Q-VD-OPH

2026年2月18日，清华大学马剑竹、王新泉、北京大学国际癌症研究院韩传辉、首都医科大学王子华担任共同通讯在《Cell》期刊上发表研究论文，题为“Unified modeling of 3D molecular generation via atomic interactions with PocketXMol”。 该研究提出在原子层面统一与蛋白口袋相互作用相关生成任务的模型PocketXMol。在13项计算基准测试中，PocketXMol在其中11项上取得了强劲表现，并在剩余两项中保持竞争力，整体优于55个基线模型。将PocketXMol应用于设计Caspase-9抑制小分子，其效果可与商业化的泛Caspase抑制剂相当。利用PocketXMol生成PD-L1结合肽，其成功率显著超过文库筛选方法。三个代表性肽进一步接受实验验证，结果证实了其细胞特异性，并确认了其在分子探针和治疗方面的潜力。 PocketXMol代码仓库： https://github.com/pengxingang/PocketXMol 背景 人工智能已经彻底改变了分子结构预测和分子设计领域。然而，现有模型通常依赖针对特定任务定制的专用算法。一个关键观察是，所有分子任务都受到原子相互作用这一普适物理原理的支配。因此，一个自然的问题是：是否可以借助大规模数据，构建一个统一的、原子级别的模型来刻画基本分子相互作用，类似于自然语言、视觉等领域中的基础模型？ 然而，统一多种任务面临关键挑战。尽管文本提示在大语言模型中已被证明有效，但自然语言并不是定义分子任务的精确媒介，尤其在涉及复杂空间关系或多个分子片段时更是如此。当前生成模型的另一个关键限制在于虽然它们在单一任务上表现出色，但其依赖任务特定的先验分布和采样过程，使其难以整合实现多任务联合学习。进一步的挑战是缺乏统一的分子表示方式，现有模型使用彼此独立、类型特定的表示格式，从根本上限制了任务之间及分子类型之间的迁移能力。 方法 为了解决上述问题，作者提出一个统一的原子级生成模型PocketXMol，其建立在三个关键组件之上：(1)任务提示机制：直接在原子层面定义输入和输出，相较于基于文本的描述提供更精确的控制；(2)通用去噪器架构：将不同任务的分布映射到统一的噪声空间，实现联合多任务训练而无需任务特定微调；(3)原子级任务表示：绕过显式氨基酸建模，从而增强不同分子类型之间的可迁移性。 具体而言，PocketXMol将输入分子抽象为原子与化学键的集合，从而学习原子级相互作用的基本规律(图1A、1B)。每项任务通过任务提示进行定义，该提示由二元指示变量构成，用于控制哪些分子变量需要生成(图1C)。模型主干为几何神经网络，通过迭代方式对带噪输入进行加噪与去噪。与使用预定义噪声调度的扩散模型不同，PocketXMol根据任务提示自动确定不同原子组分的噪声类型与尺度。这种机制将不同类型的噪声转换到统一、可观测的分子表示空间，使模型能够仅通过带噪分子直接识别任务，而无需额外任务特定参数。基于该统一表示，所有生成任务在同一综合数据集上联合训练，以学习共享结构模式(图1B、1D)。因此，PocketXMol可直接应用于不同任务，无需微调，相比许多预训练模型具有显著优势。 图1 PocketXMol框架 数据集及评估设置 为了训练PocketXMol，作者构建了一个3D分子结构数据集，包括1198万多个小分子、39911个蛋白-肽复合物以及85434个蛋白-小分子复合物。数据来源包括PDBBind、Binding MOAD、CrossDocked2020、PepBDB、AlphaFold DB、ChEMBL、ZINC、GEOM-Drug、CREMP以及Uni-Mol数据集。在13项生成任务上对PocketXMol进行了评估，包括小分子对接、线性/环肽对接、3D构象预测、基于结构的药物设计(SBDD)、3D分子生成、片段连接、PROTAC设计、片段生长、分子优化、线性/环肽设计、肽逆折叠。共使用51项评价指标，与55种基线方法进行比较。 结果 小分子设计性能 基于结构的药物设计(SBDD)。将PocketXMol与多种SBDD方法进行比较，在100个基准口袋中，每个口袋生成100个分子进行评估。在涵盖分子性质、2D分子图质量、3D构象保真度的14项指标中，PocketXMol在其中11项排名第一(图2A)。对于每个口袋，计算生成分子中Vina分数优于参考分子的比例并通过PoseBusters 3D有效性过滤控制结构有效性与结合强度之间的权衡。PocketXMol在每个口袋中生成的高质量3D分子中位数为35.37%，显著高于第二名基线的20.54%(图2B)。此外，PocketXMol的置信度评分与Vina分数相关，可用于有效候选优先排序(图2C)。 3D分子生成。生成1000个与真实药物大小相近的分子与基线模型比较。结果显示分子有效性高且原子间距离分布与测试集中类药分子匹配。在加入体积形状约束后，生成分子符合预定义形状，并具有合理拓扑与结构(图2D)。 图2 小分子设计性能 片段连接。在DiffLinker数据集上生成每对片段100个3D分子。PocketXMol在2D/3D有效性、结构恢复率、与参考分子的3D相似性方面均优于基线(图2E,2F)。在43个PROTAC分子测试集中，已知片段位置时，PocketXMol有效分子比例为 59.60%，优于DiffLinker的34.03%。未知片段姿态时，通过多级扰动输入，PocketXMol有效性达56.88%，显著高于LinkerNet的6.99%。 片段生长。在无片段姿态输入情况下，为每对口袋-片段生成100个分子。相比AutoDock Vina + DiffDec两步法，PocketXMol在分子完整性(+26.03%)、与参考分子相似性(+47.64%)、Vina分数方面均显著提升。 分子优化。以LogP优化为例(目标值1.8)，100个测试分子快速收敛至目标，显著优于初始值。 Caspase-9抑制剂设计。Caspase-9介导的内源性凋亡是肿瘤内源性免疫感知通路的重要障碍(图3A)。合成了16个设计分子，其中ID为84663的分子(图3B)可有效抑制ABT-737诱导的caspase-9与caspase-3激活(图3C)。该分子与已知抑制剂相似性低且在常见数据库中无近似结构。进一步优化得到15个分子，其中D12、D13、D18、D19表现突出(图3D)。D12抑制效果与Q-VD-OPh和Z-LEHD-FMK TFA相当(图3E,F)。酶活实验显示D12与84663不直接抑制caspase-3，支持其通过caspase-9结合发挥作用(图3G)。 图3 Caspase-9抑制剂设计 肽设计性能 PocketXMol将肽生成视为一种特殊的片段生长任务。在给定肽主链原子和3D口袋结构的条件下，PocketXMol同时生成侧链原子的类型与坐标以及主链坐标(图4A)。这种建模方式将肽结构-序列协同设计转化为端到端的分子原子生成过程，有别于显式建模氨基酸的方法。此外，PocketXMol直接生成全原子坐标，无需对接或侧链重排等后处理步骤。 线性肽设计。为验证该设计策略，从PepBDB对接基准中构建了包含35个蛋白-肽复合物的测试集，用于为每个蛋白口袋设计肽。为评估PocketXMol是否学会了氨基酸构型，对生成侧链原子的嵌入进行平均并对所得氨基酸嵌入进行可视化(图4B)。结果显示聚类与真实氨基酸类型高度一致，嵌入空间布局反映了侧链的化学相似性，还捕捉到了结构化语义关系。与RFdiffusion相比，PocketXMol更好复现测试集氨基酸分布(图4E)，具有更高序列恢复率，生成结构质量更高(图4F)。PocketXMol生成肽的二级结构比例更接近测试集，说明其结构偏差更小(图4G)。 图4 肽设计性能 肽逆折叠。相比ProteinMPNN，PocketXMol序列恢复率更高、序列多样性更高，这表明直接生成并放置侧链原子优于仅进行氨基酸分类(图4H、4I)。此外，PocketXMol同步确定侧链构象，并与真实结构一致(图4J)，体现出其生成精确全原子结构的能力。 环肽设计。结果表明，PocketXMol在top-1与top-10 Rosetta结合能上更优。在以下指标上表现相当，如序列恢复率、backbone RMSD、二级结构组成(图4K)。 含非天然氨基酸(NAA)的肽设计。在所有含NAA的肽中，识别出454种独特NAA侧链，覆盖多样的尺寸、频率、新颖性和理化性质(图4L)。将高频NAA映射到最接近的标准残基后，Rosetta能量比较显示NAA肽具有相当或更优的能量，表明PocketXMol使用NAA优化结合相互作用。 PD-L1结合肽设计。使用PocketXMol设计靶向PD-L1的10肽，并进行实验验证。针对三个PD-L1口袋结构(PDB：3BIK、4ZQK、5IUS)生成肽，随后使用多种评分工具筛选排序。最终选取382条肽进行SPRi结合实验。结果15条肽达到KD≈10⁻⁸ M；76条肽达到KD≈10⁻⁷ M(图5A)。对比随机肽库107条中仅8条达到10⁻⁸ M。对上述15条肽进行聚类(图5B)，显示出良好多样性的同时保持结构一致性。随后进行了体内成像验证(图5E,F)，结果表明PocketXMol设计肽具有优异的体内靶向性与选择性，适用于肿瘤成像与诊断。 图5 PD-L1结合肽设计 分子结构生成性能 小分子对接。使用PoseBusters基准评估了PocketXMol在小分子对接任务中的表现。PocketXMol性能仅次于具有已定义口袋的AlphaFold 3(图6A)。RMSD与排序分数呈相关性，并且随着每个口袋选择的构象数量增加，性能进一步提升(图6B–6D)。 图6 小分子结构生成性能 酶底物识别。将PocketXMol应用于酶-底物对接并评估其自置信度评分是否能够区分活性与非活性底物。结果表明PocketXMol的对接置信度在不同酶家族中具有判别能力，表现优于AlphaFold 3(图6J、6K)。 线性肽对接。在包含79个蛋白-肽复合物的数据集上进行了评估。对接性能与肽性质相关，更短肽更准确；α/β含量较低更准确(图7C)，在Q-BioLiP新数据上的测试得到一致结论(图7D)。还评估了在替代口袋结构上的肽对接表现，原始PocketXMol与微调后的PocketXMol-PF两者均表现稳定，说明对口袋变化具有鲁棒性(图7E)。对于更长或更刚性的肽，PocketXMol-PF略占优势。 环肽对接。在26个蛋白-环肽复合物上评估 PocketXMol，结果表明PocketXMol与专用方法性能相当，平均DockQ为0.82–0.87(图7J)。 图7 肽对接性能 局限性 PocketXMol主要面向口袋导向任务设计，不适用于其他类型的相互作用，如蛋白-核酸对接与设计。其计算复杂度呈二次增长，限制了其在大规模复合物中的应用。此外，训练数据覆盖范围有限，使其在处理含有稀有元素或金属离子的配体时能力受限。PocketXMol依赖预定义的口袋结构，无法与配体联合推断或优化口袋结构，因此在口袋边界不明确或来源于低分辨率数据时适用性有限。尽管模型对预测口袋或非天然口袋具有一定鲁棒性，但若能实现口袋生成或柔性口袋建模，将有助于扩展其在诱导契合对接及口袋设计中的应用。最后，针对设计分子，目前缺乏实验解析结构(如X射线晶体结构)来验证生成的结合构象，这限制了对预测结果的全面评估。 虽然功能实验能够提供活性证据，但直接的结构确认对于充分验证PocketXMol生成预测的准确性仍然至关重要。未来若能增加实验验证，包括通过晶体学或冷冻电镜(cryo-EM)解析设计复合物结构，以及合成并测试更复杂的配体类别(如环肽)，将进一步巩固模型能力，并拓展其应用范围。 参考链接： https://doi.org/10.1016/j.cell.2026.01.003 --------- End --------- 感兴趣的读者，可以添加小邦微信加入读者实名讨论微信群。添加时请主动注明姓名-企业-职位/岗位或姓名-学校-职务/研究方向。