1. 从“试错”到“生成”AI药物设计范式的跃迁在药物研发这个以“十年十亿美金”著称的漫长赛道上最核心、也最令人头疼的环节之一就是先导化合物的发现与优化。传统方法依赖高通量筛选和基于经验的化学修饰过程如同大海捞针不仅成本高昂成功率也极低。近年来以深度学习为代表的AI技术开始渗透这一领域从早期的虚拟筛选、活性预测逐步发展到如今更前沿的生成式设计。而其中扩散模型的崛起正为AI药物设计带来一场深刻的范式变革。简单来说早期的AI药物设计更像一个“评分员”或“筛选员”。我们准备好一大堆候选分子让AI模型去预测它们的活性、毒性等性质从中挑出分数高的。这虽然提升了效率但本质上还是在已有的化学空间里“选”创造力有限。而扩散模型驱动的生成式设计则让AI扮演了“设计师”的角色。它可以从头开始根据我们设定的目标比如针对某个特定的蛋白质靶点直接“画”出全新的、具有理想性质的分子结构。这个过程是从“概率噪声”中一步步“去噪”生成清晰、合理的分子其核心驱动力正是概率扩散过程。我最近深入研读了发表在《核酸研究》上的一篇前沿工作其标题“概率扩散驱动的AI药物设计从靶标结构感知到亲和力驱动再到保守相互作用引导”精准地概括了当前最先进的思路。这不仅仅是技术的堆砌更反映了一条清晰的逻辑演进路径首先让AI“看见”并理解靶标蛋白的三维结构其次引导它生成能与靶标紧密结合高亲和力的分子最后也是更高阶的要求确保生成的分子能模拟天然配体或关键药物的保守相互作用模式从而更有可能具备良好的活性和特异性。今天我就结合这篇文献的脉络与我自己在相关领域的实践为大家拆解这套技术框架背后的原理、实现的关键细节以及在实际操作中可能遇到的“坑”。2. 基石扩散模型如何“无中生有”生成分子在深入靶标感知之前我们必须先理解扩散模型这个“引擎”是如何工作的。它在图像生成领域大放异彩如DALL-E、Stable Diffusion其思想同样适用于分子这种具有规则图结构的数据。2.1 前向与逆向从分子到噪声再从噪声到分子扩散模型的核心是一个加噪和去噪的马尔可夫链。我们可以把一个确定的分子结构比如它的原子坐标、类型、键连关系看作一张清晰的“图片”。前向过程扩散这是一个固定的、逐步添加高斯噪声的过程。假设我们有第t步的分子数据x_t通过一个含噪声的变换得到更嘈杂的版本x_{t1}。经过足够多的步骤T后原始的分子数据x_0就变成了一个几乎纯随机的高斯噪声x_T。这个过程是已知且简单的目的是为训练提供一个明确的“破坏”路径。逆向过程生成这才是模型需要学习的核心。我们从一个纯高斯噪声x_T开始训练一个深度学习模型通常是一个U-Net结构的网络来预测如何一步步“去除”噪声最终恢复出一个合理的分子结构x_0。模型在每一步t的学习目标是给定嘈杂数据x_t和时间步t预测出添加到x_{t-1}上的噪声或者直接预测出更清晰的x_{t-1}。在分子生成场景下x可以表示为分子图G (V, E)其中V是原子节点包含类型、坐标等特征E是化学键边。扩散过程会同时对节点和边的特征添加噪声。注意分子生成与图像生成的一个关键区别在于离散性。原子类型、化学键类型是离散的类别变量而坐标是连续的。处理这种混合数据需要特殊的噪声策略和损失函数设计比如对离散特征使用分类扩散或掩码扩散这是实践中第一个容易出问题的地方。2.2 条件生成给扩散模型一个“指挥棒”无条件扩散模型可以生成随机且多样的分子但这对于药物设计来说远远不够。我们需要的是条件生成给定特定条件c生成满足该条件的分子。在AI药物设计中这个条件c就是我们的“设计蓝图”。条件信息的注入通常通过交叉注意力机制实现。在去噪网络U-Net的中间层我们将条件c编码成一个向量序列然后通过交叉注意力让去噪过程中的特征与条件向量进行交互。这样去噪过程每一步的决策都会受到条件c的引导。公式上去噪模型的学习目标从p(x_{t-1} | x_t)变成了p(x_{t-1} | x_t, c)。条件c的编码质量直接决定了生成分子的定向性。接下来要讨论的“靶标结构感知”、“亲和力驱动”等本质上都是在精心设计和构建这个条件c。3. 第一步靶标结构感知——让AI具备“视觉”能力传统基于配体的药物设计LBDD只关注分子本身忽略了靶点。而基于结构的药物设计SBDD则将靶点蛋白的三维结构作为核心输入。要让扩散模型进行SBDD第一步就是教会它“看懂”蛋白结构。3.1 蛋白结构的表征与编码蛋白结构是一个由氨基酸残基组成的三维空间对象。如何将其转化为神经网络可以处理的向量即条件c是关键。主流方法一3D卷积/图神经网络GNN提取局部口袋特征。这是最直观的方法。将蛋白结合口袋通常是活性位点定义为一个3D网格或一个图。网格法将口袋空间划分为体素网格每个格点用特征填充如原子类型密度、静电势、疏水性等。然后使用3D卷积神经网络如3D CNN或Voxel-based网络来提取多尺度空间特征。图法将口袋中的每个氨基酸残基或原子视为图节点节点间的空间距离或相互作用视为边。然后使用图神经网络如GAT、GIN进行消息传递聚合邻居信息最终得到每个节点的特征向量或整个图的全局特征向量。主流方法二预训练蛋白语言模型如ESMFold的嵌入。这类模型如ESM-2在海量蛋白序列数据上进行了预训练能够生成富含结构和功能信息的残基级特征向量。即使不输入精确的三维坐标这些嵌入也隐式包含了结构信息。我们可以直接将目标蛋白序列输入ESM模型获取每个残基的嵌入然后将其作为条件信息。这种方法对蛋白结构的精度要求较低更适用于只有序列或低精度模型的情况。主流方法三几何深度学习如SE(3)-等变网络。蛋白和配体在三维空间中的旋转、平移不应影响它们相互作用的本质。SE(3)-等变网络如EGNN, Tensor Field Networks在设计上就保证了这种对称性能更自然、更高效地处理3D几何数据。它们直接以原子坐标和类型为输入在网络传播过程中保持等变性输出的特征对于旋转平移是稳定的这被认为是更优雅和强大的方法。在实际构建条件c时往往混合使用多种表征。例如既使用GNN提取口袋的精细几何特征也融合ESM嵌入提供的进化与语义信息形成一个强大的条件编码。3.2 条件注入与协同生成获得蛋白条件编码后我们并不是简单地将一个全局向量c输入扩散模型。更精细的做法是进行空间对齐的协同生成。具体而言在去噪过程的每一步当前生成的、尚不完整的配体原子点云或图x_t会与固定的蛋白口袋结构进行空间对齐。对于配体中的每个原子i模型会计算其与口袋中所有关键原子/残基的距离和方向。这些几何关系连同之前提取的蛋白特征会通过交叉注意力或特征拼接的方式动态地影响该配体原子下一步的去噪方向即它应该向哪个坐标移动应该成为哪种原子类型应该与哪个原子成键。这就好比一个雕塑家扩散模型在雕刻一块石头噪声他不仅心中有一个雕像的蓝图全局条件还会不断用手感受雕像与支架蛋白的接触点局部条件实时调整雕刻力度和方向。这种“感知-反馈”的闭环是生成能精准放入口袋的分子的基础。4. 第二步亲和力驱动——从“形似”到“神合”生成一个能塞进蛋白口袋的分子只是第一步我们更关心它能否与靶标强效结合。这就需要引入亲和力驱动。亲和力通常用结合自由能ΔG或其近似值如打分函数来衡量。4.1 亲和力作为优化目标强化学习与引导扩散单纯的结构条件只能保证形状互补形似无法保证相互作用强度神合。因此需要将亲和力作为一个优化目标直接引导生成过程。这里主要有两种技术路线方法一基于强化学习RL的微调。这是一种“事后修正”的思路。首先用结构感知的扩散模型预训练一个生成策略。然后将亲和力预测模型可以是一个传统的分子力学/泊松-玻尔兹曼表面积计算也可以是一个训练好的深度学习打分器作为奖励函数。在生成过程中使用策略梯度方法如PPO来更新扩散模型或其部分参数使得模型生成高奖励高亲和力分子的概率最大化。优势可以将任何可计算的指标作为奖励非常灵活。挑战RL训练不稳定奖励稀疏且需要大量的采样和评估计算成本极高。方法二分类器引导扩散。这是目前更主流、更高效的方法。它不需要修改扩散模型本身的参数。其核心思想是在逆向去噪的每一步不仅利用扩散模型预测的原始分数∇_{x_t} log p(x_t)还额外加上一个分类器梯度∇_{x_t} log p(c | x_t)的引导。公式∇_{x_t} log p(x_t | c) ≈ ∇_{x_t} log p(x_t) s · ∇_{x_t} log p(c | x_t)其中s是引导尺度控制条件影响的强度。p(c | x_t)是一个额外训练的分类器它接收一个带噪声的分子x_t预测其满足条件c如亲和力高于某个阈值的概率。操作在生成时我们从噪声开始。每一步先用扩散模型估计去噪方向同时用分类器计算当前噪声分子“有多大可能具备高亲和力”的梯度。将这两个梯度方向结合得到最终的去噪步骤。这样生成过程就会被“拉向”高亲和力区域。关键这里需要一个能在噪声数据上工作的分类器p(c | x_t)。通常的做法是用与扩散模型相同的前向加噪过程对大量分子亲和力标签数据对进行加噪然后训练一个网络去根据噪声分子x_t和时间步t预测亲和力标签。4.2 构建可靠的亲和力预测代理无论是RL中的奖励函数还是分类器引导中的分类器其核心都是一个亲和力预测模型。这个模型的准确性至关重要如果它指错了方向整个生成过程就会南辕北辙。在实践中我们面临一个权衡物理精确方法如自由能微扰精度高但一次计算就需要海量计算资源不可能用于对成千上万个生成分子进行实时打分。经验打分函数计算快但精度和泛化能力常受诟病。深度学习打分器这是目前的折中方案。用大量已知的蛋白-配体复合物结构及其实验测得的亲和力数据如PDBbind数据库训练一个深度学习模型如基于3D CNN或GNN的模型。它可以实现毫秒级的预测且精度优于传统经验打分函数。实操心得不要完全依赖公开的基准测试结果来评价你的打分函数。一定要在与你目标靶点同源或类似的测试集上验证其表现。我曾遇到过一个案例一个在通用测试集上表现优异的GNN打分器在某个特定激酶家族上系统性预测偏差很大直接导致生成的分子活性不佳。建议构建打分器时采用多任务学习同时预测亲和力、关键相互作用如氢键、盐桥这能提升模型的物理可解释性和鲁棒性。5. 第三步保守相互作用引导——追求“拟天然”的智能如果说亲和力驱动确保了结合的“强度”那么保守相互作用引导则旨在优化结合的“模式”和“特异性”这是提高成药性的关键。许多成功的药物分子其与靶标的作用模式如与某个关键催化残基形成氢键网络在进化上是保守的。5.1 识别与定义保守相互作用首先需要从生物化学角度定义什么是需要引导的“保守相互作用”。基于已知配体/药物分析已知的活性分子或上市药物与靶标的共晶结构提取共有的、关键的相互作用模式。例如“配体必须与残基ASP32形成双齿氢键”。基于突变实验数据如果有丙氨酸扫描突变实验数据可以明确哪些残基的突变对活性影响最大这些残基的相互作用就是需要优先保守的。基于序列比对通过多序列比对找出活性位点中高度保守的残基这些残基通常承担着重要的功能与之形成相互作用是合理的。这些相互作用可以形式化为一系列空间和化学约束例如距离约束配体中某个供体原子与蛋白中某个受体原子之间的距离应小于3.5Å氢键。角度约束D-H...A的角度应在一定范围内。类型约束配体在特定位置应包含一个羧基或胺基。5.2 将约束融入生成过程如何将这些复杂的空间化学约束变成扩散模型能理解的引导信号这比简单的亲和力标量要复杂。方法一作为条件输入。将关键的相互作用残基信息如类型、坐标、功能团方向作为额外的条件特征与整个蛋白条件一起编码输入模型。模型在训练时会隐式地学习到生成分子与这些关键残基形成有利相互作用的模式。但这是一种“软约束”模型可能会忽略。方法二作为细化的事后过滤或优化。先使用结构和亲和力条件生成一批分子然后用分子对接或几何匹配算法筛选出那些能满足预设相互作用约束的分子。或者以这些分子为起点进行基于片段的生长或连接刻意引入满足相互作用的化学基团。这更像一个两阶段流程。方法三构建“相互作用满足度”分类器进行引导进阶。这是最直接但实现难度较高的方法。类似于亲和力分类器我们可以训练一个分类器p(I | x_t, pocket)其中I是一个布尔向量表示一组预设的相互作用如氢键1、氢键2、π-π堆积…是否被满足。在生成时使用这个分类器的梯度进行引导∇_{x_t} log p(x_t | pocket, I) ≈ ∇_{x_t} log p(x_t | pocket) s · ∇_{x_t} log p(I | x_t, pocket)这需要构建一个包含详细相互作用标注的训练数据集并且分类器要能处理噪声输入x_t。在实践中混合策略往往更有效。例如在条件编码中强调关键残基方法一用亲和力引导保证结合强度第四章最后在生成的分子库中用快速的几何检测程序方法二筛选出完美匹配关键相互作用的分子。这平衡了生成效率与约束满足的严格性。6. 整合框架与实战管线设计将上述三个步骤串联起来就构成了一个完整的、概率扩散驱动的AI药物设计管线。下面我以一个虚拟的案例勾勒其核心工作流和实操要点。假设任务针对一个新型激酶靶点K设计具有高活性、高选择性的小分子抑制剂。6.1 数据准备与预处理靶标结构获取靶点K的晶体结构或高精度AlphaFold2预测模型。明确结合口袋的定义。参考配体收集已知的最好是不同 scaffolds 的激酶抑制剂与K或同源蛋白的共晶结构分析保守相互作用模式如与铰链区的关键氢键。训练数据扩散模型预训练需要大规模的无条件分子数据集如ZINC、ChEMBL用于学习基本的化学规则和分子几何。条件生成训练需要蛋白-配体复合物结构数据集如PDBbind精炼集用于训练模型学习结构感知生成。亲和力分类器训练使用PDBbind等带有实验亲和力数据的数据集构造噪声分子亲和力标签对进行训练。可选相互作用分类器训练需要人工或半自动标注的、包含特定相互作用标签的数据集。6.2 模型训练与验证流水线阶段一基础扩散模型预训练。在大规模分子库上训练一个无条件3D分子扩散模型。验证其生成分子的化学合理性如通过RDKit检查、多样性、新颖性。阶段二条件扩散模型训练。在蛋白-配体复合物数据集上以蛋白口袋为条件微调或从头训练扩散模型。关键验证指标对接成功率。将生成的分子用快速对接软件如QuickVina回接到原口袋计算RMSD评估模型生成“对得进去”的分子的能力。阶段三亲和力分类器训练。独立训练一个噪声感知的分类器。验证其在干净分子和不同噪声水平分子上的亲和力排名能力与实验值或精确计算值的斯皮尔曼相关系数。阶段四引导生成与筛选。这是推理阶段。针对靶点K a.输入蛋白K的结构定义结合口袋。 b.生成运行条件扩散模型同时用训练好的亲和力分类器进行引导设置引导尺度s。生成数千个候选分子。 c.过滤先用简单的理化性质过滤器类药五规则、PAINS过滤器去除明显不合理的分子。 d.相互作用筛选用脚本分析剩余分子与口袋关键残基如铰链区的几何关系筛选出能形成预设保守相互作用的分子子集。 e.精细打分与排序对筛选后的分子使用更精确但更耗时的分子对接如AutoDock Vina, Glide SP或深度学习打分器进行重新打分和排序。 f.专家审查与后续排名前50-100的分子由药物化学专家进行视觉审查评估合成可行性最终选出10-20个进行湿实验验证。6.3 关键超参数与调试经验引导尺度s这是控制“创造性”与“条件遵从性”平衡的旋钮。s0即无条件生成s越大生成分子越符合条件但多样性可能下降甚至出现模式崩溃生成分子极其相似。需要从较小值如1.0开始尝试逐步增加观察生成分子的多样性和性质分布。生成步骤数扩散模型的采样步骤。步骤越多生成质量通常越高但耗时越长。在研究和早期探索中可以使用加速采样技术如DDIM在50-100步内获得不错的结果。分类器温度在分类器引导中有时会对分类器的logits除以一个温度参数T。T1会平滑概率分布使引导更温和T1会使分布更尖锐引导更强烈但可能更不稳定。踩坑实录在一次项目中我们设置了过高的引导尺度s10和过低的分类器温度T0.5导致生成的分子几乎全部收敛到同一个局部最优结构丧失了多样性。后来我们将s降至3.0T设为1.2并引入了随机种子遍历和引导尺度的小范围随机扰动成功获得了既满足高打分又保持一定多样性的分子库。这提醒我们引导生成不是一蹴而就的需要像调PID控制器一样耐心调整参数。7. 挑战、局限与未来展望尽管概率扩散模型为AI药物设计打开了新的大门但我们仍需清醒地认识到当前的挑战。数据瓶颈高质量的蛋白-配体共晶结构数据尤其是带有精确亲和力数据的仍然有限。这限制了条件扩散模型和打分模型的泛化能力特别是对于某些难成药靶点如蛋白-蛋白相互作用界面。“幻想”问题扩散模型可能生成在结构上非常完美、打分很高但实际物理化学性质不合理或合成极其困难的分子。这要求下游必须有严格的、基于知识的过滤和专家判断。动态性忽略当前方法大多处理静态的蛋白结构。而实际结合过程是动态的涉及构象变化和诱导契合。将蛋白质动力学纳入生成条件是一个重要的前沿方向。多目标优化困境药物设计需要同时优化亲和力、选择性、溶解性、代谢稳定性、口服生物利用度等数十个属性。目前的引导扩散主要针对单一或少数目标。如何平衡多个、有时甚至冲突的目标需要更先进的优化算法如基于帕累托前沿的多目标优化。可合成性生成的分子必须能够被合成。目前许多模型会集成反应性预测或逆合成分析作为后过滤或条件但将其无缝、前瞻性地融入生成过程仍是挑战。从我个人的实践来看概率扩散驱动的生成式设计已经从一个炫酷的概念变成了一个能切实产出新颖苗头化合物的工具。它的价值不在于替代药物化学家而在于极大地扩展了人类的探索空间从浩渺的化学宇宙中为我们定位出那些最有希望的“恒星”。未来的趋势必然是更紧密地融合物理原理如分子力学、更高效地利用多模态数据序列、结构、生物活性图谱以及构建从靶点发现到分子生成、性质预测、合成规划的一体化智能平台。作为从业者我们需要深入理解这些模型背后的原理保持对生成结果的批判性审视并始终与实验科学家紧密合作让AI真正成为药物发现这场漫长探险中可靠的“探路者”。
扩散模型驱动的AI药物设计：从靶标感知到亲和力优化
1. 从“试错”到“生成”AI药物设计范式的跃迁在药物研发这个以“十年十亿美金”著称的漫长赛道上最核心、也最令人头疼的环节之一就是先导化合物的发现与优化。传统方法依赖高通量筛选和基于经验的化学修饰过程如同大海捞针不仅成本高昂成功率也极低。近年来以深度学习为代表的AI技术开始渗透这一领域从早期的虚拟筛选、活性预测逐步发展到如今更前沿的生成式设计。而其中扩散模型的崛起正为AI药物设计带来一场深刻的范式变革。简单来说早期的AI药物设计更像一个“评分员”或“筛选员”。我们准备好一大堆候选分子让AI模型去预测它们的活性、毒性等性质从中挑出分数高的。这虽然提升了效率但本质上还是在已有的化学空间里“选”创造力有限。而扩散模型驱动的生成式设计则让AI扮演了“设计师”的角色。它可以从头开始根据我们设定的目标比如针对某个特定的蛋白质靶点直接“画”出全新的、具有理想性质的分子结构。这个过程是从“概率噪声”中一步步“去噪”生成清晰、合理的分子其核心驱动力正是概率扩散过程。我最近深入研读了发表在《核酸研究》上的一篇前沿工作其标题“概率扩散驱动的AI药物设计从靶标结构感知到亲和力驱动再到保守相互作用引导”精准地概括了当前最先进的思路。这不仅仅是技术的堆砌更反映了一条清晰的逻辑演进路径首先让AI“看见”并理解靶标蛋白的三维结构其次引导它生成能与靶标紧密结合高亲和力的分子最后也是更高阶的要求确保生成的分子能模拟天然配体或关键药物的保守相互作用模式从而更有可能具备良好的活性和特异性。今天我就结合这篇文献的脉络与我自己在相关领域的实践为大家拆解这套技术框架背后的原理、实现的关键细节以及在实际操作中可能遇到的“坑”。2. 基石扩散模型如何“无中生有”生成分子在深入靶标感知之前我们必须先理解扩散模型这个“引擎”是如何工作的。它在图像生成领域大放异彩如DALL-E、Stable Diffusion其思想同样适用于分子这种具有规则图结构的数据。2.1 前向与逆向从分子到噪声再从噪声到分子扩散模型的核心是一个加噪和去噪的马尔可夫链。我们可以把一个确定的分子结构比如它的原子坐标、类型、键连关系看作一张清晰的“图片”。前向过程扩散这是一个固定的、逐步添加高斯噪声的过程。假设我们有第t步的分子数据x_t通过一个含噪声的变换得到更嘈杂的版本x_{t1}。经过足够多的步骤T后原始的分子数据x_0就变成了一个几乎纯随机的高斯噪声x_T。这个过程是已知且简单的目的是为训练提供一个明确的“破坏”路径。逆向过程生成这才是模型需要学习的核心。我们从一个纯高斯噪声x_T开始训练一个深度学习模型通常是一个U-Net结构的网络来预测如何一步步“去除”噪声最终恢复出一个合理的分子结构x_0。模型在每一步t的学习目标是给定嘈杂数据x_t和时间步t预测出添加到x_{t-1}上的噪声或者直接预测出更清晰的x_{t-1}。在分子生成场景下x可以表示为分子图G (V, E)其中V是原子节点包含类型、坐标等特征E是化学键边。扩散过程会同时对节点和边的特征添加噪声。注意分子生成与图像生成的一个关键区别在于离散性。原子类型、化学键类型是离散的类别变量而坐标是连续的。处理这种混合数据需要特殊的噪声策略和损失函数设计比如对离散特征使用分类扩散或掩码扩散这是实践中第一个容易出问题的地方。2.2 条件生成给扩散模型一个“指挥棒”无条件扩散模型可以生成随机且多样的分子但这对于药物设计来说远远不够。我们需要的是条件生成给定特定条件c生成满足该条件的分子。在AI药物设计中这个条件c就是我们的“设计蓝图”。条件信息的注入通常通过交叉注意力机制实现。在去噪网络U-Net的中间层我们将条件c编码成一个向量序列然后通过交叉注意力让去噪过程中的特征与条件向量进行交互。这样去噪过程每一步的决策都会受到条件c的引导。公式上去噪模型的学习目标从p(x_{t-1} | x_t)变成了p(x_{t-1} | x_t, c)。条件c的编码质量直接决定了生成分子的定向性。接下来要讨论的“靶标结构感知”、“亲和力驱动”等本质上都是在精心设计和构建这个条件c。3. 第一步靶标结构感知——让AI具备“视觉”能力传统基于配体的药物设计LBDD只关注分子本身忽略了靶点。而基于结构的药物设计SBDD则将靶点蛋白的三维结构作为核心输入。要让扩散模型进行SBDD第一步就是教会它“看懂”蛋白结构。3.1 蛋白结构的表征与编码蛋白结构是一个由氨基酸残基组成的三维空间对象。如何将其转化为神经网络可以处理的向量即条件c是关键。主流方法一3D卷积/图神经网络GNN提取局部口袋特征。这是最直观的方法。将蛋白结合口袋通常是活性位点定义为一个3D网格或一个图。网格法将口袋空间划分为体素网格每个格点用特征填充如原子类型密度、静电势、疏水性等。然后使用3D卷积神经网络如3D CNN或Voxel-based网络来提取多尺度空间特征。图法将口袋中的每个氨基酸残基或原子视为图节点节点间的空间距离或相互作用视为边。然后使用图神经网络如GAT、GIN进行消息传递聚合邻居信息最终得到每个节点的特征向量或整个图的全局特征向量。主流方法二预训练蛋白语言模型如ESMFold的嵌入。这类模型如ESM-2在海量蛋白序列数据上进行了预训练能够生成富含结构和功能信息的残基级特征向量。即使不输入精确的三维坐标这些嵌入也隐式包含了结构信息。我们可以直接将目标蛋白序列输入ESM模型获取每个残基的嵌入然后将其作为条件信息。这种方法对蛋白结构的精度要求较低更适用于只有序列或低精度模型的情况。主流方法三几何深度学习如SE(3)-等变网络。蛋白和配体在三维空间中的旋转、平移不应影响它们相互作用的本质。SE(3)-等变网络如EGNN, Tensor Field Networks在设计上就保证了这种对称性能更自然、更高效地处理3D几何数据。它们直接以原子坐标和类型为输入在网络传播过程中保持等变性输出的特征对于旋转平移是稳定的这被认为是更优雅和强大的方法。在实际构建条件c时往往混合使用多种表征。例如既使用GNN提取口袋的精细几何特征也融合ESM嵌入提供的进化与语义信息形成一个强大的条件编码。3.2 条件注入与协同生成获得蛋白条件编码后我们并不是简单地将一个全局向量c输入扩散模型。更精细的做法是进行空间对齐的协同生成。具体而言在去噪过程的每一步当前生成的、尚不完整的配体原子点云或图x_t会与固定的蛋白口袋结构进行空间对齐。对于配体中的每个原子i模型会计算其与口袋中所有关键原子/残基的距离和方向。这些几何关系连同之前提取的蛋白特征会通过交叉注意力或特征拼接的方式动态地影响该配体原子下一步的去噪方向即它应该向哪个坐标移动应该成为哪种原子类型应该与哪个原子成键。这就好比一个雕塑家扩散模型在雕刻一块石头噪声他不仅心中有一个雕像的蓝图全局条件还会不断用手感受雕像与支架蛋白的接触点局部条件实时调整雕刻力度和方向。这种“感知-反馈”的闭环是生成能精准放入口袋的分子的基础。4. 第二步亲和力驱动——从“形似”到“神合”生成一个能塞进蛋白口袋的分子只是第一步我们更关心它能否与靶标强效结合。这就需要引入亲和力驱动。亲和力通常用结合自由能ΔG或其近似值如打分函数来衡量。4.1 亲和力作为优化目标强化学习与引导扩散单纯的结构条件只能保证形状互补形似无法保证相互作用强度神合。因此需要将亲和力作为一个优化目标直接引导生成过程。这里主要有两种技术路线方法一基于强化学习RL的微调。这是一种“事后修正”的思路。首先用结构感知的扩散模型预训练一个生成策略。然后将亲和力预测模型可以是一个传统的分子力学/泊松-玻尔兹曼表面积计算也可以是一个训练好的深度学习打分器作为奖励函数。在生成过程中使用策略梯度方法如PPO来更新扩散模型或其部分参数使得模型生成高奖励高亲和力分子的概率最大化。优势可以将任何可计算的指标作为奖励非常灵活。挑战RL训练不稳定奖励稀疏且需要大量的采样和评估计算成本极高。方法二分类器引导扩散。这是目前更主流、更高效的方法。它不需要修改扩散模型本身的参数。其核心思想是在逆向去噪的每一步不仅利用扩散模型预测的原始分数∇_{x_t} log p(x_t)还额外加上一个分类器梯度∇_{x_t} log p(c | x_t)的引导。公式∇_{x_t} log p(x_t | c) ≈ ∇_{x_t} log p(x_t) s · ∇_{x_t} log p(c | x_t)其中s是引导尺度控制条件影响的强度。p(c | x_t)是一个额外训练的分类器它接收一个带噪声的分子x_t预测其满足条件c如亲和力高于某个阈值的概率。操作在生成时我们从噪声开始。每一步先用扩散模型估计去噪方向同时用分类器计算当前噪声分子“有多大可能具备高亲和力”的梯度。将这两个梯度方向结合得到最终的去噪步骤。这样生成过程就会被“拉向”高亲和力区域。关键这里需要一个能在噪声数据上工作的分类器p(c | x_t)。通常的做法是用与扩散模型相同的前向加噪过程对大量分子亲和力标签数据对进行加噪然后训练一个网络去根据噪声分子x_t和时间步t预测亲和力标签。4.2 构建可靠的亲和力预测代理无论是RL中的奖励函数还是分类器引导中的分类器其核心都是一个亲和力预测模型。这个模型的准确性至关重要如果它指错了方向整个生成过程就会南辕北辙。在实践中我们面临一个权衡物理精确方法如自由能微扰精度高但一次计算就需要海量计算资源不可能用于对成千上万个生成分子进行实时打分。经验打分函数计算快但精度和泛化能力常受诟病。深度学习打分器这是目前的折中方案。用大量已知的蛋白-配体复合物结构及其实验测得的亲和力数据如PDBbind数据库训练一个深度学习模型如基于3D CNN或GNN的模型。它可以实现毫秒级的预测且精度优于传统经验打分函数。实操心得不要完全依赖公开的基准测试结果来评价你的打分函数。一定要在与你目标靶点同源或类似的测试集上验证其表现。我曾遇到过一个案例一个在通用测试集上表现优异的GNN打分器在某个特定激酶家族上系统性预测偏差很大直接导致生成的分子活性不佳。建议构建打分器时采用多任务学习同时预测亲和力、关键相互作用如氢键、盐桥这能提升模型的物理可解释性和鲁棒性。5. 第三步保守相互作用引导——追求“拟天然”的智能如果说亲和力驱动确保了结合的“强度”那么保守相互作用引导则旨在优化结合的“模式”和“特异性”这是提高成药性的关键。许多成功的药物分子其与靶标的作用模式如与某个关键催化残基形成氢键网络在进化上是保守的。5.1 识别与定义保守相互作用首先需要从生物化学角度定义什么是需要引导的“保守相互作用”。基于已知配体/药物分析已知的活性分子或上市药物与靶标的共晶结构提取共有的、关键的相互作用模式。例如“配体必须与残基ASP32形成双齿氢键”。基于突变实验数据如果有丙氨酸扫描突变实验数据可以明确哪些残基的突变对活性影响最大这些残基的相互作用就是需要优先保守的。基于序列比对通过多序列比对找出活性位点中高度保守的残基这些残基通常承担着重要的功能与之形成相互作用是合理的。这些相互作用可以形式化为一系列空间和化学约束例如距离约束配体中某个供体原子与蛋白中某个受体原子之间的距离应小于3.5Å氢键。角度约束D-H...A的角度应在一定范围内。类型约束配体在特定位置应包含一个羧基或胺基。5.2 将约束融入生成过程如何将这些复杂的空间化学约束变成扩散模型能理解的引导信号这比简单的亲和力标量要复杂。方法一作为条件输入。将关键的相互作用残基信息如类型、坐标、功能团方向作为额外的条件特征与整个蛋白条件一起编码输入模型。模型在训练时会隐式地学习到生成分子与这些关键残基形成有利相互作用的模式。但这是一种“软约束”模型可能会忽略。方法二作为细化的事后过滤或优化。先使用结构和亲和力条件生成一批分子然后用分子对接或几何匹配算法筛选出那些能满足预设相互作用约束的分子。或者以这些分子为起点进行基于片段的生长或连接刻意引入满足相互作用的化学基团。这更像一个两阶段流程。方法三构建“相互作用满足度”分类器进行引导进阶。这是最直接但实现难度较高的方法。类似于亲和力分类器我们可以训练一个分类器p(I | x_t, pocket)其中I是一个布尔向量表示一组预设的相互作用如氢键1、氢键2、π-π堆积…是否被满足。在生成时使用这个分类器的梯度进行引导∇_{x_t} log p(x_t | pocket, I) ≈ ∇_{x_t} log p(x_t | pocket) s · ∇_{x_t} log p(I | x_t, pocket)这需要构建一个包含详细相互作用标注的训练数据集并且分类器要能处理噪声输入x_t。在实践中混合策略往往更有效。例如在条件编码中强调关键残基方法一用亲和力引导保证结合强度第四章最后在生成的分子库中用快速的几何检测程序方法二筛选出完美匹配关键相互作用的分子。这平衡了生成效率与约束满足的严格性。6. 整合框架与实战管线设计将上述三个步骤串联起来就构成了一个完整的、概率扩散驱动的AI药物设计管线。下面我以一个虚拟的案例勾勒其核心工作流和实操要点。假设任务针对一个新型激酶靶点K设计具有高活性、高选择性的小分子抑制剂。6.1 数据准备与预处理靶标结构获取靶点K的晶体结构或高精度AlphaFold2预测模型。明确结合口袋的定义。参考配体收集已知的最好是不同 scaffolds 的激酶抑制剂与K或同源蛋白的共晶结构分析保守相互作用模式如与铰链区的关键氢键。训练数据扩散模型预训练需要大规模的无条件分子数据集如ZINC、ChEMBL用于学习基本的化学规则和分子几何。条件生成训练需要蛋白-配体复合物结构数据集如PDBbind精炼集用于训练模型学习结构感知生成。亲和力分类器训练使用PDBbind等带有实验亲和力数据的数据集构造噪声分子亲和力标签对进行训练。可选相互作用分类器训练需要人工或半自动标注的、包含特定相互作用标签的数据集。6.2 模型训练与验证流水线阶段一基础扩散模型预训练。在大规模分子库上训练一个无条件3D分子扩散模型。验证其生成分子的化学合理性如通过RDKit检查、多样性、新颖性。阶段二条件扩散模型训练。在蛋白-配体复合物数据集上以蛋白口袋为条件微调或从头训练扩散模型。关键验证指标对接成功率。将生成的分子用快速对接软件如QuickVina回接到原口袋计算RMSD评估模型生成“对得进去”的分子的能力。阶段三亲和力分类器训练。独立训练一个噪声感知的分类器。验证其在干净分子和不同噪声水平分子上的亲和力排名能力与实验值或精确计算值的斯皮尔曼相关系数。阶段四引导生成与筛选。这是推理阶段。针对靶点K a.输入蛋白K的结构定义结合口袋。 b.生成运行条件扩散模型同时用训练好的亲和力分类器进行引导设置引导尺度s。生成数千个候选分子。 c.过滤先用简单的理化性质过滤器类药五规则、PAINS过滤器去除明显不合理的分子。 d.相互作用筛选用脚本分析剩余分子与口袋关键残基如铰链区的几何关系筛选出能形成预设保守相互作用的分子子集。 e.精细打分与排序对筛选后的分子使用更精确但更耗时的分子对接如AutoDock Vina, Glide SP或深度学习打分器进行重新打分和排序。 f.专家审查与后续排名前50-100的分子由药物化学专家进行视觉审查评估合成可行性最终选出10-20个进行湿实验验证。6.3 关键超参数与调试经验引导尺度s这是控制“创造性”与“条件遵从性”平衡的旋钮。s0即无条件生成s越大生成分子越符合条件但多样性可能下降甚至出现模式崩溃生成分子极其相似。需要从较小值如1.0开始尝试逐步增加观察生成分子的多样性和性质分布。生成步骤数扩散模型的采样步骤。步骤越多生成质量通常越高但耗时越长。在研究和早期探索中可以使用加速采样技术如DDIM在50-100步内获得不错的结果。分类器温度在分类器引导中有时会对分类器的logits除以一个温度参数T。T1会平滑概率分布使引导更温和T1会使分布更尖锐引导更强烈但可能更不稳定。踩坑实录在一次项目中我们设置了过高的引导尺度s10和过低的分类器温度T0.5导致生成的分子几乎全部收敛到同一个局部最优结构丧失了多样性。后来我们将s降至3.0T设为1.2并引入了随机种子遍历和引导尺度的小范围随机扰动成功获得了既满足高打分又保持一定多样性的分子库。这提醒我们引导生成不是一蹴而就的需要像调PID控制器一样耐心调整参数。7. 挑战、局限与未来展望尽管概率扩散模型为AI药物设计打开了新的大门但我们仍需清醒地认识到当前的挑战。数据瓶颈高质量的蛋白-配体共晶结构数据尤其是带有精确亲和力数据的仍然有限。这限制了条件扩散模型和打分模型的泛化能力特别是对于某些难成药靶点如蛋白-蛋白相互作用界面。“幻想”问题扩散模型可能生成在结构上非常完美、打分很高但实际物理化学性质不合理或合成极其困难的分子。这要求下游必须有严格的、基于知识的过滤和专家判断。动态性忽略当前方法大多处理静态的蛋白结构。而实际结合过程是动态的涉及构象变化和诱导契合。将蛋白质动力学纳入生成条件是一个重要的前沿方向。多目标优化困境药物设计需要同时优化亲和力、选择性、溶解性、代谢稳定性、口服生物利用度等数十个属性。目前的引导扩散主要针对单一或少数目标。如何平衡多个、有时甚至冲突的目标需要更先进的优化算法如基于帕累托前沿的多目标优化。可合成性生成的分子必须能够被合成。目前许多模型会集成反应性预测或逆合成分析作为后过滤或条件但将其无缝、前瞻性地融入生成过程仍是挑战。从我个人的实践来看概率扩散驱动的生成式设计已经从一个炫酷的概念变成了一个能切实产出新颖苗头化合物的工具。它的价值不在于替代药物化学家而在于极大地扩展了人类的探索空间从浩渺的化学宇宙中为我们定位出那些最有希望的“恒星”。未来的趋势必然是更紧密地融合物理原理如分子力学、更高效地利用多模态数据序列、结构、生物活性图谱以及构建从靶点发现到分子生成、性质预测、合成规划的一体化智能平台。作为从业者我们需要深入理解这些模型背后的原理保持对生成结果的批判性审视并始终与实验科学家紧密合作让AI真正成为药物发现这场漫长探险中可靠的“探路者”。
