加州大学圣塔芭芭拉分校（UCSB）工程与分子生物学研究生团队开发了一款软件，旨在加速针对阿尔茨海默病及其他疾病的疗法发现过程。该平台允许用户设计、筛选和测试新抗体，从而减少识别有前景的候选药物并推进到临床试验所需的时间和成本。
如今，他们通过初创公司ProFoldBio——UCSB新风险投资计划涌现出的近70家初创公司之一——发布了这款软件，向工业界和学术界的其他研究人员开放使用，并同时利用该软件寻找阿尔茨海默病的潜在疗法。
该软件有助于克服研究疾病（如阿尔茨海默病）时出现的几个问题，其中淀粉样蛋白起着关键作用。测试针对淀粉样蛋白的潜在疗法通常需要从人体组织中提取该蛋白。但人体组织难以获取，且往往提供的淀粉样蛋白不足，“这使得测试潜在药物变得非常困难”，ProFoldBio首席科学官、化学工程博士毕业生Sam Lobo说道。
即使设计出针对特定蛋白的抗体，其他障碍依然存在。例如，“粘性”抗体倾向于相互结合并粘附周围表面，这使其制造和运输变得困难，进而可能阻碍治疗到达患者手中。ProFoldBio平台通过提供一种建模淀粉样蛋白及其他蛋白质的方法（无论样本大小）来应对这两个问题，同时预测哪些抗体设计在实践中效果最佳。Lobo说：“该软件可以标记那些可能结合良好但存在下游问题的抗体。我们及早发现这些问题，以降低药物发现的风险和成本。”
“治疗淀粉样蛋白疾病可以说是现代医学中最具挑战性的问题之一，数十年的研究和制药努力”只带来了极少的疗法，化学工程教授、Lobo的导师M. Scott Shell表示。“令人无比兴奋的是，现代计算建模工具、机器学习进步和系统性工程策略如今使得以预测方式处理这些系统成为可能，从而推动分子尺度的表征和发现。”
[图注：M. Scott Shell 利用分子模拟和统计力学理论来理解复杂软材料和生物材料中的多尺度、多层次相互作用。]
ProFoldBio团队希望其软件能拓宽这些发现方法的可及性。分子生物学博士生、公司CEO Erica Keane Rivera表示：“这类计算工作流程和基础设施通常只有大型生物技术公司才具备。”该软件对小型公司和独立研究人员来说可能是一大福音，因为团队将生成式人工智能工具整合在一个公开可用的平台中，使得擅长实验而非编程的研究人员能够快速开始设计。Keane Rivera说：“使用我们平台的门槛相当低。”
新风险投资计划催生初创公司
ProFoldBio团队于2023年通过UCSB为期八个月的新风险投资计划组建，该计划汇集各学科的本科生和研究生团队，在教师和行业导师的指导下开发和完善商业创意。该计划以年度新风险投资竞赛（NVC）收官，入围者竞逐高达4万美元的现金、创业启动金和支持。
受共同对淀粉样蛋白疾病的兴趣启发，Lobo、Keane Rivera、化学工程博士生Devon Callan以及伯克利加州大学化学工程校友Ventura Rivera联手开发了他们的软件平台。
Keane Rivera和Lobo此前一直与UCSB神经科学研究Harriman教授、神经退行性疾病领域顶尖专家Kenneth Kosik合作。
几种蛋白质与阿尔茨海默病有关，包括形成纤维的tau蛋白。这些纤维在神经元内形成团块和缠结，可能导致认知能力下降。学生们还与Shell、化学教授Joan-Emma Shea以及曾任职于UCSB的西北大学化学教授Song-I Han合作，测试如何利用新的生成式人工智能模型设计针对神经退行性疾病的疗法。
团队共同构建了一个平台，可以生成蛋白质结构文件的三维渲染图，指定靶区域，配置设计策略，然后利用生成式人工智能帮助研究人员开发和选择有前景的抗体进行实验室生产和验证。除了技术工作外，研究生们还采访了生物技术领导者，了解其平台可能填补的药物发现空白。
该团队已获得多方认可。公司最初名为DeNovo Therapeutics，在2024年新风险投资竞赛中获得第二名和7,500美元奖金。此后，公司受邀参加伯克利加州大学SkyDeck的Pad-13孵化器项目。2025年，其疏水相互作用色谱模型在Ginkgo Bioworks抗体开发竞赛中获得第三名，该模型基于平台评估药物疏水性的能力——疏水性是衡量药物是否适合制造并能有效到达靶点的指标。
“与Erica和Sam在他们研究生训练的所有岁月中一起工作后，现在看到他们开始将学术工作转变为针对解决阿尔茨海默病的发现引擎，我感到非常欣慰。我对他们的成功非常乐观。”
瞄准阿尔茨海默病
在推出软件支持他人发现的同时，ProFoldBio团队继续使用该软件及其他工具开发阿尔茨海默病的潜在疗法。迄今为止，他们已经设计了数千种能够靶向tau淀粉样纤维（该病标志性的缠结蛋白）的肽。
为了实现高通量测试，同时不依赖稀缺且脆弱的患者样本，团队创建了疾病相关淀粉样结构的人工合成复制品，作为筛选潜在疗法的标准化实验靶标。Keane Rivera解释说，即使患者组织样本可用，也难以处理，因为“提取过程本身会因去除样本所需的生化修饰而高度改变你试图研究的蛋白质结构”。相比之下，这些人工合成淀粉样复制品能够可靠地匹配蛋白质在疾病中采取的原子级折叠。这些复制品随后成为团队实验筛选流程的基础，包括Keane Rivera正在构建用于测试潜在疗法的酵母展示库。
Kosik对该公司将动手实验与生成式人工智能设计相结合的方式表示期待。“与Erica和Sam在他们研究生训练的所有岁月中一起工作后，现在看到他们开始将学术工作转变为针对解决阿尔茨海默病的发现引擎，我感到非常欣慰。我对他们的成功非常乐观。”
虽然团队的重点是寻找淀粉样蛋白疾病的靶点，但其软件也可用于设计抗体和其他蛋白质，应用范围极其广泛，从治疗毒蛇咬伤到创造癌症新疗法。团队的目标是让更多研究人员能够使用这一流程。Lobo说：“蛋白质设计可以很有趣，这个过程应该是美好的。”
他和同事们希望这将带来更具吸引力的事情：更好的健康。
【全文结束】