了一种基于风险的方法，其中结构表征的程度可以根据作用机制和先前的知识进行调整，明确指出“如果结构上的微小差异不会影响与作用机制相关的功能活性，则是可以接受的”（FDA，2024年）。欧洲的监管演变也显示出类似的趋势，EMA率先提出了基于分析和功能相似性的“定制化临床开发”概念（Mascarenhas-Melo等人，2024年）。该机构现在认识到，对于那些作用机制已经明确的蛋白质，如果功能检测显示等效性，则不一定需要进行广泛的结构匹配。这一变化体现在最近的批准案例中，其中一些具有显著糖基化差异的生物仿制药也是基于功能相似性而非全面的结构匹配获得批准的（Kurki等人，2021年）。世界卫生组织也更新了其指南，以便通过关注临床相关属性而非全面的结构匹配，使全球患者更容易获得生物仿制药（世界卫生组织，2022年）。

4 结构主导型蛋白质疗法（SDPTs）的机制分类
4.1 第一类：配体中和剂
配体中和抗体是最大且最成功的SDPTs类别，约占FDA批准的抗体疗法的62%。这些分子以化学计量比发挥作用，通过结合可溶性配体来阻止它们与细胞受体的相互作用，从而阻断下游信号传导（Tracey等人，2008年）。其机制非常简单，不需要构象变化或信号放大；根据质量作用定律，治疗效果与中和的目标配体比例成正比。
配体中和剂的药理学 simplicity 在其近乎线性的剂量-反应关系中得到体现，已发表的药代动力学分析中不同靶点和治疗领域的Hill系数始终在0.95到1.05之间（Ternant等人，2018年）——这一发现实际上支持了第2.1节中提出的0.9–1.1的操作性基准，而非构成一个独立的定义界限。这种主要的非协作性结合行为与表现出S形剂量-反应曲线且Hill系数大于1.5的别构调控剂或受体激动剂形成了鲜明对比。中和剂的治疗窗口主要由目标蛋白的产生速率和抗体药代动力学决定，而不是复杂的受体动力学，因此其临床行为可以从基本药理学原理中高度预测（Dirks和Meibohm，2010年）。
多个治疗类别支持了配体中和剂序列主导性的临床验证。TNF-α抑制剂提供了特别有力的证据，五种不同的分子形式尽管结构差异很大，但都能实现相当的临床效果（Monaco等人，2015年）。阿达利姆单抗（全人IgG1）、英夫利昔单抗（嵌合IgG1）、依那西普（受体-Fc融合体）、塞妥珠单抗pegol（聚乙二醇化Fab）和戈利木单抗（人IgG1）在类风湿性关节炎中的ACR20响应率都在58%到65%之间（异质性p = 0.43），并且在达到相似暴露水平时疗效没有统计学上的显著差异（Singh等人，2018年）。疗效的唯一要求是实现TNF结合，其解离常数低于100 pM，而结构形式对治疗效果基本上没有影响（表2）。

表2 目标 药物 形式 结合KD（pM） 临床响应 参考文献
TNF-α 阿达利姆单抗 全人IgG1 8.6 ± 2.1 ACR20: 63.3% Weinblatt等人（2003年）
TNF-α 英夫利昔单抗 嵌合IgG1 44 ± 12 ACR20: 61.1% Maini等人（1999年）
TNF-α 依那西普 受体-Fc 58 ± 18 ACR20: 59.0% Moreland等人（1999年）
TNF-α 塞妥珠单抗 PEG-Fab 90 ± 25 ACR20: 58.5% Keystone等人（2008年）
TNF-α 戈利木单抗 人IgG1 18 ± 5 ACR20: 59.4% Keystone等人（2009年）
VEGF-A 贝瓦单抗 人源化IgG1 58 ± 15 PFS: 10.3个月 Hurwitz等人（2004年）
VEGF-A 阿仑单抗 Fab片段 46 ± 12 VA: +8.5个字母 Rosenfeld等人（2006年）
VEGF-A/BAflibercept 受体-Fc 0.49 ± 0.11 VA: +8.4个字母 Heier等人（2012年）
IL-17A 塞库库单抗 人源化IgG1 121 ± 31 PASI 75: 81.6% Langley等人（2014年）
IL-17A 伊克西珠单抗 人源化IgG4 3 ± 0.8 PASI 75: 83.2% Griffiths等人（2015年）
IL-6 托西珠单抗 人源化IgG1 2.5 ± 0.6 nM ACR20: 70.0% Emery等人（2006年）
IL-6 萨利珠单抗 人源化IgG1 4.2 ± 1.1 nM ACR20: 72.0% Genovese等人（2015年）

VEGF抑制剂为配体中和的格式独立性提供了额外证据。贝瓦单抗及其七种批准的生物仿制药在结直肠癌中显示出相当的临床效果，尽管它们的糖基化差异从20%到40%不等，但所有产品的无进展生存期一致在10.3到10.8个月之间（Tabernero等人，2017年）。尽管完全缺乏Fc区域，拉尼珠单抗的Fab片段仍能改善视力，这表明中和作用不需要抗体的效应功能（Schmidt-Erfurth等人，2014年）。即使是基于VEGF受体结构域与Fc区域融合的完全不同分子架构的阿仑单抗，也能实现与抗体基VEGF抑制剂相当的临床效果（Papado等人，2012年）。

4.2 第二类：级联抑制剂
级联抑制剂通过在酶级联中的关键节点阻止蛋白质-蛋白质相互作用来防止生物放大作用，例如补体系统、凝血系统和接触激活系统。这些疗法表明，简单的空间位阻作用而非精确的结构定向或别构调节决定了治疗效果（Ricklin等人，2018年）。其机制涉及防止多蛋白复合物的组装或阻断底物对活性位点的访问，治疗效果与级联中断的程度成正比，而与任何构象信号无关。
补体级联为理解级联抑制机制提供了一个示例系统。依库珠单抗是一种人源化IgG2/4杂交抗体，它靶向补体成分C5，通过简单的空间位阻作用阻止C5裂解为C5a和C5b（Rother等人，2007年）。结构分析显示，依库珠单抗结合后C5没有发生构象变化（RMSD <0.9 ?），证实其机制涉及物理阻滞而非别构效应（Schatz-Jakobsen等人，2016年）。在阵发性夜间血红蛋白尿症中，临床效果与溶血减少87%相关，治疗效果与C5的阻断程度成正比，通过CH50测定法测量（Hillmen等人，2006年）。拉维珠单抗是一种通过四个氨基酸替换延长半衰期的工程变体，它结合相同的表位，实现了几乎相同的临床效果（溶血减少86.5%），表明特定的抗体结构不如达到目标阻断重要（Lee等人，2019年）。
接触系统抑制剂进一步说明了序列主导的级联阻断原理。兰阿德卢单抗通过结合血浆激肽酶的活性位点来预防遗传性血管性水肿发作，而不会引起构象变化（Banerji等人，2018年）。晶体结构显示，抗体结合后激肽酶的RMSD小于1.1 ?，证实了一种简单的插入-孔机制（Kenniston等人，2014年）。临床试验显示发作率减少了87%（0.26次对比1.97次/月，p < 0.001），疗效与血浆激肽酶的阻断直接相关，而与任何结构参数无关（Riedl等人，2017年）。尽管静脉注射和皮下注射的制剂药代动力学特征不同，但两者的成功都进一步支持了实现充分的目标阻断比具体的给药形式更为关键的概念（Lumry等人，2020年）。
凝血级联调节剂构成了一个独特的类别，其中序列主导的机制介导复杂的治疗效果。艾米西珠单抗是一种双特异性抗体，它桥接了激活的因子IX（FIXa）和因子X（FX），在血友病A中替代缺失的因子VIII的功能，而不需要模仿因子VIII的复杂结构（Oldenburg等人，2017年）。其机制仅涉及将凝血因子拉近以促进FXa的生成，而不需要因子VIII特有的复杂构象变化（Kitazawa等人，2017年）。临床试验显示年出血率减少了87%（1.5次对比23.3次/年，p < 0.001），表明可以通过序列编码的结合实现功能替代，而无需复杂的结构（Mahlangu等人，2018年）。这种方法的成功激发了其他通过接近诱导激活而非构象机制起作用的双特异性级联调节剂的发展（Lenting等人，2017年）。

4.3 第三类：酶替代疗法
针对遗传性缺陷疾病的酶替代疗法（ERTs）表明，只要活性位点序列保持完整，催化功能在不同的表达系统和糖基化模式下都能得到保留。这些疗法在溶酶体贮积疾病、糖原贮积疾病和其他遗传性代谢紊乱中恢复了缺失的酶活性，治疗效果与酶活性直接相关，而非结构完美度（Brady，2006年）。在不同表达系统中生产的ERTs的成功为序列在酶功能中的主导地位提供了有力证据。
对26种FDA批准的ERTs的分析显示，尽管在不同的细胞类型中进行生产和具有不同的翻译后修饰，但临床效果仍然一致。戈谢病的治疗就是一个例证，三种不同的β-葡萄糖脑苷脂酶产品尽管生产方法和糖基化模式不同，但都能实现相当的临床效果（Zimran等人，2018年）。伊米谷氨酸酶在CHO细胞中生产，含有甘露糖末端糖链，治疗后12个月脾脏体积减少了38.5%，血小板计数增加了68%（Grabowski等人，1995年）。维拉谷氨酸酶α在人类纤维肉瘤细胞中生产，具有更复杂的糖基化，其效果与脾脏体积减少40%和血小板增加71%几乎相同（Zimran等人，2010年）。塔利谷氨酸酶α在植物细胞中生产，具有植物特异的糖链结构，显示脾脏体积减少了38%，血小板增加了74%，表明即使是非哺乳动物的糖基化模式也不会影响治疗效果（Z等人，2015年）。
糖基化独立酶活性的机制基础在于催化功能与细胞运输之间的分离。虽然甘露糖-6-磷酸（M6P）修饰影响溶酶体定位和细胞摄取，但一旦酶被输送到溶酶体，它们不会影响酶的内在催化活性（Coutinho等人，2012年）。体外活性测定显示，在相同条件下，不同ERT产品之间的特异性活性变化不到15%，即使M6P含量相差高达10倍（Tekoah等人，2015年）。糖基化差异的主要影响在于药代动力学和生物分布，而不是治疗效果，当适当调整剂量时，含有更高M6P水平的产品虽然摄取增加，但并不一定会有更好的临床效果（Du等人，2019年）（表3）。

表3 疾病 酶 产品 生产系统 糖基化 临床效果 参考文献
戈谢病 β-葡萄糖脑苷脂酶 伊米谷氨酸酶 CHO细胞 高甘露糖 脾脏：-38.5%，血小板：+68% Grabowski等人（1995年）
戈谢病 β-葡萄糖脑苷脂酶 维拉谷氨酸酶 人类细胞 复杂型 脾脏：-40%，血小板：+71% Zimran等人（2010年）
戈谢病 β-葡萄糖脑苷脂酶 塔利谷氨酸酶 植物细胞 植物型 脾脏：-38%，血小板：+74% Z等人（2015年）
法布里病 α-半乳糖苷酶A 阿加尔西达酶α 人类细胞 3.5 M6P/摩尔 疼痛减少：69% Schiffmann等人（2001年）
法布里病 α-半乳糖苷酶A 阿加尔西达酶β CHO细胞 5.8 M6P/摩尔 疼痛减少：71% Eng等人（2001年）
庞贝病 α-半乳糖苷酶 阿加尔西达酶 CHO细胞 1.7% bis-M6P 6MWT：+32.2m Van der Ploeg等人（2010年）
庞贝病 α-半乳糖苷酶 阿瓦尔谷氨酸酶 CHO细胞 7% bis-M6P 6MWT：+30.0m Pena等人（2018年）
MPS Iα-L-伊杜糖苷酶 拉龙伊达酶 CHO细胞 可变 LVMI：-3.5 g/m2 Wraith等人（2004年）
MPS II 伊杜糖硫酸酯酶 伊杜糖硫酸酶 人类细胞 复杂型 6MWT：+35m Muenzer等人（2017年）
MPS VIArylsulfatase BGalsulfase CHO细胞 高M6P 6MWT：+92m Harmatz等人（2006年）

庞贝病的治疗特别说明了运输和催化功能的分离。标准阿加尔西达酶α含有1.7%的bis-磷酸化甘露糖残基，而改进型的阿瓦尔谷氨酸酶α含有7%的bis-M6P，这种设计旨在提高肌肉靶向性（Kishnani等人，2025年）。尽管靶向修饰有显著差异，但两种产品在6分钟步行测试（32.2m对比30.0m；p = 0.67）和呼吸功能方面都表现出类似的改善（Pena等人，2018年）。增强的靶向性提高了摄取效率，可能允许使用更低剂量，但当提供足够的酶时，不会根本改变治疗效果（Kishnani等人，2025年）。

5 动态结构悖论：局限性和缓解措施
5.1 测量引起的扰动
这里提出的批评并不是针对结构生物学本身，而是针对这样一个假设，即单一的静态结构可以完全代表药物发现过程中高度动态的蛋白质系统。我们澄清，本节中的批评特别适用于将单一静态结构快照作为SDPTs的主要设计输入，因为这些疗法的功能是由局部序列化学而不是全局构象动力学编码的。这并不质疑结构方法对于那些构象状态对功能至关重要的蛋白质（包括GPCRs、核受体、离子通道和别构酶）的重要性和已确立的价值，也不质疑第6.2节中描述的SDPT开发中结构信息的生产性应用。动态结构悖论是一种特定于研究背景的局限性，并非对结构生物学整体的批评。在此背景下，与结构动力学预测（SDPT）设计相关的根本挑战如下：大多数用于结构确定的实验技术都会在不同程度上对蛋白质的天然构象集合造成干扰，因此捕捉到的结构可能无法反映在治疗浓度下决定结合的生理相关状态（Fraser等人，2011年）。这些干扰的累积效应对于那些功能严重依赖于捕捉动态转变的蛋白质尤为显著——而根据定义，这种情况并不适用于SDPT的核心范畴。X射线晶体学占据了蛋白质数据库中大约89%的结构数据，它对蛋白质构象的自由度施加了严格限制，从根本上改变了蛋白质的动态特性（Furnham等人，2006年）。晶体晶格的形成使得构象灵活性降低了60%至80%，对B因子的系统分析显示，晶体状态下的蛋白质移动性明显低于溶液状态（Fenwick等人，2014年）。数据收集通常需要极低温度（100K），这会消除相当于2-4千卡/摩尔的热波动，而这种热波动超过了许多调节蛋白在不同构象状态之间的能量差异（Fraser等人，2009年）。晶体接触平均影响蛋白质表面的30%至50%的面积，对1,247种属于多个空间群的蛋白质的分析显示，有34%的蛋白质仅仅由于晶体堆积效应而出现超过2埃的骨架偏差（Eyal等人，2005年）。或许最为关键的是，结晶过程本质上会选择最稳定的、可结晶的构象，系统性地排除了可能在功能上重要的动态区域和瞬态状态（Neutze等人，2015年）。

冷冻电子显微镜虽然避免了结晶过程中的伪影，但本身也会对构象集合造成干扰。玻璃化过程在微秒内就阻止了所有分子运动，捕捉到的结构可能无法代表生理条件下的主导功能状态（Glaeser，2016年）。粒子分类算法虽然能够识别蛋白质的中心构象状态，但会平均掉溶液中存在的关键但功能重要的构象变化（Dashti等人，2020年）。对2020年至2024年间沉积的523个冷冻电镜结构的分析显示，67%的结构只显示了一种构象状态，尽管有生化证据表明存在多种功能构象，这表明现有方法可能无法全面捕捉蛋白质的构象特性（Nakane等人，2020年）。样本制备过程本身，包括对支撑膜的吸附以及暴露于空气-水界面，也可能会引入偏好性取向和构象变化，从而影响观察到的结构集合（Noble等人，2018年）。

核磁共振光谱学虽然能够独特地捕捉溶液中的构象动态，但仍需要非生理条件，而这些条件会干扰蛋白质的天然构象集合。使用15N、13C和2H进行同位素标记的要求使得蛋白质动态变化达到5%至10%（基于氢-氘交换测量；Tugarinov等人，2005年），特别是对骨架灵活性的影响尤为明显。NMR研究所需的蛋白质浓度（0.5-2毫摩尔）比生理水平高出100至10000倍，这可能会改变寡聚化平衡，并通过非天然的蛋白质-蛋白质相互作用改变构象偏好（Rosenzweig和Kay，2014年）。由光谱仪硬件和样品稳定性要求（通常为278-313K）带来的温度限制可能无法捕捉到在生理温度下发生的温度依赖性构象转变（Kay，2016年；Alderson和Kay，2021年）。

5.2 部分缓解措施和方法论进展

我们承认一些关键的方法论进展在一定程度上缓解了这些局限性，但同时也认识到没有一种现有方法能够完全捕捉生理构象动态。使用X射线自由电子激光器（XFELs）进行室温下的串行飞秒晶体学研究可以揭示出更大的构象灵活性。它能识别出在低温下被掩盖的替代构象（Keedy等人，2015年）。比较同一蛋白质在室温和低温下的结构发现，室温下的构象异质性平均高出20%至30%，关键的功能状态变得可见（Keedy等人，2015年）。然而，这些方法仍需要结晶过程，并且受到晶体接触的限制，这限制了大规模的构象变化。无论是晶体学还是NMR，其集合细化方法都通过同时拟合实验数据到多个构象状态来明确模拟构象异质性（Burnley等人，2012年）。这些方法揭示出即使在晶体中，蛋白质也通常会处于5-10种不同的构象亚态，其分布和转化率是可以量化的（Boehr等人，2009年；Fenwick等人，2011年）。使用泵浦-探测方法或混合-注入方法的时间分辨晶体学可以在从飞秒到秒的时间尺度上捕捉结构转变，从而提供瞬态中间体的 glimpses（Schlichting，2015年）。然而，这些方法技术上具有挑战性，并且仅限于可以在晶体中触发的反应。

氢-氘交换质谱（HDX-MS）无需结构干扰即可绘制动态区域图谱，测量交换率以了解局部灵活性和溶剂可及性（Engen和Wales，2015年）。这种方法显示，治疗性抗体的交换率在不同生产批次间存在15%至30%的变化，但临床效果保持不变，这支持了精确的构象动态不是SDPT功能所必需的观点（Engen和Wales，2015年）。分子动力学模拟虽然受到力场精度和时间尺度的限制，但可以探索实验快照之外的构象空间，现代模拟可以达到毫秒时间尺度，捕捉到功能上相关的运动（Shaw等人，2010年）。

前述的方法论进展确实重要的，显著缩小了测量结构和生理结构之间的差距，但对于特定用途而言，根本局限性仍然存在。实际影响因蛋白质类别而异，这一区别是SDPT论点中的核心。对于那些功能严重依赖于构象动态的蛋白质——如G蛋白偶联受体、别构酶、核受体——无法从实验快照中完全捕捉生理动态构成了基于结构设计的真正障碍，动态蛋白质的31%生物活性-构象预测率（相比之下，刚性位点蛋白质为78%；Mobley和Dill，2009年）具体量化了这一障碍。相比之下，对于SDPT而言，动态结构悖论的约束较小，因为功能并不依赖于捕捉完整的动态集合：结合能量主要由局部界面处的序列编码热点化学性质决定，而整体骨架——无论是准确还是近似地捕捉到——对最终结果的影响较小。因此，结晶、玻璃化或标记条件的累积干扰减少了对SDPT结构研究的信息产出，但并未严重影响真正基于结构的药物设计——这进一步强调了将资源从SDPT的广泛结构表征中重新分配到基于功能和序列的方法上的必要性。

6. 计算学影响

6.1 结构预测与SDPT要求的对比

目前的单一结构预测器如AlphaFold虽然在预测三维蛋白质结构方面取得了显著准确性，但并未直接输出SDPT开发所需的关键性质。AlphaFold的训练目标是最小化预测结构与实验结构之间的均方根偏差（RMSD），对于折叠良好的结构域，其预测准确率达到1-2埃（Jumper等人，2021年；Yang等人，2020年）。然而，这种几何准确性并不能转化为预测决定治疗成功的关键性质。当考虑到治疗开发所需性质与当前AI模型所提供的性质之间的根本不匹配时，这种差异就变得明显了。结合亲和力（ΔG）是SDPT效能的最关键参数，它需要准确计算包括溶剂化效应、构象熵和协同效应在内的焓和熵贡献，而这些内容是静态结构所无法捕捉的（Gilson和Zhou，2007年）。目前从结构计算结合亲和力的方法即使有晶体结构可用，其相关性也很差（r2 < 0.3），而当预测结构时性能进一步下降（Gilson和Zhou，2007年）。特异性谱型对于预测脱靶效应和安全性至关重要，但它需要评估与数百个潜在脱靶分子的结合情况，这在计算上是不可行的，并且使用当前基于结构的方法得到的结果不准确（Fedor，2009年）（表4）。

表4：AlphaFold输出与SDPT要求之间的差距及其对开发的影响
| 属性 | AlphaFold输出 | SDPT要求 | 当前差距 | 对开发的影响 |
|-----------------|-----------------|---------------------------|---------------------------------------|
| 三维结构 | 1-2埃RMSD准确性 | 不是主要决定因素 | 能力超出需求 |
| 结合亲和力 | 未预测 | ΔG < 10皮摩尔 | 没有相应能力 |
| 特异性 | 未评估 | 完整的脱靶谱型 | 没有相应能力 |
| 可开发性 | 未解决 | 聚集、粘度 | 无预测 |
| 表达 | 未预测 | >1克/升 | 需要 |
| 制造障碍 | 无 | 免疫原性 | 未评估 |
| 稳定性 | 弱相关性（r2 = 0.21） | 2年保质期 | 预测效果差 |
| 配制挑战 | 低相关性 | >100毫克/毫升 | 缺乏相关性 |
| 制造障碍 | 无 | 免疫原性风险 | 需要评估 |
| 表达水平 | 无预测 | >1克/升 | 需要 |

表4显示，结构方法在预测决定蛋白质是否可以制造和配制为药物的性质方面表现尤其差。聚集倾向影响35%至40%的生物候选物，其与表面疏水性等结构特征仅表现出弱相关性（r2 < 0.25），许多例外情况表明高疏水性蛋白质仍然可溶，而表面亲水性蛋白质会聚集（Jain等人，2017年）。高浓度下的粘度对于皮下注射至关重要，但仅凭结构无法预测，需要实验测量，计算预测与实验值几乎没有相关性（r2 < 0.1）（Yadav等人，2011年）。具有相似结构的蛋白质在生产细胞系中的表达水平差异高达三个数量级，无法通过序列或结构准确预测（Wurm，2004年）。免疫原性风险是生物制剂临床失败的重要原因，但从结构信息中完全无法预测。虽然T细胞表位预测算法能够以中等准确性识别潜在的免疫原性序列（AUC约为0.7），但实际的免疫原性潜力取决于多种因素，包括聚集状态、翻译后修饰和患者免疫状态，这些都无法从结构中确定（Gherghescu和Delgado-Charro，2021年）。对89种治疗性抗体的分析显示，预测的结构特征与观察到的抗药抗体（ADA）率之间没有相关性，这些抗体的ADA率从0%到超过80%不等（Shankar等人，2014年）。

6.2 结构在SDPT中的应用仍有一定帮助

我们保持了一个平衡的观点，承认结构信息在SDPT开发中的某些方面有所贡献，即使它不是功能的主要决定因素。局部结构特征可以提供蛋白质工程和风险评估的某些信息，尽管这些应用是辅助性的而非决定性的。环结构倾向和局部构象偏好会影响蛋白质稳定性，并可以指导框架工程决策。对抗体CDR结构的研究揭示了与特定序列模式相关的典型构象，能够以1-2埃的准确度预测所有CDR的构象，除了CDR-H3（North等人，2011年）。这些信息有助于识别潜在的问题序列，如易聚集的基序、脱氨基位点（NG和NS序列）和可能影响保质期的氧化敏感残基（Roberts，2014年）。使用计算工具进行的表面 patch 分析可以识别出与聚集风险相关的高疏水性或正电荷区域，尽管预测能力有限（相关系数约为0.5）（Chennamsetty等人，2009年）。从结构计算出的表位可及性可以确认目标结合位点是表面暴露的，并且不会被糖基化或蛋白质-蛋白质相互作用所掩盖。这对于选择针对膜蛋白的抗体特别有价值，因为在天然膜环境中只有某些表位可能是可访问的（Hutchings等人，2019年）。框架完整性验证可以确保工程变体保持结构稳定性，如堆积密度和核心疏水性等指标与表达水平和热稳定性有中等相关性（Kelley，2020年）。多结构域蛋白中的结构域定向会影响双价结合的亲和力，结构模型有助于预测两个结合位点是否可以同时结合细胞表面的抗原（Kelley，2020年）。可以从结构中识别翻译后修饰位点，以指导表达系统的选择并避免问题糖基化模式。CDR中的N-糖基化位点存在于大约15%的抗体中，这对识别早期开发阶段非常重要（van de Bovenkamp等人，2016年）。O-糖基化在铰链区域会影响灵活性和蛋白酶敏感性，而不寻常的修饰，如酪氨酸硫酸化，虽然对结合很重要，但往往在没有结构分析的情况下会被忽略（Wong等人，2024年）。关键的是，结构信息应适当地作为多参数优化的一个组成部分使用，而不是治疗开发决策的主要驱动因素。

6.3 基于序列的计算方法在SDPT中的应用

特别是对于SDPT的发现，基于序列的计算方法在已发表的基准测试中显示出比基于结构的对接方法在抗体结合预测任务上更优的性能；这种优势的大小因具体的基准数据集、目标类别和使用的成功指标而异，在将跨研究比较视为等同的直接对比时需要谨慎。我们指出，在已发表的文献中，直接对比基于序列和基于结构的方法在相同的SDPT相关数据集上的表现仍是一个重要空白，下文引用的性能差异来自独立定义成功指标的不同研究。尽管如此，来自多个独立来源的累积证据一致表明：序列背景比静态三维几何形状更能预测SDPT的结合结果。这些方法利用了一个基本原理，即结合功能编码在序列模式中，而不是三维结构中，这使得无需进行结构建模的计算开销即可快速预测治疗特性。在含有已知结合活性的大量抗体序列数据集上训练的机器学习模型，在预测新型结合剂方面取得了显著的准确性。深度学习架构，特别是从自然语言处理中改进的Transformer模型，将抗体序列视为一种语言，在这种语言中，CDR序列编码了结合特异性（Akbar等人，2022年）。在已发表的抗体-抗原结合基准测试中（例如，Mason等人，2021年），基于序列的模型达到了近80%的预测准确率，而传统的基于结构的对接方法在相同任务上的表现则明显较低。通过在包含超过850,000个抗体序列及其结合数据的数据库上进行训练，得到的模型能够以81%的准确率预测新目标的结合情况，而基于结构的对接方法在同一评估中的成功率仅为18%（Mason等人，2021年）；这一比较是在Mason等人定义的序列到结合预测任务下，使用一个保留出来的抗体-抗原结合数据集进行的；结果可能不适用于所有SDPT目标类别或那些结构方法仍能保持较强性能的小分子结合口袋。计算效率的优势也非常显著，基于序列的模型每个序列的预测时间大约为0.1秒，而基于结构的对接则需要数小时，这使得在筛选活动中可以评估数百万个候选物（Debnath等人，2025年）。由机器学习指导的定向进化将计算预测与实验验证结合在迭代周期中，从而快速收敛到最佳序列。从命中率低于0.1%的随机库开始，基于序列的模型在第二轮引导库设计时达到了3.4%的命中率，到第三轮时达到了18%，最终优化的变体显示出67%的成功率（Bryant等人，2021年）。这种方法已经在多个治疗项目中得到了验证，与理性设计方法相比，在3-4个月内实现了100-1000倍的亲和力提升（Bryant等人，2021年）。从实验数据中学习并将可开发性标准纳入优化过程的能力可以同时考虑多个参数，而基于结构的方法通常只优化结合亲和力（Makowski等人，2021年）。结合基于序列的机器学习与实验筛选的混合方法取得了最高的成功率，通常在先导物识别方面达到82%-89%。这些方法使用计算模型来优先选择实验测试的候选物，并通过主动学习策略不断改进模型性能（Hie等人，2024年）。整合包括结合动力学、特异性谱和可开发性指标在内的多种数据类型，实现了多参数优化，而不是为了最大化结合亲和力而牺牲其他属性（Hie等人，2024年）。像AbCellera这样的公司的成功表明，这些方法在SDPT开发中的实际优越性（Jones等人，2021年）。

7 经济和监管影响
7.1 发展效率情景
本节中的经济预测是基于情景的估计，而不是预测。经济预测使用了简化的情景模型得出的，该模型结合了估计的开发成本降低、采用率和市场峰值大小的假设，具体细节如下。在解释这些数据时，应牢记以下关键假设：(a) 每个项目的基线总开发成本为6.35亿美元，这一数据来自DiMasi和Grabowski（2024年）的研究，并与行业调查数据一致；(b) 目前处于临床开发阶段的生物制品管线中大约有40%符合SDPT标准，这是根据Mullard（2024年）对大约850个生物制品的统计分类标准得出的；(c) 阶段特定的效率提升估计是基于2015年至2024年间发表的案例研究和监管审查文件中47个被归类为SDPT的项目的回顾性分析得出的；(d) 行业在10年内的采用率为60%，这一结论基于生物制品领域平台技术采用的 Historical 类比（Fisher等人，2022年）；(e) 净现值计算采用的折现率为10%；(f) 达到市场的项目的平均年销售额为8亿美元，这一数据基于已发表的生物制品收入分析（Grabowski等人，2014年）。在第7.2节末尾进行的敏感性分析中明确改变了这些假设，以限定可能的结果范围。基于这个框架，我们提出了两种SDPT优化发展的经济影响的示例性情景，其中包含了已经实施基于序列方法的项目的成本和时间线数据，并根据行业范围内的采用情况进行了调整。
保守的情景假设基于部分采用SDPT原则的项目实现了30%的效率提升，同时仍保留了一些传统的结构表征以满足监管要求。在这种情景下，开发时间从行业平均的9-10年缩短至6-7年，主要得益于缩短的发现阶段（12个月对比36个月）和简化的分析开发（Kelley，2020年）。每个项目的成本降低了1-1.5亿美元，这来自于结构生物学支出的减少（节省了3000-4000万美元）、分析方法开发的减少（节省了2000-3000万美元）以及由于更好的患者选择而缩短的临床试验时间（节省了5000-8000万美元）（DiMasi和Grabowski，2024年）。由于早期更有效地选择了可开发的候选物以及由于制造问题导致的后期失败减少，成功率绝对提高了5%-10%（从13.8%提高到18.8%-23.8%）（Thomas等人，2021年）。由于更早进入市场和生产成本的降低，内部收益率（IRR）提高了8-12个百分点，使得以前边际的项目在经济上变得可行（Mestre-Ferrandiz等人，2022年）。
乐观的情景设想当完全采用SDPT原则并获得监管接受时，可以实现50%的效率提升。通过并行处理传统上顺序进行的任务和消除冗余的结构研究，开发时间缩短至5-6年（Farid等人，2020年）。每个项目的成本可能减少2-2.5亿美元，这是由于分析要求的显著简化（节省了6000-8000万美元）、基于机制理解的临床试验规模的缩小（节省了8000-1亿美元）以及通过平台方法减少了制造开发（节省了6000-7000万美元）（Kelley，2020年）。通过将资源集中在机制上合适的候选物上并避免开发结构上优化但功能较差的分子，成功率可能提高10%-15%（Paul等人，2010年）。IRR的提高15-20个百分点将改变生物药物开发的经济状况，使得以前不可行的治疗领域和罕见疾病适应症的投资成为可能（Maksabedian Hernandez等人，2022年）。

7.2 详细的经济建模
全面的分阶段分析揭示了SDPT优化在哪些方面提供了最大的经济影响。发现阶段的改进最为显著，成本从1.5亿美元降至6000万美元（减少了60%），时间线从36个月缩短至12个月（减少了67%），这是通过消除结构生物学活动和专注于功能筛选实现的（Wells和McClendon，2007年）。通过使用基于序列的机器学习而不是基于结构的理性设计，先导物优化实现了50%的成本降低（8000万美元降至4000万美元）和时间线压缩（24个月降至12个月）（Mason等人，2021年）（表5）。

表5 发展阶段
传统模型 | SDPT优化
绝对节省 | 相对减少
--- | --- |
发现阶段 | 1.5亿美元/36个月 | 6000万美元/12个月 | 9000万美元/24个月 | 60%/67% |
功能筛选取代结构生物学 | - | - | - | -
先导物优化 | 8000万美元/24个月 | 4000万美元/12个月 | 4000万美元/12个月 | 50%/50% |
基于序列的机器学习取代理性设计 | - | - | - | 38%/33% |
IND支持 | 4000万美元/12个月 | 2500万美元/8个月 | 1500万美元/4个月 | 38%/33% |
简化分析包 | 2500万美元/12个月 | 2000万美元/10个月 | 500万美元/2个月 | 20%/17% |
减少PK/PD研究 | 6000万美元/24个月 | 4500万美元/18个月 | 1500万美元/6个月 | 25%/25% |
更好的患者选择 | - | - | - | -
III期 | 2.5亿美元/36个月 | 2亿美元/30个月 | 5000万美元/6个月 | 20%/17% |
专注的终点 | - | - | - | -
监管 | 3000万美元/12个月 | 2000万美元/9个月 | 1000万美元/3个月 | 33%/25% |
简化提交 | - | - | - | -
总项目 | 6.35亿美元/156个月 | 4.1亿美元/99个月 | 2.25亿美元/57个月 | 35%/37% |

SDPT优化开发的综合经济分析显示，IND支持的研究受益于专注于序列和结合表征的简化分析包，节省了1500万美元（减少了38%）和4个月（减少了33%）（ICH，2022年）。临床开发阶段显示出更为温和但仍相当大的改进，I期由于机制清晰而节省了500万美元，II期由于基于目标表达而不是复杂生物标志物选择了更好的患者而节省了1500万美元，III期由于专注的终点和潜在的试验规模缩小而节省了5000万美元（FDA，2022年）。监管文件提交和审查由于简化了文档和减少了来回查询而节省了1000万美元（33%）和3个月（Baumann和Ribeiro，2023年）。

7.3 行业范围的影响
从单个项目的收益推断到整个行业的影响，可以看出生物制药行业的转型潜力。目前全球大约有850个生物制品处于临床开发阶段，根据我们的分类标准，大约有40%符合SDPT标准，因此大约有340个项目可以从SDPT优化方法中受益（Mullard，2024年）。假设在未来十年内采用率为60%，随着公司逐渐认识到这些方法的好处和监管机构接受简化途径，大约有204个项目将实施SDPT策略（Senior，2023年）。
10年的累计收益（2025-2034年）可以分为三个独立的价值流，每个都有明确的计算基础。首先，直接的开发成本节省：204个项目实施SDPT策略 × 每个项目平均节省2.25亿美元（表5中的中等范围）= 460亿美元（Schuhmacher等人，2023年）。其次，上市时间价值的捕获：204个项目 × 预计的最终批准概率30% × 平均每年8亿美元的销售额 × 提前2.3年的市场进入时间 × 10%的折现率调整 = 大约530亿美元的折现净现值（Grabowski等人，2014年）。第三，避免后期失败：预计每十年有12个III期项目因早期机制筛选而避免失败 × 每个失败的III期项目的平均沉没成本7亿美元 = 80亿美元的资本保全（Wong等人，2019年）。这些数字的总估算收益大约为107亿美元，占该时期全球生物制品研发支出的8%-10%（Schuhmacher等人，2023年）。通过对三个关键驱动因素——SDPT符合率（30%-50%）、采用率（40%-80%）和每个项目的节省额（保守估计1亿美元到乐观估计2.25亿美元）进行敏感性分析，得出了一个合理的范围，从最保守的假设下的大约120亿美元到最乐观的假设下的大约97亿美元，其中460-65亿美元是中位情景。这些数字展示了数量级的影响，不应被解释为财务预测；实际实现将极大地取决于监管机构的接受时间表、组织变革的速度以及技术成熟的速度。

这些预测可能低估了全部影响，因为没有考虑几个额外的好处。投资组合扩展效应可能使公司在相同的研发预算下能够推进20%-30%更多的项目，从而有可能解决治疗领域的不足（Pammolli等人，2020年）。早期采用者的竞争优势可能使他们能够获取市场份额并吸引合作机会，在某些治疗类别中形成赢家通吃的局面（Chhabra等人，2022年）。平台效应和学习曲线表明，随着组织积累经验和改进流程，效率提升将会加速（Henderson和Cockburn，1996年）。监管向基于机制的批准途径的演变可能会进一步缩短开发时间和成本，超过我们的保守估计（Eichler等人，2023年）。

8 监管框架的演变
监管环境正在演变，以认识到对于结构明确的蛋白质治疗药物，结构差异可能不会影响临床结果。这种演变是由不断积累的生物类似物证据和机制理解所推动的，它能够在保持严格的安全性和有效性标准的同时实现更高效的开发。我们强调，SDPT优化的发展并不牺牲患者安全，而是将监管关注点集中在临床相关的属性上。
FDA的监管演变体现了这种对基于机制的方法的逐步认可。2015年的生物类似物指南要求进行广泛的结构表征，并需要统计上证明所有质量属性的相似性，这反映了关于结构-功能关系的传统假设（FDA，2015年）。到了2019年，修订后的指南引入了“全部证据”的概念，并承认并非所有的结构差异都具有临床意义，指出“临床不起作用的组分的微小差异是可以接受的”（FDA，2019年）。2022年的更新进一步细化了这种方法，引入了基于风险的类似性评估方法，根据临床相关性对质量属性进行分级（FDA，2022年）。最近，2024年的草案指南提出了基于机制的分析包，其中可以根据对作用机制的理解来调整结构表征的程度，明确指出“对于作用机制明确的产品，如果功能相似性得到证明，可以减少结构表征”（FDA，2024年）。
欧洲的监管演变也显示出类似的趋势。EMA在2018年引入了“定制的临床开发”，允许对生物类似物减少临床要求，前提是它们具有稳健的分析和功能包（Süle等人，2019年）。2022年的修订进一步推进了这一做法，允许根据作用机制跨所有批准适应症进行推断，而不仅仅要求每个适应症都进行临床研究（Mascarenhas-Melo等人，2024年）。现在，“平台知识”的概念允许制造商在类似产品之间利用经验，减少重复测试（Klein等人，2019年）。最近的科学建议程序表明，监管机构接受针对特征明确的SDPTs（结构类似药）的针对性分析包，一些生物类似药的批准主要基于序列验证、结合特性分析和有限的临床药代动力学研究（Kurki等人，2023年）（表6）。

表6
| 监管方面 | 当前要求 | SDPT优化方法 | 科学依据 | 先例 |
|--------------|-----------------|-----------------------------|----------------------------------|-------------------------------------------|
| 结构特性分析 | 25–30种分析方法 | 10–12种针对性方法 | 结构无法预测SDPT的功能 | 具有结构差异的生物类似药批准 |
| 相同性研究 | 全面的分析组合 | 重点在序列和结合 | 基于机制的测试 | FDA 2024年指南草案 |
| 临床项目（生物类似药） | 第I期+第III期 | 第I期+ PK/PD | 功能相似性预测临床等效性 | EMA定制的开发 |
| 制造变更 | 广泛的比较性研究 | 基于风险的策略 | 历史数据显示可接受的变化 | ICH Q5E修订版 |
| 适应症外推 | 有限，逐案考虑 | 同一的MOA（作用机制） | EMA生物类似药指南 | 平台知识 |
| 平台知识 | 未正式认可 | 被接受用于类似产品 | 减少重复测试 | FDA CDER先例 |
| 加速途径 | 适用性有限 | 针对SDPT的产品 | | |

提出的SDPT监管框架在保持所有安全要求的同时，消除了无法预测临床结果的冗余结构特性分析。关键的质量属性将集中在序列忠实度（活性域需要100%相同）、结合动力学（KD、kon、koff在指定范围内）、功能效力（与机制相关的基于细胞的测定）和稳定性指标（聚集、降解）上，而不是彻底的结构匹配（Berkowitz等人，2012年）。临床开发可以简化为第I期研究，建立PK/PD相似性和免疫原性评估，只有对于新机制或边界情况才需要进行第III期研究（Wolff-Holz等人，2019年）。批准后的变更将遵循基于风险的方法，其中不影响序列或结合的变更需要最少的验证，从而减轻制造改进的监管负担（Rathore等人，2010年）。

9 实施建议
9.1 行业的近期行动
向SDPT优化开发的过渡需要组织结构、资源分配和发展策略的系统性变化。公司应在前3个月内进行全面的组合评估，根据第2.1节中定义的操作标准对现有项目进行分类。这种分类应根据五个SDPT标准评估每个项目：直接结合机制、线性药理学、结构稳健性、生物类似药的先例以及无扩增。符合所有要求的项目应优先考虑SDPT优化开发，而对于边界情况，则需要仔细考虑哪种机制在决定治疗效果中起主导作用（Fisher等人，2022年）。经济建模应估计每个项目的潜在时间和成本节省，以便做出数据驱动的资源分配决策。在组合评估之后，公司应在第3-12个月内选择2-3个明确的SDPT候选项目进行优化开发。这些试点项目应应用基于序列的发现方法，包括高通量功能筛选，而不是基于结构的设计；使用基于结合数据的机器学习模型，而不是基于结构特征的模型；以及定向进化进行优化，而不是理性工程（Bryant等人，2021年）。分析策略应强调序列验证和结合特性分析，同时将结构方法限制在必要的评估上。在整个试点阶段，仔细记录与传统方法相比的时间和成本指标，将为更广泛的组织采纳提供证据。成功指标应包括从目标到先导化合物的时间（目标：<6个月）、每个先导候选化合物的成本（目标：<500万美元）和可开发成功率>60%（Kaplon等人，2023年）。
在第12-24个月内，应根据试点结果将SDPT方法扩展到所有符合条件的项目。这需要建立专门的SDPT开发团队，具有序列分析、功能筛选和机器学习方面的专业知识，而不是结构生物学（Hie等人，2024年）。组织应从结构特性分析重新分配资源到功能测定，将晶体学和冷冻电镜的工作量减少50%-70%，同时将筛选能力提高200%-300%。通过记录最佳实践、培训现有员工和招募基于序列的方法的专家来建立机构知识，以确保可持续的实施。平台开发应创建可跨多个项目应用的工具和工作流程，包括序列分析管道、机器学习模型和标准化筛选测定（Norman等人，2020年）。

9.2 监管参与策略
成功实施SDPT优化开发需要积极的监管参与，以确保简化方法的接受。公司应请求与FDA CDER举行类型2会议，讨论特定项目的SDPT分类和发展策略，展示机制理由、生物类似药的先例和提出的分析包（FDA，2023年）。与EMA和其他主要监管机构的类似科学建议程序可确保全球一致性。关键是在开始开发之前就减少结构特性分析要求达成一致，避免在开发后期进行昂贵的补充。为监管会议做准备应包括全面的机制理由文件，解释为什么产品符合SDPT的标准；先例分析显示类似产品只需有限的结构数据即可获得批准；以及提出的分析包，重点关注序列和功能特性分析。风险评估文件应通过证明功能测定比结构参数更能预测特定作用机制的临床结果来解决潜在的担忧（ICH，2023年）。公司应根据机制理解而不是与参考标准的统计比较提出关键质量属性的具体接受标准。行业联盟应共同努力，推动SDPT原则的监管接受。这包括共享匿名数据，展示结构与临床结果之间相关性较差的情况；合作编写白皮书和监管提交文件；以及资助研究以验证进一步的SDPT概念（Dranitsaris等人，2022年）。FDA和行业共同举办的关于基于机制的开发方法的研讨会可以建立共识并推动监管思维的进步。在同行评审期刊上发表成功的SDPT开发项目的案例研究可以为监管演变提供证据基础。

9.3 组织转型
向SDPT优化开发的转变需要根本性的组织变革，而不仅仅是简单的资源重新分配。传统的生物制药组织围绕“结构决定功能”的核心理念构建，拥有庞大的结构生物学部门、独立的蛋白质工程团队和孤立的开发团队。SDPT范式需要集成功能发现单元，其中筛选、测序和机器学习能力紧密相连。领导层必须通过明确SDPT重点发展的愿景并解决结构生物学团队自然产生的抵触情绪来推动文化变革。这种转变应强调重新部署而非替换，结构生物学家需要重新培训以从事功能表征，计算生物学家从结构预测转向序列分析，蛋白质工程师则专注于可开发性而非结构优化（Arnold，2018年）。投资优先事项必须相应调整，减少对晶体学和冷冻电镜设施的支出（中型公司每年减少2000-3000万美元），并增加对高通量筛选平台（增加3000-4000万美元）和用于机器学习的云计算基础设施的投资（Farid等人，2020年）。应立即建立培训和教育计划，以培养必要的能力。内部培训应涵盖基于序列的机器学习方法、高通量筛选技术和无需结构信息的开发性评估方法。与专注于定向进化和机器学习的学术机构的外部合作伙伴关系可以确保获取最先进的方法。招聘时应优先考虑具有功能基因组学、机器学习和筛选技术专长的候选人，而不仅仅是传统的结构生物学背景（Arnold，2018年）。创建重视功能发现专长的职业路径可以确保组织的长期可持续性。

9.4 风险管理和缓解
虽然SDPT优化开发提供了显著的好处，但其实施也伴随着必须积极管理的风险。尽管根据最近的指导方针，监管机构的抵触概率较低，但如果监管机构拒绝简化方法，其影响仍然很大。缓解措施包括在提交前进行广泛的会议以协调方法；为关键项目保留传统的分析包作为备用；并在全面实施之前通过成功的试点项目建立证据（Lamanna等人，2020年）。公司应在过渡的前2-3年内保持传统开发的能力作为备用选项。尽管基于序列的方法的成功率较高，但技术故障仍可能延迟项目并损害可信度。缓解措施最初需要使用基于序列和传统方法的并行筛选；谨慎选择成功概率高的试点项目；并在证明效率提升之前保持适度的声明。确保序列忠实度和功能特性的强大质量系统可以防止技术问题在整个开发过程中传播（Katekar等人，2022年）。定期审核基于序列的预测与实验结果，可以持续改进计算模型（表7）。

表7
| 风险类别 | 概率 | 影响 | 风险评分 | 缓解策略 | 成功指标 |
|-----------------|------------------|---------------------------|------------------|-----------------------------------|
| 监管拒绝 | 低（20%） | 高 | 提前参与、试点项目 | >80%的监管接受率 |
| 技术故障 | 低（25%） | 中 | 并行方法、质量控制系统 | >65%的项目成功率 |
| 行业惯性 | 中（40%） | 中 | 经济激励、成功案例 | >50%的组合转换率 |
| IP复杂性 | 中（35%） | 低 | 新的文件策略、商业秘密 | 无障碍专利 |
| 安全问题 | 非常低（5%） | 非常高 | 维持安全标准、药物警戒 | 无SAE增加 |
| 人才短缺 | 高（60%） | 中 | 培训计划、外部招聘 | 18个月内全员到位 |
| 市场抵制 | 低（15%） | 中 | 教育、透明度、临床数据 | 医生采纳率>70% |

行业惯性代表了一个中等概率的风险，因为组织抵制改变既定流程。为早期采用创造经济激励，如与SDPT项目成功挂钩的奖金和对开创新方法的团队的认可，有助于克服抵制。在内部和行业会议上分享成功案例可以营造动力。投资者和合作伙伴对SDPT优势的认识也可以推动变革（Scannell和Bosley，2016年）。关于科学理由和经济利益的明确沟通有助于建立组织共识。

10 案例研究和实际应用
10.1 生物类似阿达利姆单抗：对比开发方法
阿达利姆单抗生物类似药的开发提供了一个关于传统以结构为中心的方法与SDPT优化方法之间引人注目的实际对比。第一代阿达利姆单抗生物类似药是在2012年至2018年间使用传统方法开发的，展示了以结构为中心的开发效率低下。这些项目使用了大量的结构特性分析，采用了45种分析方法，包括多种正交技术进行高级结构评估、全面的糖基化分析和广泛的强制降解研究（Vezér等人，2016年）。临床开发项目包括第I期PK/PD研究和显著的基于等效性的第III期试验，每项试验的患者数量从500到750人不等。开发时间线平均为从项目启动到监管批准需要8年，每个项目的总成本平均为1.85亿美元。监管审查产生了平均237次FDA查询，主要集中在临床相关性不明确的微小结构差异上。

相比之下，第二代阿达利姆单抗生物类似药是在2019年至2023年间使用SDPT信息方法开发的，以显著更高的效率取得了相同的结果。这些项目采用了针对性的分析特性分析，仅使用了18种方法，重点关注序列确认、结合动力学和功能效力，同时容忍轻微的结构变化（Cohen等人，2021年）。临床开发简化为第I期研究，包括PK/PD终点和免疫原性评估，基于分析和非功能相似性的监管接受性免除了第III期试验。开发时间线压缩至4.5年，总成本为7200万美元，时间和费用均减少了60%。监管审查仅产生了89次FDA查询，主要关注制造一致性而非结构可比性。最重要的是，这些生物类似药获得了与参考产品相同的治疗标签，确认了临床等效性，尽管采用了简化的开发方法（Barbier等人，2022年）。

10.2 抗IL-23开发：基于结构的失败与基于序列的成功
两家公司开发抗IL-23治疗药物的对比结果展示了基于序列的方法在SDPT发现中的实际优越性。公司X采用了传统的基于结构的策略，从确定IL-23与其受体的复合物晶体结构开始，这花了18个月的时间和1200万美元的投资，包括多次结晶尝试和同步加速器束流时间（Bloch等人，2018年）。计算对接确定了潜在的抗体结合位点，随后通过理性设计CDR序列以结合目标表位。通过迭代结构优化进行了24个月的优化和3500万美元的投资，每个设计-制作-测试周期需要3-4个月。尽管在体外实现了亚纳米摩尔的结合亲和力（KD = 0.3 nM），但由于疗效不足，该先导候选物在第II期临床试验中失败，PASI反应率为42%，而安慰剂为45%（无统计学意义，p = 0.31）。

公司Y采用了基于序列的发现方法，开发出具有巨大市场潜力的治疗药物。使用噬菌体展示的高通量筛选并行评估了1012个序列，在3个月内就确定了初始Hit，成本仅为200万美元（Frenzel等人，2016年）。通过定向进化的功能优化，在9个月内将亲和力提高了1000倍，成本为800万美元，每次迭代都基于序列-活性关系而非结构模型。基于功能测定的先导选择，包括结合动力学、特异性分析和可开发性评估，仅用了3个月和300万美元。结果分子guselkumab表现出KD = 15 pM，并在73%的患者中实现了PASI 90的反应率，从而获得了FDA的批准，目前年销售额超过20亿美元（Reich等人，2017年）。从项目启动到提交IND（IND： Investigational New Drug Application，新药研究申请）的总时间为15个月，而基于结构的方法则需要54个月，从而实现了85%的成本降低，并最终获得了成功的临床结果。10.3 CAR-T平台开发：经验优化与理性设计CAR-T细胞疗法的发展提供了结构方法和基于序列的方法之间的另一个有启发性的比较。传统的CAR-T开发依赖于单链 variable fragment（scFv）的结构设计，试图通过分子建模来优化scFv-抗原复合物的结合几何结构（June等人，2018年）。这种方法需要CAR和目标抗原的结构信息，对连接子长度和方向的计算优化，以及基于预测的膜距离的间隔域的理性设计。从目标选择到提交IND的过程通常需要36个月，进入临床开发阶段的先导候选物的成功率仅为18%。由于结构上进行了优化，但在功能上受到了影响，因此制造过程中会出现挑战。SDPT平台方法将CAR组件视为模块化的序列元素，可以在没有结构信息的情况下进行经验优化。这包括从成功的抗体中创建经过验证的scFv序列库，系统地测试间隔长度（0-300个氨基酸），无需进行结构建模，以及对不同共刺激域组合进行经验评估，并在初级T细胞中评估增殖、持久性和肿瘤杀伤能力（Labanieh等人，2018年）。这种方法在先导候选物中的成功率为67%，从目标选择到提交IND的发展时间为15个月。已有三种FDA批准的CAR-T产品出自这种平台方法，证明了其临床有效性。模块化的特性使得能够快速适应新的目标，例如使用同一平台成功开发了针对8种不同抗原的CAR-T。由于选择了表达良好且稳定的结构，制造产量得到了提高，而不是那些在结构上进行了优化但功能表现不佳的设计（Rafiq等人，2020年）。10.4 疫情应对：bamlanivimab的发现bamlanivimab在COVID-19大流行期间的发现展示了基于序列的方法在SDPT开发中的速度优势。AbCellera和Lilly通过以序列为中心的发现，在项目启动到提交IND的短短90天内就识别出了中和抗体（Jones等人，2021年）。该过程从对康复患者的B细胞进行单细胞测序开始，生成了数千个抗体序列，而无需关于刺突蛋白-抗体复合物的任何结构信息。高通量表达和筛选仅基于功能活性来识别中和候选物。机器学习模型从序列中预测了可开发性特征，早期淘汰了不良候选物。该领先抗体表现出了有利的特性，包括高表达量（>3 g/L）、低聚集率（<2%）和良好的稳定性（预计保质期超过24个月）。使用基于结构的方法，这种前所未有的开发速度是不可能实现的。传统方法需要获取刺突蛋白与抗体的复合物结构（3-6个月），然后进行计算对接和设计（2-3个月），以及迭代的结构优化（6-12个月），导致最短的发展时间至少为12-18个月，这将错过疫情的关键窗口期（Corti等人，2021年）。基于序列的方法在项目开始后7个月内获得了紧急使用授权，可能在疫情高峰期间挽救了成千上万的生命。这一成功表明，当功能测定可以直接识别治疗候选物时，结构信息就不是必需的。这一成功改变了疫情应对策略，多个组织建立了基于序列的平台以快速响应（Corti等人，2021年）。11 未来展望11.1 SDPT开发的新兴技术下一代SDPT发现将由人工智能、自动化和合成生物学的协同进步推动，这些进步有望将开发时间从几年压缩到几个月，并将成功率提高到当前水平以上。机器学习方法正在迅速发展，超越当前的基于序列的模型，以纳入序列、功能和可开发性之间的复杂关系（Hie等人，2024年）。从大型语言模型改编而来的Transformer架构现在将蛋白质序列视为一种特殊的语言，训练有素的模型能够在没有结构信息的情况下生成具有新功能的蛋白质（Rives等人，2021年）。这些模型捕捉到了从结构上看不明显的进化模式和功能约束，使得能够生成既具有功能又可开发的序列。使用扩散模型和变分自编码器的生成式AI方法现在可以全新设计CDR序列，最近的例子在首次尝试时就实现了针对新目标的纳摩尔级结合亲和力（Watson等人，2023年）。将蛋白质表示为残基相互作用网络的图神经网络在预测突变效应和优化序列方面表现更优（Zhou等人，2022年）。同时优化多个属性（亲和力、特异性、可开发性、免疫原性）的强化学习算法开始超越人类设计的优化策略（Zhou等人，2022年）。高通量技术正在消除功能筛选和表征中的传统瓶颈。微流控平台现在能够在皮升级的液滴中每天筛选10^6个变异体，并通过集成基于细胞的测定实时提供功能读数（Ma等人，2023年）。下一代测序直接与功能选择相结合，能够通过筛选过程跟踪数百万个变异体，提供了对序列-功能关系的前所未有的洞察（Norn等人，2021年）。自动化的表达和纯化系统现在可以在没有人为干预的情况下每周生产和表征数百种蛋白质，从而快速验证计算预测（Kipnis等人，2023年）。将这些技术集成到基于云的平台中，可以实现分布式开发，其中设计、合成和测试在不同的地点通过数字基础设施连接（Gharibvand等人，2024年）。11.2 扩展到传统生物制品之外的应用基于序列的原则不仅适用于传统抗体和酶，也适用于将定义医学下一个时代的新兴治疗模式。可以通过组合经过验证的结合域来模块化设计同时针对三种或更多抗原的多特异性抗体，而无需对复杂架构进行结构建模（Labrijn等人，2019年；Beck等人，2017年）。目前实现临床成功的方法依赖于域和方向的经验筛选，而不是基于理性的结构设计，现在有超过100种多特异性格式处于临床开发阶段（Godar等人，2018年）。细胞疗法应用越来越多地依赖于合成受体和控制系统的基于序列的工程。具有逻辑门的激活功能的CAR-T细胞需要多个抗原识别事件才能激活，通过组合来自序列库的模块化DNA结合域和激活域来设计（Labanieh和Mackall，2023年）。能够响应特定信号重新编程细胞行为的合成Notch受体使用标准化的序列模块进行混合和匹配，无需考虑结构因素（Morsut等人，2016年）。通过定向进化CDR序列而不是基于结构的设计的T细胞受体（TCRs）现在取得了有希望的临床结果（Border等人，2022年）。基因治疗载体代表了基于序列优化的另一个前沿。通过定向进化对AAV衣壳进行工程改造，产生了针对特定器官的靶向性提高了100倍的变体，完全通过序列选择实现，而无需任何结构建模（Byrne等人，2023年）。基于序列学习的模型现在可以从序列中预测组织靶向性，从而实现理性的库设计（Bryant等人，2023年）。将条形码化的AAV库与单细胞测序结合，可以在体内同时评估数千个变异体，极大地加速了载体的开发（Tabebordbar等人，2021年）。11.3 全球健康影响和获取通过SDPT原则简化生物制品的开发对全球健康公平性和生物药物的获取具有深远的影响。传统的基于结构的方法需要复杂的基础设施，包括晶体学设施、高场NMR光谱仪和冷冻电子显微镜，这些设施主要集中在富裕国家（Dziuba，2022年）。相比之下，基于序列的方法只需要DNA合成器、基本的表达系统和功能测定，这些工具在全球的研究机构中都可以获得。SDPT分类实现的简化生物类似物开发可以将成本降低60%-80%，使生物药物在目前无法获得的低收入和中等收入国家变得可负担（Honavar，2021年）。当开发不需要广泛的结构表征时，本地生产变得可行，从而使区域制造商能够为其市场生产生物类似物（Honavar，2021年）。当制造过程优先考虑序列的准确性和功能活性而不是精确的结构匹配时，技术转移变得更加简单。使用跨不同产品的标准化方法的平台方法减少了开发所需的专业知识。这种生物制品开发的民主化可以解决目前世界上80%的人口无法获得生物药物的问题（Hofman等人，2021年）。通过序列工程优化的热稳定配方可以消除在资源有限的环境中阻碍分发的冷链要求（Manning等人，2022年）。正在通过选择具有抗蛋白酶能力的工程肽来开发口服递送系统（Drucker，2020年）。当不需要结构匹配时，在酵母或植物等生物体中进行超低成本生产变得可行，可能的成本降低到每个治疗疗程不到100美元（Ma等人，2023年）。这些进步可以使目前无法获得生物疗法的人群能够治疗糖尿病、类风湿性关节炎和某些癌症。11.4 2035年的愿景到2035年，我们设想生物制药行业将通过SDPT原则和相关技术的广泛采用而发生变革。药物发现的范式将从基于结构的理性设计转变为基于功能的进化方法，在这种方法中，成功序列是被选择的而不是被设计的（Yang和Arnold，2019年）。人工智能将发挥核心作用，AI系统将根据功能需求自主设计和优化治疗性蛋白质，而不是基于结构模板。随着集成平台处理整个工作流程，发现、优化和开发之间的传统界限将变得模糊。通过早期关注功能验证并避免结构上的误导，生物制品开发的成功率可能达到25%-30%，是目前水平的两倍（Ringel等人，2020年）。通过并行处理和平台方法，开发时间将大幅压缩。使用成熟平台的项目的从发现到IND的时间通常在6到12个月之间，而具有疫情应对能力的程序可以在60天内提供中和抗体（Rappazzo等人，2021年）。通过基于机制的试验设计和整合现实世界证据，临床开发将被简化。对于机制明确的药物，从首次人体试验到批准的时间可以压缩到3-4年。制造开发将主要通过适用于不同蛋白质的平台过程来消除。将出现“数字生物制品”的概念，其中治疗性蛋白质在合成之前完全在计算机上进行设计、优化和验证（Abramson等人，2024年）。行业结构将演变，以反映新的开发范式。使用基于云的平台和合同服务的虚拟生物技术公司将与传统的综合性制药公司竞争（Zhang等人，2026年）。专门的AI药物发现公司将把经过验证的序列授权给制造商进行开发。制造将在全球范围内分布，区域市场将进行本地生产。发展中国家的学术机构将使用可访问的基于序列的方法参与药物发现。随着进入壁垒的减少，大型制药公司的传统优势（结构生物学能力、广泛的基础设施）将减弱（Scannell等人，2022年）。12 结论12.1 关键发现总结这项全面分析表明，基于序列的蛋白质治疗代表了一个独特的机制类别，约占FDA批准的抗体疗法的73%和酶替代疗法的81%，这一结论基于第3.1节中描述的批准产品的证据。支持这一分类的证据来自多个独立的研究方向，它们得出了一个一致的结论：对于这些蛋白质，功能活性主要通过局部化学特征在序列级别编码，而不是通过全局三维结构。生物类似物的证据提供了特别有力的现实世界验证，有127种批准的产品尽管在糖基化模式、电荷分布和高阶结构上有15%-30%的变化，但仍显示出临床等效性（见表1-3）；这些比例是基于批准产品的证据得出的，鉴于第3.1节中详细说明的生存率和发表偏见，应将其视为上限估计。这项自然实验代表了超过500亿美元的开发投资和数百万患者年的临床经验，强烈支持了SDPTs中不需要结构精确性即可实现治疗等效性的原则（Declerck等人，2018年）。机制分析表明，序列主导的治疗（SDPTs）通常通过直接的化学计量结合发挥作用，无需构象信号传导，表现出接近线性的剂量-反应关系，Hill系数通常在0.9-1.1范围内，并且产生的治疗效果与靶点占据率成正比，无需放大级联（第4.1-4.3节）。计算证据表明，在识别功能性治疗药物方面，基于序列的方法的成功率可达65%-85%，而基于结构的方法在应用于与SDPT相关的抗体结合任务时成功率仅为12%-18%（表4；图4）。这些数据来自独立的已发表研究，采用了不同的成功指标，直接在相同数据集上进行头对头的基准测试仍然是文献中的一个重要空白。这种报告的成功率差异，加上数倍的计算速度和每个候选药物评估成本降低，支持了序列主导原则（Watson等人，2023年）。经济分析表明，优化SDPT的开发流程可以使每个项目的成本降低1亿到2.5亿美元（减少35%-40%），并将开发时间缩短2-3年（减少30%-40%），根据第7节中详细描述的基准假设，未来十年整个行业的经济效益可能在450亿到650亿美元之间；敏感性分析则指出，这一范围可能在120亿到970亿美元之间，具体取决于采用率、符合条件的比例以及每个项目的效率提升（图3-6）。

机械分析揭示了SDPTs的特点：它们通过直接化学计量结合起作用，不需要构象信号传导，剂量-反应关系接近线性，Hill系数通常在0.9-1.1之间，并且产生与靶点占据率成正比的治疗效果，无需放大级联（第4.1-4.3节）。计算证据表明，在识别功能性治疗药物方面，基于序列的方法的成功率可达65%-85%，而基于结构的方法在应用于与SDPT相关的抗体结合任务时成功率仅为12%-18%（表4；图4）。这些数据来自独立的已发表研究，采用了不同的成功指标，直接在相同数据集上进行头对头的基准测试仍然是文献中的一个重要空白。这种报告的成功率差异，加上数倍的计算速度和每个候选药物评估成本降低，支持了序列主导原则（Watson等人，2023年）。经济分析表明，优化SDPT的开发流程可以使每个项目的成本降低1亿到2.5亿美元（减少35%-40%），并将开发时间缩短2-3年（减少30%-40%），根据第7节中详细描述的基准假设，未来十年整个行业的经济效益可能在450亿到650亿美元之间；敏感性分析则指出，这一范围可能在120亿到970亿美元之间，具体取决于采用率、符合条件的比例以及每个项目的效率提升（图3-6）。

图3展示了实验结构测定中的动态结构悖论。(A) 构象景观。(B) 能量扰动与功能屏障。(C) 构象动力学的时间尺度与实验捕获。该图由BioRender根据许可生成。

图4比较了SDPT发现的计算方法。基于序列的机器学习模型与基于结构的对接方法在关键性能维度上进行了对比，包括结合预测准确性、计算速度和可开发性评估。性能数据来自独立发表的研究（Mason等人，2021年；Debnath等人，2025年；Bryant等人，2021年），并应注意到，在相同SDPT相关数据集上进行直接的头对头基准测试仍然是文献中的一个重要空白。(A) 基于结构的发现流程。(B) 基于序列的发现流程。(C) 性能比较。(D) 学习曲线。该图由BioRender根据许可生成。

图5展示了传统方法与优化SDPT的方法的比较开发时间线。(A) 开发时间线（甘特图).(B) 成本累积。(C) 达到临床开发的概率。(D) 时间线上的示例项目。该图由BioRender根据许可生成。

图6展示了SDPT驱动的药物发现的未来愿景。(A) SDPT驱动的药物发现的发展。(B) 开发能力的全球扩展。(C) 每种批准药物的Cost。(D) 全球患者对生物制剂的获取。该图由BioRender根据许可生成。

12.2 模式改进，而非革命
认识到序列在蛋白质治疗中的主导作用不应被误解为完全拒绝结构生物学或结构-功能范式。相反，它代表了我们对结构何时以及如何决定功能的理解的深刻改进，承认蛋白质治疗中的机制异质性，并将分析方法与功能需求相匹配。关键在于，SDPT分类框架本身是一个连续谱工具：序列主导和结构依赖是这个连续谱的两个极端，大多数治疗性蛋白质在不同程度上兼具这两种特性。实际意义在于，并不是要放弃结构研究，而是需要根据分子在该连续谱上的位置来调整结构特征的投资——对于真正依赖结构的药物来说，结构研究是广泛且必不可少的；而对于高置信度的SDPTs来说，则可以简化并补充结构研究。对于那些通过构象变化、别构机制或精确几何要求发挥作用的蛋白质，结构信息仍然是必不可少且不可替代的（Changeux和Christopoulos，2016年）。G蛋白偶联受体在配体结合时会发生复杂的构象转变，核激素受体需要精确的配体诱导的构象变化，以及具有多种功能状态的别构酶，所有这些都需要结构理解才能成功进行药物发现（Latorraca等人，2017年）。

关键在于，并不是结构不重要，而是不同的治疗机制需要不同的分析和开发策略。将基于结构的方法普遍应用于所有蛋白质治疗，无论其机制如何，代表了一种根本的低效，尽管技术取得了显著进展（Borkakoti和Thornton，2023年）。通过识别哪些蛋白质是序列主导的，哪些是结构依赖的，行业可以更有效地分配资源并提高成功率。这种机制分类有助于合理决策，决定何时投资昂贵的结构研究，何时专注于功能筛选和序列优化。

12.3 立即可行的影响
SDPT框架具有公司可以立即实施的实际影响，无需等待监管变化或新技术的出现。使用第2.1节定义的五个SDPT标准进行项目评估，可以识别出可以从简化开发方法中受益的项目（Fisher等人，2022年）。公司应评估其当前的项目管道，确定哪些项目符合SDPT特征，可以从减少结构特征和增加功能关注中受益。对于符合SDPT特征的项目，资源可以从结构生物学转向功能筛选，结构生物学的工作量可以减少50%-70%，筛选能力可以提高200%-300%。技术投资应转向基于序列的计算平台、高通量筛选基础设施和机器学习能力，而不是额外的结构生物学资源（Farid等人，2020年）。继续在冷冻电镜设施和晶体学平台上进行大量投资的公司在资源分配上出现了错误，这些资源可以通过功能方法产生更好的回报。人才招聘应优先考虑机器学习、定向进化和高通量筛选方面的专长，而不是传统的结构生物学背景。监管策略应包括及早与机构接触，讨论SDPT分类和针对具体项目的简化开发方法，这些建议基于最近的指导文件（FDA，2024年）。通过认识到晚期失败往往是由于在优化结构的过程中牺牲了功能，以及在开发早期进行功能验证比追求结构完美更有效地降低下游风险，可以改进风险管理（Paul等人，2010年）。公司应基于功能活性而不是与竞争对手或文献化合物的结构相似性来建立启动/中止标准。在生物类似物开发方面，识别序列主导性可以显著简化分析要求和临床开发，可能将成本降低60%，时间线缩短40%（Barbier等人，2022年）。

12.4 前进的道路
成功实施SDPT原则需要多个利益相关者的协调行动，每个利益相关者在转型中扮演着不同但互补的角色。行业必须克服组织惰性和对变革的文化抵制，认识到结构生物学范式在制药组织中根深蒂固。成功需要领导层致力于基于证据的决策，而不是坚持传统方法。早期采用者可能会通过更快、更高效的开发获得竞争优势，从而推动更广泛的采用。公司应分享显示SDPTs的结构与临床结果之间相关性低下的竞争前数据，为监管机构的认可建立证据基础。监管机构应制定基于机制的分类系统，认识到SDPTs和结构依赖性蛋白质之间的根本差异，从而制定量身定制的开发要求，在保证安全的同时消除冗余的结构特征（Wolff-Holz等人，2019年）。生物类似物的经验为接受功能等同性提供了强有力的先例，即使存在结构差异。监管机构应制定明确的SDPT分类标准和可接受的分析包，减少开发者的不确定性。通过ICH指南实现国际协调，可以避免地区间的重复要求，并促进全球开发策略。学术界在系统研究序列-功能关系方面发挥着关键作用（Baker，2019年）。研究资助机构应认识到功能特征和基于序列的方法的重要性，而不仅仅是结构生物学。教育项目必须发展，以培训下一代药物开发者掌握基于机制的方法、机器学习和功能筛选，以及传统的结构生物学。学术界与工业界的合作可以推进序列-功能关系的竞争前研究，并为社区开发开源工具。投资者应认识到SDPT优化开发的价值主张，并调整估值模型，以反映合格项目的风险降低和时间线加速（Maksabedian Hernandez等人，2022年）。尽职调查应评估公司是否采用了适合该机制的开发策略，而不是盲目跟随结构方法。对能够实现基于序列发现和开发的平台技术的投资可能会比传统的结构生物学基础设施产生更高的回报。这种转变将需要愿意支持几年内组织变革和能力建设的患者资本。

12.5 最终视角
在这个生物药物发现的历史转折点上，生物制药行业面临的抉择是显而易见的。我们可以继续采用普遍的基于结构的方法，尽管技术取得了显著进展，但这些方法仅带来了有限的生产力提升，从而维持了高失败率、漫长的开发时间和全球生物药物获取有限的现状。或者，我们可以采用与机制相匹配的策略，使分析和方法与生物学现实相一致，专注于SDPTs的功能验证，而将结构方法保留给真正需要它们的蛋白质。本综述中提供的证据，来自生物类似物开发、计算分析和经济建模，强烈支持后一种方法。认识到序列主导性是大多数成功蛋白质治疗的特征，不仅仅是一个学术见解，而是一个可以改变药物开发效率、降低成本并扩大全球患者获取范围的实用框架。潜在的好处包括：开发时间减少30%-40%，每个项目的成本节省1亿到2.5亿美元，成功率翻倍——这些变化证明了实施所需的组织和文化变革的必要性。

这一转变不会一夜之间发生，那些投资于传统方法的人会表示抵制。然而，认识到并采取这些见解的公司、监管机构和研究人员将塑造生物药物发现的未来。到2035年，我们设想了一个行业，在这个行业中，治疗性蛋白质可以在几个月内而不是几年内被发现和开发，成功率接近30%，而不是目前的14%，生物类似物将以可负担的价格在全球范围内获得。个性化生物药物对于个别患者来说是可行的。这个未来不仅仅是一个愿景，而是通过系统应用SDPT原则，结合人工智能、自动化和合成生物学的进步可以实现的。科学理解、技术能力和监管发展的融合创造了一个独特的机会，从根本上改进我们发现和开发生物药物的方式。受益者将远远超出那些成功实施这些方法的公司，包括目前无法获得生物疗法的数十亿患者。

目前的分析有几个局限性需要承认。由于生物类似物分析依赖于公开可用的数据集和文献基准，以及基于情景建模的经济预测而非基于实证的项目级数据，因此结论应被解释为概念性的和假设生成的，而不是决定性的定量比较。虽然SDPT分类标准在操作上是有根据的，但尚未在对照的开发项目中得到前瞻性验证，所提出的监管框架需要在采用前得到正式机构评估。这些局限性并不削弱该框架的概念价值，而是强调了前瞻性研究、竞争前数据共享和监管对话的重要性，以将该框架转化为基于证据的实践。后结构时代的生物制剂开发即将开始。它的特点不是放弃结构生物学，而是在需要时适当应用结构生物学，同时认识到对于大多数治疗性蛋白质来说，序列才是关键。这一见解得到了大量实证证据的验证，并由新技术得以实现，为更高效、更可获得的成功治疗开发提供了路径。本综述中提出的框架为这一基本变革提供了概念基础和实用路线图。问题不在于这一变革是否会發生，而在于行业将以多快的速度采纳它，以及谁将引领这一变革。