难成药靶点 (PPI、变构口袋、KRASG12C 等) 怎么筛到新骨架？FBDD 几乎是绕不开的策略。近年，FBDD 已衍生出至少 7 款 FDA 上市药物、超过 50 个临床候选分子。相比传统 HTS 不足 1% 的命中率，FBDD 的命中率可达 5%–20%。本期干货——FBDD 什么时候用、怎么用、片段库怎么选、并附 FBDD 上市药物案例拆解 + MCE 片段库与检测服务方案。

Section.01
FBDD 入门:
给新手的 3 分钟

定义：一句话理解

FBDD (基于片段的药物发现，Fragment-based Drug Discovery)，简单来讲就是：不用一上来就找"成品药"，而是先用一堆很小、很简单的小分子碎片 (片段) 去"试探"靶点蛋白，找到能微弱结合的那几块"积木"，再像搭乐高一样把它们长大、拼接、优化成真正的药物。

FBDD 想解决什么？

传统的药物筛选叫 HTS (高通量筛选)：像"广撒网"，把上百万个"完整尺寸"的化合物挨个丢给靶点，看谁结合得好。它的难点在于：

1."不可成药"靶点难以命中：比如蛋白和蛋白之间的接口 (PPI) 、没有深口袋的平滑表面 (像 KRAS)、动态变化的隐蔽口袋。这些地方太大、太平、太滑，一个完整的化合物很难卡进去，所以 HTS 的命中率经常不到 1%。

2。大化合物难改：完整分子一旦把结合口袋"占满"，后续想改结构、调性质 (溶解度、毒性) 的余地很小。

FBDD 的思路恰好反过来：先找小碎片，再长大、拼接、优化成真正的药物。

核心：小、弱，但"效率高"

片段通常满足 Ro3 规则 (类药三原则)：分子量 < 300、脂溶性 logP ≤ 3、氢键供体/受体 ≤ 3。片段的代价是"弱"：它们通常只在毫摩尔到微摩尔级别与靶点结合，亲和力远不如 HTS 苗头。但好处是命中率奇高——因为小，它们更容易"蹭"进蛋白口袋；有个关键指标叫配体效率 (LE，Ligand Efficiency)，衡量"每单位分子大小换来的结合力"。片段虽然弱，LE 反而很高，所以才值得当作起点去优化。

表 1. FBDD 新手必懂的几个词

Section.02
FBDD: 7 款 FDA 药物
50+ 临床候选

基于片段的药物设计 (FBDD) 历经四十余年发展，从 1980 年代“片段结合能”基础理论提出，到类药三原则、配体效率等量化标准建立，再到多款 FDA 上市药物 (Vemurafenib、Sotorasib、Venetoclax 等) 的产业转化，已经形成了完整的研发体系。

传统 HTS 基于高复杂度的完整类药分子，骨架尺寸大、官能团丰富，对浅平口袋、动态口袋的匹配度低，苗头检出率常不足 1%，更适合已知靶点和成熟骨架的迭代优化。

相比之下，FBDD 的核心策略/优势是：

① 用符合 Ro3 原则的小分子片段作为筛选单元，即用少量片段覆盖大化学空间——500–3000 个片段即可；
② 这类片段结构简单、空间自由度高，命中率显著更高，约 5%–20%，而 HTS 常不足 1%；
③ 托片段生长、片段融合、片段连接，结合X射线晶体衍射、表面等离子共振 (SPR) 、核磁共振 (NMR) 、Cryo-EM、DEL 等生物物理技术，实现分子定向改造，聚焦全新化学空间挖掘，规避专利骨架。

据文献统计， 目前 FBDD 已带来 >50 个临床候选药物及至少 7 种已获批药物，覆盖肿瘤与抗感染领域^[3]。

表 2. 截至 2024 年的部分先导化合物或药物相关片段^[2]。

Tips：什么时候优先用 FBDD？

Section.03
FBDD 的筛选与验证

表 3. FBDD 怎么做：四步走。

第一阶段为生化高通量初筛或虚拟对接，快速剔除无活性片段，完成文库初步海选；第二阶段为分子互作精准验证，通过 SPR、BLI、ITC、MST、NMR 等实验确认片段与靶蛋白的结合；第三阶段为晶体结构解析，验证结合模式并指导片段衍生分子设计；最后通过分子动力学 (MD) 、自由能微扰 (FEP) 等计算模拟持续迭代，结合主动学习 (Active Learning) 提升筛选准确度、降低计算成本。

Step1：片段筛选

片段本身较弱的结合亲和力也意味着，通常需要采用高靶标纯度的灵敏实验鉴定方法。一般而言，可通过以下三类主要实验策略来验证靶标结合活性 (图 2) ：(i) 利用生化技术通过酶学或结合实验评估靶标的功能调控作用 (即抑制或激活) ； (ii) 采用生物物理学技术评估与靶标的结合强度，此类技术多源自动力学研究或热力学性质分析； (iii) 应用结构解析技术从原子水平解析三维结合模式。

这三类检测方法在通量、灵敏度、实验要求及可提供信息类型方面存在差异 (表 3) 。生化检测法 (如酶学或功能实验) 通常具有高通量与成本效益优势，仅需单次浓度实验即可快速获得基于活性的检测结果；生物物理学方法则具备更高灵敏度，并能直接提供结合相互作用的证据，但其通量通常较低，因其常需完整滴定实验；结构解析技术虽可获取原子分辨率的结合模式信息，但需投入更多实验资源以获取合适样本，故通量相对较低。在实际应用中，这些检测方法常被以级联或正交组合方式联合使用。

表 4. FBDD 工作流程中常用片段筛选方法的比较^[3]。

Step2：交叉验证

片段筛选和验证的“实验工具箱”大致相似，关键原则是"正交验证"：一种方法筛出来的 Hit，必须用另一种完全不同原理的方法再确认，不然很容易把"假阳性"当成宝贝往后推。

正交验证 ≠ 重复筛选，而是换一套检测原理来交叉确认。之所以这样设计，是因为片段太弱、单方法假阳多、方法间重叠低——只有正交互证才靠谱。

表 5. 主要筛选/验证技术怎么选？

正交/混合筛选 (如 NMR + 晶体学并行) 已成为行业标配，可最大程度提高 Hit 发现效率和置信度^[4]。

Step3：碎片"养大"、"变强"

拿到片段苗头后，怎么推进？
——FBDD 所有挑战的根源，几乎都指向同一件事——片段的亲和力天生很弱。将弱片段 Hit 培育成强效先导，三种经典策略：

实践中还常出现杂合策略 (Hybrid) ——把生长、连接、合并组合起来用，多由计算方法提出。

维奈托克 (Venetoclax) 、索托拉西布 (Sotorasib) 、维莫非尼 (Vemurafenib) 这三款获批药物正好是 FBDD 三种核心策略 (生长 / 连接 / 合并) 的招牌案例。我们一起看下~

Section.04
上市药物：经典案例

已知激酶:

片段生长最经典，维莫非尼 (Vemurafenib) 从 B-RAF 铰链区的一个小片段，经晶体结构指导下一步步长大成上市药。

动态 / 隐蔽口袋:

用共价片段"锚定"住蛋白上某个特定氨基酸 (比如 KRAS G12C 的半胱氨酸)，捕捉静态筛选看不到的瞬间构象。索托拉西布 (Sotorasib) 就是这么拿下"不可成药"的 KRAS。

PPI (蛋白互作):

浅平接口难卡化合物，但可以用片段连接——分别在两个相邻小位点各放一块碎片，再用 "linker (连接子) " 连起来。维奈托克 (Venetoclax)就是这个打法。

案例1：维奈托克 (Venetoclax) ——片段连接打开 PPI 靶点

BCL-2 是调控凋亡的关键蛋白，其浅平的蛋白-蛋白相互作用界面长期被视为“难成药”。2000 年代初，科学家通过 SAR by NMR 在 BH3 结合沟槽中发现分别结合 P2、P4 口袋的两个片段，并进行片段连接。随后通过优化 linker、改造溶剂暴露区域及引入极性基团等一系列药化修饰，不断提升化合物的结合活性和药理性质，最终获得 ABT-737。针对 ABT-737 口服暴露不足的问题，进一步对其关键位点进行结构改造，得到口服活性的 ABT-263 (Navitoclax)；随后针对 BCL-2 与 BCL-XL 的选择性差异继续进行结构优化，最终获得高选择性的 BCL-2 抑制剂 ABT-199 (Venetoclax)，并于 2016 年获批用于慢性淋巴细胞白血病。

 注意：片段连接能产出更大的分子 (Venetoclax 约 868 Da)，但 linker 长度与代谢稳定性必须精细控制——它是 PPI 靶点成药的一座里程碑。

案例 2：索托拉西布 (Sotorasib) ——共价片段破解 KRAS

KRASG12C 是肿瘤领域极具代表性的难治靶点，由于 KRAS 蛋白表面光滑、缺乏稳定可靶向深疏水口袋，静态构象下没有明确药物结合位点，传统非共价筛选体系难以捕获有效活性分子。

全球首款 KRASG12C 抑制剂 Sotorasib 实现了共价 FBDD 从 0 到 1 的突破。研发团队针对 KRAS 动态隐蔽口袋，用共价片段库定向筛选，在 Switch-II 附近的诱导口袋发现了能共价结合突变半胱氨酸 (Cys12) 的片段 (Fragment 6, 6H05)。随后采用杂合优化：弹头优化 (二硫键→更合适的丙烯酰胺，图中蓝色)、片段生长 (黄/粉环，ABS-1620、化合物 10)、合并 (橙环，Sotorasib)，经一系列中间体系统延伸这一共价锚点，得到高选择性抑制剂，2021 年成为该致癌靶点的首款 FDA 药物。

目前多个研究团队通过片段筛选得到了针对 KRAS 不同结合区域的苗头片段：一类可同时结合 GDP、GTP 两种构象、靶向 Switch I/II 交界口袋的广谱片段；另一类为靶向 Switch II 口袋的 G12C 共价片段，分别衍生出多款候选分子。

案例 3：维莫非尼 (Vemurafenib) ——片段生长的代表

BRAF V600E 是黑色素瘤的核心驱动靶点。传统 HTS 筛选激酶抑制剂时，极易出现骨架同质化、选择性差、脱靶毒性高等问题。研发团队放弃传统 HTS 库，改用精简优质的片段化合物库筛选，快速锁定 7-氮杂吲哚核心片段。

该片段可精准结合 BRAF 蛋白铰链区，具备极佳的骨架适配性与配体效率，但初始亲和力较弱。后续通过片段生长策略逐步延伸侧链、修饰官能团，精准优化分子与靶点的结合作用力，同时提升靶点选择性与理化稳定性，最终迭代出最终得到约 500 Da、nM 级活性的 BRAF 抑制剂 Vemurafenib，并于 2011 年获批上市，成为首款 BRAF 突变癌症药物。

Section.05
FBDD：片段库的选择

从多款已上市 FBDD 衍生药物的研发历程来看，以干/湿实验为基础的 FBDD 研发体系，其核心创新还在于源头片段的精准选型。因此，源头片段库的质量仍是决定项目成败的底层因素。

评估片段库质量的 5 大标准

片段库：避坑提示

(1) 不要只看“库容大”，更要看片段“能不能在您的实验体系里稳定出数据”。溶解度差、纯度低、含 PAINS 的片段会直接把项目拖入假阳性泥潭。
(2) 不要跳过“分子互作验证”直接做晶体。很多片段亲和力很弱，只有 SPR/ITC 等生物物理方法才能排除非特异性结合。
(3) 3D/平面之争。过去十多年，行业一直“逃离平面国” (Escaping Flatland) ——提高 Fsp³ 比例、增加 3D 形状多样性，认为这能改善理化性质、减少脱靶。但 Churcher 等 2025 年的分析发现，2009 年后获批的药物中，更高的 Fsp³/3D 特征与临床成功之间的关联并未持续^[3]。

——这意味着什么？扁平的 sp² 富集片段仍然是高价值起点，尤其对具有明确浅平结合位点的靶点。真正重要的是“多样性”：一个优质片段库应当同时包含 sp² 和 sp³ 丰富的骨架，覆盖不同化学型，而不是盲目追求 3D。

一站式药物发现 · 片段化合物库系列

MCE 片段库产品

MCE 可提供多种片段库，可用于 FBDD 全流程，覆盖多种药物靶点，满足多种筛选条件。

不同阶段的 MCE 服务组合建议

对于早期研发，预算和周期有限，MCE 可提供覆盖 FBDD 全流程的服务组合如： 分子互作检测服务、蛋白晶体结构解析服务、DEL 筛选等。

Section.06
小结

片段的"弱"，既是 FBDD 的命门，也是它独特的价值所在。 真正有效的路径，是把正交实验、结构学证据与计算建模，针对片段的局限精巧整合，把弱苗头养成强先导。当然，FBDD 的价值不是替代 HTS，而是为难成药靶点提供一条“从片段生长出新骨架”的可行路径。选对片段库、搭好验证平台、用好结构生物学，是项目从 Hit 走到 Lead 的重要要素。

产品推荐：

片段化合物库系列

可用于 FBDD 全流程，覆盖通用、3D 立体、共价、高溶、变构多类型片段，适配从新靶点初筛、难成药靶点挖掘到共价 Hit 先导优化全研发阶段，赋能片段药物源头创新

DEL 筛选

DNA 编码化合物库 (DEL) 通过拆分合并组合建库、可海量亲和筛选与 DNA 序列解码，相比传统高通量筛选，实现了更高效率、更低成本、更大库容量的苗头分子快速发现。

分子互作检测服务

MCE 拥有专业的分子互作检测平台，包括 SPR、BLI、ITC 、MST、CETSA 和 nanoDSF 等，结合经验丰富的虚拟筛选和蛋白表达纯化服务，可为您提供一站式的药物发现解决方案！

蛋白晶体结构解析服务

MCE 拥有专业的蛋白晶体结构解析平台以及成熟的蛋白表达与纯化技术服务平台，可为您的研究提供从蛋白表达到结构解析的一站式服务！

参考文献：

[1] Bon M, et al. Fragment-based drug discovery-the importance of high-quality molecule libraries. Mol Oncol. 2022;16(21):3761-3777. 
[2] Khedkar NR, et al. Fragment-Based Drug Discovery: Small Fragments, Big Impact - Success Stories of Approved Oncology Therapeutics. Bioorg Chem. 2025 Mar;156:108197. 
[3] Grosjean H, et al. Developments and challenges in hit progression within fragment-based drug discovery. Nat Commun. 2026;17(1):2226. 
[4] AlKharboush DF, et al. Fragment-based drug discovery: A graphical review. Curr Res Pharmacol Drug Discov. 2025;9:100233.
[5] Fesik SW. Drugging Challenging Cancer Targets Using Fragment-Based Methods. Chem Rev. 2025;125(6):3586-3594.