课前准备--基因 → 细胞 → 空间 → 蛋白结构 → 小分子 → 动力学 → 药物机制科研链条

原创

追风少年i

修改于 2026-08-26 10:22:56

250

作者，Evil Genius

首先我们梳理一下基因组变异--单细胞空间转录组--结构生物学--分子对接--分子动力学之间的科研关系与前后联系。

                  疾病 / 表型 / 临床问题
                           │
                           ▼
                    ┌─────────────┐
                    │   基因组学   │
                    │ DNA突变/拷贝数│
                    │ SNP/CNV/SV   │
                    └──────┬──────┘
                           │
                     哪些基因发生改变？
                           │
                           ▼
                  ┌─────────────────┐
                  │ 单细胞转录组学  │
                  │ scRNA-seq       │
                  └────────┬────────┘
                           │
                 哪些细胞发生了改变？
                 哪些基因/通路被激活？
                           │
                           ▼
              ┌──────────────────────┐
              │   空间转录组学       │
              │ Visium/Xenium/HD等   │
              └──────────┬───────────┘
                           │
                 这些细胞在哪里？
                 谁和谁相邻？
                 哪些空间生态位形成？
                           │
                           ▼
                   发现关键靶点
                           │
                           ▼
                ┌──────────────────┐
                │   结构生物学      │
                │ Protein structure │
                │ AlphaFold/PDB     │
                │ cryo-EM/X-ray     │
                └─────────┬────────┘
                          │
                    靶点蛋白长什么样？
                    突变改变了什么？
                          │
                          ▼
                ┌──────────────────┐
                │    分子对接       │
                │ AutoDock Vina等   │
                └─────────┬────────┘
                          │
                  药物如何结合靶点？
                  哪些氨基酸参与结合？
                          │
                          ▼
                ┌──────────────────┐
                │   分子动力学      │
                │    GROMACS       │
                └─────────┬────────┘
                          │
                 这个结合是否稳定？
                 蛋白是否发生构象变化？
                          │
                          ▼
                 ┌────────────────┐
                 │ MM/PBSA等自由能 │
                 └───────┬────────┘
                         │
                    哪个药物更好？
                         │
                         ▼
                   实验验证 / 药物开发

基因组学负责“发现问题”，单细胞负责“找到问题发生在哪类细胞”，空间组学负责“找到问题发生在哪里以及细胞之间如何相互作用”，结构生物学负责“解释靶蛋白的结构基础”，分子对接负责“寻找药物怎么结合”，分子动力学负责“验证这种结合在动态环境中是否稳定”。

二、第一层：基因组学——“疾病为什么发生？”

基因组学处于整个链条比较上游的位置。

例如研究肺癌：

正常细胞
   ↓
EGFR L858R
EGFR exon 19 deletion
KRAS G12C
TP53 mutation
   ↓
信号通路异常
   ↓
细胞增殖
   ↓
肿瘤

基因组学可以告诉你：

哪些基因突变？
哪些基因扩增？
哪些基因缺失？
哪些结构变异？
哪些突变和预后相关？
哪些突变和药物耐药相关？

例如：

EGFR L858R

本质上是：

DNA
 ↓
EGFR基因发生突变
 ↓
mRNA
 ↓
EGFR蛋白
 ↓
L858R氨基酸改变
 ↓
蛋白构象/激酶活性改变
 ↓
下游RAS/MAPK、PI3K/AKT等通路
 ↓
细胞增殖

这里已经开始和后面的结构生物学发生联系。

三、第二层：单细胞——“到底是哪种细胞出了问题？”

基因组学告诉你：

EGFR发生L858R。

但它不能很好地告诉你：

到底是哪一群细胞在发挥作用？

这时候进入单细胞转录组。

例如一个肿瘤：

Tumor
│
├── Malignant cells
├── T cells
├── B cells
├── Macrophages
├── CAF
├── Endothelial cells
└── NK cells

scRNA-seq可以进一步发现：

Malignant cell
    ↓
EGFR pathway ↑
MYC pathway ↑
EMT ↑

Macrophage
    ↓
SPP1 ↑
TREM2 ↑

CAF
    ↓
COL1A1 ↑
COL3A1 ↑
TGFB1 ↑

于是研究问题从：

“哪个基因突变？”

变成：

“哪个细胞群发生了什么变化？”

四、第三层：空间转录组——“这些细胞在哪里？”

这是单细胞和空间转录组最大的区别。

scRNA：

谁？

Spatial：

谁 + 在哪里？

例如发现：

Tumor cell
      │
      │ TGFβ
      ↓
     CAF
      │
      ↓
   ECM remodeling
      │
      ↓
immune exclusion

单细胞告诉你：

Tumor cell表达TGFβ相关基因。

CAF表达：

COL1A1、COL3A1。

但是空间转录组进一步发现：

        肿瘤核心
 ┌─────────────────┐
 │ Tumor Tumor     │
 │ Tumor Macrophage│
 │       ↑         │
 │      OSM        │
 │                 │
 │ CAF CAF CAF     │ ← 肿瘤边缘
 └─────────────────┘

于是可以提出：

某种空间生态位（spatial niche）可能驱动肿瘤进展。

这就从：

“基因表达差异”

升级到了：

“细胞—细胞—空间—信号通路”的机制。

五、这时候才真正进入“靶点发现”

假设经过：

基因组
 ↓
scRNA-seq
 ↓
Spatial transcriptomics
 ↓
cell-cell communication
 ↓
spatial niche

你发现：

某个肿瘤细胞亚群高度表达 EGFR。

同时：

EGFR ↑
↓
MAPK ↑
PI3K-AKT ↑
proliferation ↑

那么：

EGFR就可能成为一个候选药物靶点。

这就是前面组学和后面结构药物设计之间的桥梁。

六、第四层：结构生物学——“这个靶点到底长什么样？”

现在进入你最近比较关注的：

AlphaFold
AlphaFold 2
AlphaFold 3
PDB
PyMOL
PyRosetta
cryo-EM
X-ray crystallography

例如：

EGFR

你需要知道：

EGFR protein
      ↓
3D structure
      ↓
ATP-binding pocket
      ↓
drug-binding pocket

比如：

              ATP
               ↓
        ┌─────────────┐
        │ EGFR kinase │
        │             │
        │   binding   │
        │    pocket   │
        └─────────────┘

如果发生：

L858R

那么问题就变成：

L858R究竟如何改变EGFR蛋白结构？

这时候就可以进行：

EGFR WT
   vs
EGFR L858R

比较：

RMSD
二级结构
活性位点
binding pocket
residue interaction
hydrogen bond
electrostatic interaction
conformational dynamics

七、第五层：分子对接——“药物怎么进去？”

有了蛋白结构以后：

Protein
   +
Ligand
   ↓
Molecular docking

例如：

EGFR
 +
Gefitinib

AutoDock Vina可以寻找：

Gefitinib最可能结合在哪里？

得到：

        Ligand
       █████
      ███████
         │
         ↓
   ┌───────────┐
   │ EGFR       │
   │            │
   │ ATP pocket │
   └───────────┘

然后分析：

docking score
binding pose
hydrogen bonds
hydrophobic interactions
π–π interactions
salt bridges -关键氨基酸

例如：

Drug
 │
 ├── H-bond → Met793
 ├── hydrophobic → Leu718
 ├── hydrophobic → Val726
 └── interaction → Ala743

这时候你已经可以回答：

“这个药物为什么能够结合EGFR？”

八、第六层：分子动力学——“这个结合真的稳定吗？”

这里是很多人容易混淆的地方。

分子对接 ≠ 最终答案。

Docking基本是在问：

“有没有一个比较合理的结合姿势？”

而MD问：

“这个复合物在真实的动态环境中能不能稳定存在？”

例如：

EGFR + Drug
     ↓
Docking
     ↓
得到pose
     ↓
GROMACS
     ↓
100 ns / 200 ns / 500 ns
     ↓
蛋白和药物不断运动

你可以分析：

RMSD

RMSD
 │
 │       ─────────────
 │     /
 │____/
 └──────────────────→ time

看蛋白整体是否稳定。

RMSF

看：

哪些氨基酸运动最大？

RMSF
 │        /\        /\
 │   /\  /  \______/  \
 └────────────────────→ residue

Radius of gyration

看：

蛋白是否变得更加紧凑/松散。

Hydrogen bonds

看：

药物和蛋白之间的氢键是否持续存在。

SASA

看：

溶剂可及表面积如何变化。

MM/PBSA

进一步可以估算：

结合自由能。

于是形成：

Docking
  ↓
MD
  ↓
RMSD
RMSF
Rg
H-bond
SASA
  ↓
MM/PBSA
  ↓
Binding free energy

九、最关键的一点：这些技术其实形成“上下游闭环”

真正高级的科研不是：

我会Seurat 我会Vina 我会GROMACS。

而是：

我能把这些技术串成一个生物学问题。

例如：

一个完整的EGFR科研项目

可以设计成：

             肺癌
               │
               ▼
        ┌─────────────┐
        │ 基因组测序   │
        └──────┬──────┘
               │
        EGFR L858R
        EGFR exon19
               │
               ▼
        ┌─────────────┐
        │ scRNA-seq   │
        └──────┬──────┘
               │
        找到恶性细胞群
               │
               ▼
       ┌──────────────┐
       │ Spatial RNA  │
       └──────┬───────┘
              │
      找到空间生态位
              │
              ▼
       EGFR高表达区域
              │
              ▼
         候选靶点
              │
              ▼
      ┌───────────────┐
      │ Structure     │
      │ AlphaFold/PDB │
      └───────┬───────┘
              │
        EGFR WT/MUT
              │
              ▼
       ┌─────────────┐
       │ Docking     │
       │ AutoDock    │
       └──────┬──────┘
              │
        Drug binding pose
              │
              ▼
       ┌─────────────┐
       │ MD          │
       │ GROMACS     │
       └──────┬──────┘
              │
       100-500 ns simulation
              │
              ▼
     ┌────────────────────┐
     │ RMSD/RMSF/Rg/Hbond │
     │ MM/PBSA            │
     └─────────┬──────────┘
               │
               ▼
       WT vs Mutation
       Drug A vs Drug B
               │
               ▼
        解释耐药机制
               │
               ▼
        新药物设计/优化

这就已经是一个比较完整的：

计算生物学 + 多组学 + 结构生物学 + AI药物设计

研究体系。

十、还有一个非常重要的“反向联系”

实际上不是单向的：

基因 → 单细胞 → 空间 → 结构 → docking → MD

而是可以形成反馈。

例如：

空间组学
   ↓
发现耐药细胞群
   ↓
发现EGFR突变
   ↓
结构分析
   ↓
发现突变改变binding pocket
   ↓
Docking
   ↓
发现原药物结合能力下降
   ↓
MD
   ↓
发现药物-突变蛋白复合物不稳定
   ↓
设计新的化合物
   ↓
Docking
   ↓
MD
   ↓
筛选最佳候选药物
   ↓
回到细胞实验
   ↓
scRNA + Spatial
   ↓
验证治疗后微环境是否改变

所以它实际上是一个闭环。

十一、如果从科研尺度来理解，会非常清楚

层级	技术	核心问题
DNA	基因组学/WES/WGS	发生了什么突变？
RNA	Bulk RNA/scRNA	哪些基因发生变化？
Cell	scRNA-seq	哪个细胞发生变化？
Space	Spatial transcriptomics	这些细胞在哪里？
Niche	空间生态位	哪些细胞在一起？
Network	CellChat/NicheNet等	谁影响谁？
Protein	结构生物学	蛋白是什么结构？
Mutation	结构预测	突变改变了什么？
Drug	Molecular docking	药物怎么结合？
Dynamics	MD	结合是否稳定？
Energy	MM/PBSA	结合能有多强？
Design	AI/分子设计	能不能设计更好的药？
Experiment	Cell/animal	生物学上是否成立？

十二、这些技术最推荐的顺序

Seurat、Visium/Xenium、空间分析、分子对接、GROMACS、PyRosetta、AlphaFold，不建议你把它们当成完全独立的软件学习。

建议建立下面这条主线：

第一阶段：组学

WES/WGS
 ↓
scRNA-seq
 ↓
Spatial transcriptomics
 ↓
Cell-cell communication
 ↓
Spatial niche

重点解决：

发现靶点

第二阶段：蛋白结构

PDB
 ↓
AlphaFold2
 ↓
AlphaFold3
 ↓
PyMOL
 ↓
PyRosetta

重点解决：

理解靶点

第三阶段：药物结合

Protein preparation
 ↓
Ligand preparation
 ↓
AutoDock Vina
 ↓
Docking pose
 ↓
Interaction analysis

重点解决：

药物怎么结合

第四阶段：动力学

GROMACS
 ↓
Energy minimization
 ↓
NVT
 ↓
NPT
 ↓
Production MD
 ↓
RMSD
RMSF
Rg
H-bond
SASA
PCA
DCCM
MM/PBSA

重点解决：

这个结合是否真实、稳定、具有动力学依据

第五阶段：药物设计

最终进入：

AI protein design
       +
AI drug design
       +
Docking
       +
MD
       +
Free energy
       ↓
Lead compound
       ↓
Cell experiment
       ↓
Animal experiment

这时候就从单纯的“生信分析”进入：

计算驱动的药物研发（computational drug discovery）

十三、如果压缩成一句科研逻辑

可以把整个体系记成：

基因组学找“异常”，单细胞找“细胞”，空间组学找“位置和关系”，结构生物学找“形状”，分子对接找“结合方式”，分子动力学找“动态稳定性”，自由能计算找“结合强弱”，最终通过实验验证并反向优化。

而可以形成的科研能力，是：

“从患者样本发现靶点 → 从单细胞和空间组学解释靶点所在的细胞生态位 → 从蛋白结构解释靶点机制 → 用分子对接和MD解释药物作用 → 再进行新药/蛋白设计。”

生活很好，有你更好。

原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。

如有侵权，请联系 cloudcommunity@tencent.com 删除。

数据分析