在藥物研發的早期階段，科學家們常常面臨一個“甜蜜的煩惱”：基于片段的藥物設計（FBDD）能高效找到與靶蛋白結合的小分子片段，但這些片段的化學修飾產物（粗反應混合物，Crude Reaction Mix, CRM）中，有效成分往往被實驗噪音掩蓋。傳統篩選依賴表面等離子體共振（SPR）等技術，需要對化合物進行繁瑣的純化，這不僅耗時，還可能丟失低豐度活性分子——這正是牛津大學團隊在PHIP(2) bromodomain研究中遇到的核心挑戰。

PHIP(2) 作為潛在的癌癥治療靶點，其抑制劑的發現需要精準解析小分子與蛋白的結合模式。然而，當團隊用高通量X射線晶體學篩選1876個CRM時，僅得到22個結合物，假陰性問題顯著。“我們意識到，晶體學能給出結合的結構細節，但無法直接告訴我們這些化合物的結合強度。”團隊負責人Harold Grosjean博士回憶道，“而SPR雖然能測動力學，卻卡在了純化這一步——CRM中的雜質會嚴重干擾信號。”

就在此時，Grating-Coupled Interferometry（GCI，光柵耦合干涉）技術進入了他們的視野。與SPR技術類似，GCI通過檢測生物分子相互作用引起的折射率變化來分析結合動力學，但它的獨特優勢在于：無需標記、抗干擾能力強、適合弱相互作用體系。“我們選擇了Creoptix WAVE系統的waveRAPID®模式，”團隊核心成員Kate Fieseler解釋說，“這種脈沖注射技術能在25秒內完成一個化合物的動力學測定，且對CRM中的緩沖液、鹽離子耐受性更高——這對直接分析未純化產物至關重要。”

團隊首先通過晶體學數據構建了xSAR模型：從957個CRM中提取保守結合特征（如哌嗪環、酰胺基）和非結合特征（如磺酰胺基），計算出每個化合物的“結合潛力分”（PBS/NBS）。隨后，他們用GCI對模型預測的高潛力化合物進行驗證：將PHIP(2)固定在傳感器芯片上，以200 μM單濃度脈沖注射化合物，快速測定ka（結合速率常數）和kd（解離速率常數）。

實驗結果令人驚喜：GCI不僅驗證了xSAR模型找回的26個假陰性結合物，還在虛擬篩選中發現了9個新結合物。其中，化合物DIV6的KD值達到0.3 μM，比原始片段提升10倍，且配體效率（LE）從0.23提高到0.30——這意味著它用更少的原子實現了更強的特異性結合。“GCI的數據讓我們確認，xSAR模型捕捉到的不僅是結構上的結合，更是具有實際功能的相互作用。”Grosjean博士強調。

上圖展示了基于 GCI 技術對虛擬篩選化合物開展動力學分析的結果。圖中標注了實驗測得的解離速率常數（k_d）與結合速率常數（k_a）及對應誤差范圍，二者的單位分別為s^-1和M^-1s^-1。

這項研究的意義遠不止于PHIP(2) 抑制劑的發現。它揭示了一種“結構-動力學”協同的篩選范式：用晶體學提供結合模式的“靜態圖像”，用GCI補充結合強度的“動態視頻”，二者結合可直接從粗反應混合物（CRM）中提取高質量SAR數據，跳過傳統的純化步驟。對于靶點驗證、片段擴展等早期階段，這種方法能將篩選周期從數周縮短至數天，同時保留更多潛在活性分子。

正如研究團隊在論文中指出的：“當我們不再被純化步驟所束縛，就能更真實地面對化學空間的復雜性。”對于廣大藥物研發團隊而言，GCI技術的價值或許正在于此——它不是SPR的替代者，而是在“混亂”中捕捉“有效信號”的關鍵工具，讓科學家能更自由地探索藥物發現的可能性。

注：本文基于Grosjean et al., Chem. Sci., 2026, 17, 4571-4593研究成果改寫。