📚 课程目录第2章激活与抑制关系的基本概念

2. 激活与抑制关系的基本概念

做药物靶点建模，最绕不开的就是「激活」和「抑制」这两个概念。说白了，它们描述的是药物分子怎么跟靶点蛋白打交道——是让靶点干活（激活），还是让靶点歇着（抑制）。我个人习惯先把这两个词的定义掰扯清楚，不然后面写方程、调参数时容易糊涂。

2.1 激活效应：让靶点“动起来”

激活，就是药物分子结合到靶点上，让靶点的活性增强。比如一些 G 蛋白偶联受体（GPCR）的激动剂，它们能模拟天然配体，把受体的开关拨到“ON”位置。

我在项目中遇到过一种情况：某个候选分子在酶活测试里表现出激活作用，但后面做细胞实验却无效。后来排查才发现，那个分子激活的是靶点的非活性构象，而不是功能构象——嗯，这里要注意，并不是所有“结合并增强信号”都算真正的功能激活。

我的判断习惯： 激活效应一定要看下游信号通路的输出变化，不能只看结合亲和力。光测KD不够，还要测功能活性（比如EC50）。

2.2 抑制效应：让靶点“停下来”

抑制正好相反。药物结合后把靶点的活性降下来，甚至完全关掉。最常见的抑制剂类型有竞争性、非竞争性和反竞争性。分辨它们其实不难，关键看抑制剂是跟底物抢同一个结合位点，还是跑到别的地方去搞事。

我曾经犯过一个低级错误：以为某个抑制剂是竞争性的，结果动力学数据画出来的Lineweaver-Burk图交叉点在纵轴上——这才反应过来，它是非竞争性抑制。从那以后，我养成了一个习惯：拿到数据先画双倒数图，肉眼判断个大概，再跑拟合。

注意： 抑制剂的类型会直接影响你建参数化模型的方程式选择。竞争性抑制用 Michaelis-Menten 的修正形式，非竞争性要用另一种形式。选错了，后面虚拟筛选出来的化合物全部白算。

2.3 激活与抑制的建模本质

在数学模型里，激活和抑制其实都可以用“配体-靶点复合物的状态概率”来描述。我把它归纳成三个核心要素：

结合状态： 配体是否占据结合位点（以解离常数Kd表示）。
活性状态： 靶点是否处于功能构象（以efficacy参数表示）。
信号转换： 活性状态到下游效应的映射（线性或Hill型函数）。

你想想看，一个激活剂其实就是让靶点从非活性态向活性态偏移，而抑制剂则是反向作用或者干脆固定住非活性态。

核心公式记忆点：

激活效应：E = Emax × [L] / (EC50 + [L])

抑制效应：E = E0 - (E0 × [I] / (IC50 + [I]))

其中EC50/IC50都代表半效浓度，但意义完全相反。

2.4 一张图理清关系框架

下面这张SVG图我把激活/抑制的基本关系、分类和建模方法糅在一起了。我平时讲课或写方案时经常拿它当框架图看。

2.5 一个极易混淆的例子：部分激动剂 vs 低效价全激动剂

刚入行那阵子，我经常把部分激动剂（Partial Agonist）和低效价的全激动剂（Low efficacy Full Agonist）搞混。这里有个关键的判断点：

特征	部分激动剂	低效价全激动剂
最大效应 (Emax)	低于天然配体	可达到天然配体水平
亲和力	可能高可能低	通常较低
有无拮抗性	高浓度下可拮抗全激动剂	无拮抗作用
常见建模参数	Emax < 1, α < 1	EC50 高但 τ 大

为什么会造成这种混淆？因为两者的剂量-效应曲线形状有时候长得像。我自己的做法是：先做饱和浓度测试，看Emax能不能追平参考激动剂。追不平？那就按部分激动剂处理，再用Schild回归验证。

一个小窍门： 在建模时，如果τ（transduction系数）很小，而Emax又低于参考，那大概率是部分激动剂。不要只看EC50。

2.6 抑制常数与IC50的换算陷阱

很多人以为IC50就是Ki（抑制常数），其实不是。IC50跟底物浓度、酶浓度都有关。Cheng-Prusoff公式就是用来把IC50转成Ki的：

Ki = IC50 / (1 + [S] / Km)

适用于竞争性抑制。
非竞争性抑制的公式更复杂：
Ki = IC50 / (1 + [S] / Km) * (Ki')
要谨慎选择公式。

我踩过的坑：用竞争性抑制的Cheng-Prusoff公式算非竞争性抑制的Ki，结果发了文章后被审稿人直接点名批评。嗯，从那以后我每次跑拟合前都会先确定抑制类型。

2.7 在实际建模中，我要关注哪些参数？

不管你是用ODE模拟动态系统，还是用稳态近似做虚拟筛选，这几个参数必须盯紧：

Kd / Ki： 亲和力的核心指标，越小结合越强。
Emax： 激活剂的最大效应，抑制剂的残余活性（通常是0）。
EC50 / IC50： 半效应浓度，体现效价。注意EC50和IC50往往不等于Kd。
Hill系数 (nH)： 反映协同性。nH > 1 可能存在正协同，nH < 1 可能有负协同。

注意： Hill系数并不是越大越好。正协同会导致效应曲线变陡，有时候会出现“开关式”响应，这对药物安全性可能是个隐患。我在做GPCR偏向性配体项目时，就发现某个候选物Hill系数高达3.8，结果动物实验里血压骤降——因为效应太陡了。

2.8 一个最简单的实践：写个激活-抑制参数表

假设你手头有一组体外数据，怎么快速整理成建模可用的参数？我一般先列成下面的结构，然后导入R或Python拟合：

# 示例：激活剂数据的参数表（拟写作）
compound  |  target  |  type        |  EC50 (nM) |  Emax (%) |  Hill
---------------------------------------------------------------
A         |  GPCR_A  |  full_agonist|  12.3      |  100      |  1.2
B         |  GPCR_A  |  partial_ag  |  8.7       |  45       |  0.9
C         |  GPCR_A  |  inverse_ag  |  250       |  -80      |  1.5
D         |  GPCR_A  |  antagonist  |  320 (IC50)|  0        |  1.0

你想想看，这种表建好之后，后续做定量药理学模型（比如Turn模型、Black-Leff模型）就方便多了。参数直接往里填。

  总结一下我的建模清单：
  确认效应类型（激活/抑制）及子类型。
收集至少5-8个浓度点的效应数据，避开Hill系数陷阱。
用Cheng-Prusoff或Ligand等效法转成Ki。
写进参数表，标注置信区间。

这一章的内容就到这儿。激活与抑制的概念看来简单，但实际操作中各种细节和歧义层出不穷。把这些基本关系理清了，后面的章节才能进行得更顺——嗯，至少我自己是这样一路走过来的。