Proliposomal Intravesical Paclitaxel

如果有一天，我们可以在计算机里“运行”一个细胞，会发生什么？ 敲掉一个基因、加入一种药物、改变一个微环境，模型是否可以提前告诉我们细胞会如何变化？这正是近年来生命科学领域快速发展的方向：Virtual Cell（虚拟细胞）。 2024年，Cell发表论文提出AI Virtual Cell愿景：利用人工智能和大规模生物数据，建立能够预测细胞状态变化的计算模型。 Virtual Cell 概念示意 理想中的 Virtual Cell 不只是对细胞状态进行数字化表征，而是希望整合单细胞组学、扰动实验、药物与空间信息，进一步预测细胞在不同干预下可能走向的未来状态。01｜虚拟细胞究竟是什么？ 传统生命科学回答的是：“这个细胞是什么？” 而Virtual Cell想回答的是： 如果改变这个细胞，它接下来会发生什么？ Single-cell Foundation Model 与 Virtual Cell 的能力边界示意图 Single-cell Foundation Model 更擅长回答“What is this cell?”；Virtual Cell 则希望进一步回答“What will happen if...?”——当基因、药物或环境发生改变时，细胞接下来会怎样。 理想中的虚拟细胞需要理解： Cell State（当前状态）+ Perturbation（扰动）+ Context（环境背景）→ Future Cell State（未来状态） 这里的扰动可以是基因敲除、药物处理、CRISPR扰动等；环境则包括组织位置、疾病背景和细胞间相互作用。Virtual Cell ≠ 单细胞大模型 Geneformer、scGPT、UCE等模型让AI越来越会“认识细胞”。但认识一个细胞，不代表预测它受到干预后的变化。 描述细胞，不等于预测细胞。 Virtual Cell真正的目标，是从“What is this cell”走向“What will this cell do if”。02｜如果Virtual Cell实现，会改变什么？1. 从大量试错，到选择最值得做的实验 生命科学中的实验空间巨大： 基因 × 药物 × 细胞类型 × 剂量 × 时间 × 微环境。 现实实验无法穷举，因此科研人员真正面对的问题往往不是“有没有实验”，而是“下一个实验应该做什么”。 Virtual Cell可以先进行大规模in silico实验： 10000个候选实验 → 100个高价值预测 → 10个湿实验验证 它不是替代实验，而是帮助研究者把资源投入最有价值的问题。 Virtual Cell 辅助实验空间筛选示意图 面对 Gene × Drug × Cell × Dose × Time × Context 构成的巨大实验空间，Virtual Cell 的价值并非取代湿实验，而是在计算机中先进行大规模探索，把有限实验资源集中到最值得验证的问题上。 2. 从分子结合，到预测细胞命运 传统计算药物研发更多关注： Molecule → Protein 但真正的生命过程是： Molecule → Protein → Pathway → Gene Expression → Cell State → Phenotype Virtual Cell希望补上的，正是从分子作用到细胞表型之间的复杂过程。 Molecule → Protein → Pathway → Cell State → Phenotype跨尺度示意图 Virtual Cell 希望把分子作用、通路变化、基因表达和细胞表型连接到同一个可预测框架中。3. 从预测工具，到科学假设生成器 未来Virtual Cell可能发现研究人员没有主动想到的问题： 例如Gene A和Gene B单独扰动没有明显变化，但联合扰动产生强烈表型。 异常预测 → 新假设 → 实验验证 → 新机制 这意味着Virtual Cell的价值不仅是提高效率，也可能帮助发现新的生物学规律。03｜今天的Virtual Cell发展到哪里？第一阶段：AI开始理解细胞 从海量单细胞数据中建立“通用细胞表示”：UCE 尝试将不同组织、数据集和物种中的细胞映射到统一的表示空间，为 AI 建立通用的细胞表征提供了一条路径。来源：Rosen Y, et al., Nature (2026), Fig. 1. Geneformer、scGPT、UCE等Foundation Model推动了细胞表示的发展。 它们解决的问题是： What is this cell? 也就是让AI建立对细胞状态的通用理解。第二阶段：从理解走向预测 CellOT等工作开始关注： 未经处理细胞 → 处理后细胞 也就是预测扰动之后细胞状态如何变化。 Virtual Cell Challenge进一步推动领域建立统一评价标准： 真正的问题不是模型有多复杂，而是它能不能预测未知实验。 预测扰动后的细胞状态：CellOT 利用 neural optimal transport 学习未处理与处理后细胞群体之间的状态映射，代表了单细胞建模从“描述当前状态”走向“预测扰动响应”的一类重要探索。图源：Bunne C, et al. Nature Methods, 2023, Fig. 1. 但目前，这种“预测未知实验”的能力仍然有限。2025 年发表于 Nature Methods 的一项系统评测发现，在基因扰动效应预测任务中，多种深度学习和 Foundation Model 方法并未稳定超过简单的线性基线。这也提醒我们：会表示细胞，并不等于真正理解了细胞受到扰动后会如何变化。 模型更复杂，并不意味着对未知扰动预测得更好：在未见基因扰动预测任务中，多种深度学习与 Foundation Model 方法尚未稳定超过简单线性模型，提示 Virtual Cell 当前真正困难的是泛化，而不只是扩大模型规模。来源：Ahlmann-Eltze C, Huber W, Anders S., Nature Methods (2025), Fig. 2.第三阶段：一个细胞不是孤立存在的 Nicheformer等空间模型开始把组织环境纳入考虑。 未来的问题不只是： “药物作用于这个细胞会怎样？” 而是： “药物作用于这个细胞，在这个组织环境中会怎样？”第四阶段：真正模拟一个细胞 另一条路线是Mechanistic Whole-cell Modeling。 它试图把DNA复制、转录、翻译、代谢、生长等过程写入计算模型。 未来真正的Virtual Cell可能来自两条路线融合： AI Foundation Model + Mechanistic Model + Experimental Data Virtual Cell 四级阶梯示意图 今天的 AI 已经越来越擅长表示细胞，正在进入扰动预测，并开始理解空间和微环境；而完整、可靠、可动态运行的 Virtual Cell 仍是远期目标。 如果把今天的 Virtual Cell 研究放在同一条路径上，大致可以看到四个逐级递进的能力层次。 第一层是 Represent（表示）：让模型能够从海量数据中建立对细胞状态的数字化表示，回答“这是什么细胞”。 第二层是 Predict（预测）：在此基础上加入基因、药物等扰动，进一步回答“如果改变这个细胞，会发生什么”。 第三层是 Contextualize（情境化）：把细胞重新放回真实的组织和微环境中。因为同一个细胞、同一种扰动，在不同空间位置和细胞邻域中，结果可能完全不同。 第四层则是更远期的 Simulate（模拟）：不再只是预测某一次扰动后的终点，而是希望把基因调控、信号传导、代谢、生长等过程连接起来，让一个数字细胞能够随时间持续“运行”。 从 Represent 到 Simulate，本质上也是从“给细胞拍一张数字照片”，逐渐走向“让细胞在计算机中真正动起来”。04｜我们距离真正的Virtual Cell还有多远？ 目前可以认为： 我们已经比较擅长“表示细胞”。 正在努力解决“预测细胞”。 开始尝试理解“环境中的细胞”。 但距离真正能够动态运行、可靠预测生命状态的完整Virtual Cell，仍然很远。 我们已经开始预测细胞，但还没有真正学会运行生命。结语｜Virtual Cell真正想回答的是“如果” 过去几十年，生命科学不断绘制生命地图。 基因组学告诉我们有哪些基因；单细胞技术告诉我们有哪些细胞；空间组学告诉我们这些细胞在哪里。 而Virtual Cell想进一步回答： 如果改变生命系统中的某个因素，接下来会发生什么？ 它最终不是为了取代实验，而是改变科研人员决定下一步实验的方法。 真正的Virtual Cell，不是一张细胞的数字照片，而是一套能够回答“如果……会怎样”的生命模型。延伸阅读 Bunne C, et al. How to build the virtual cell with artificial intelligence: Priorities and opportunities.Cell, 2024. Bunne C, et al. Learning single-cell perturbation responses using neural optimal transport.Nature Methods, 2023. Hao M, et al. Large-scale foundation model on single-cell transcriptomics.Nature Methods, 2024. Ahlmann-Eltze C, et al. Deep-learning-based gene perturbation effect prediction does not yet outperform simple linear baselines.Nature Methods, 2025. Tejada-Lapuerta A, et al. Nicheformer: a foundation model for single-cell and spatial omics.Nature Methods, 2025. 🔬 安徽原植生物科技有限公司  Unlocking Infinite Possibilities in Life Sciences 我们专注于利用 AI驱动的技术，为科研团队提供 分子互作筛选、蛋白质设计到分子模拟与AI模型部署的智能化解决方案，助力药物发现与生命科学研究从头结构设计与定向进化。 ⚙️   分子互作筛选平台    💠 蛋白–蛋白高通量虚拟筛选      PPLM · Boltz-2 · AlphaFold3 · PLIP💠 蛋白–小分子高通量虚拟筛选      AutoDock Vina💠 蛋白–核酸高通量虚拟筛选      HDOCK · AlphaFold3💠 分子动力学模拟与结合稳定性分析      Gromacs 🧩   蛋白质设计平台    💠 蛋白定向改造与结构优化      ProteinMPNN · OmegaFold · HDOCK      EVOLVEpro · foldx · AlphaFold3 💠 抗菌肽从头设计      AMP-Generative · ESM-2 · LSTM💠 高亲和力多肽设计      ProteinMPNN · RFdiffusion · Omegafold      BindCraft · AlphaFold3 💠 纳米抗体从头设计       RFdiffusion · ProteinMPNN       BindCraft · BoltzGen 💡   AI模型与系统部署    💠 定制预测与亲和力分析模型      ProteinMPNN · DiffDock💠 分子对接与能量打分模型部署       AutoDock Vina Pipeline / UniDock 💠 进化树构建与功能预测      多序列比对 · 系统发育分析 AI驱动分子设计 · 助力科研创新 扫码咨询，一起探索前沿科研 抢先掌握未来技术脉动 合作请注明 公众号来源

引言前三篇我们聊了氢键、卤键，今天来到第四篇——盐桥。如果说氢键是药物与蛋白之间的"精准对接"，卤键是"冷门但高效的秘密武器"，那盐桥就是这个作用力网络里"力量感最强"的一环。为什么这么说？一组实验数据足以让你记住它：一个盐桥的断裂，能让化合物的抑制活性从 7 nM 暴跌至 9.3 μM —— 足足下降千倍。这种量级的差异，在药物化学中堪称"断崖式"跌落。盐桥一旦形成，往往对结合亲和力产生决定性影响；但一旦缺失，之前苦心积累的活性可能瞬间归零。它是靶向突变体的"专属钥匙"，也可能是脱靶风险的源头。由此可见，在药物设计中，盐桥是天使，也是魔鬼 —— 关键在于你如何设计它、评估它、权衡它。今天这篇文章，我们就来系统拆解盐桥的本质、计算方法、经典案例，以及它在药物设计中的发挥的双面作用。读完你会明白：什么时候该拥抱盐桥，什么时候该对它保持警惕。一、盐桥是什么？盐桥（Salt Bridge），本质上是带相反电荷的化学基团之间形成的强静电相互作用，同时往往伴随氢键的成分，所以学术界也常称其为"电荷辅助氢键"。它不是单纯的静电吸引，而是静电作用与氢键的"叠加态"，这也是它强度远超普通氢键的根本原因。蛋白质中的典型盐桥配对在蛋白质内部，最常见的盐桥出现在以下两类氨基酸之间：· 带负电的酸性氨基酸：天冬氨酸（Asp, D）、谷氨酸（Glu, E）的侧链羧酸根（–COO⁻）· 带正电的碱性氨基酸：赖氨酸（Lys, K）的铵基（–NH₃⁺）、精氨酸（Arg, R）的胍基在生理pH（~7.4）下，这些侧链基本处于带电状态。当药物分子带有可质子化的碱性基团（如氨基、哌嗪、二甲氨基）或酸性基团（如羧基、四氮唑）时，就有可能与蛋白口袋中的带电残基形成盐桥。强度：环境决定一切盐桥是最强的非共价相互作用之一。在气相中，高精度量子化学计算（MP2/CCSD(T)）显示其相互作用能可高达 –90 至 –520 kJ/mol；但在水溶液中，由于溶剂化效应的削弱，实际对结合自由能的贡献通常在 20–40 kJ/mol 范围。但这里有一个关键变量——环境。暴露在蛋白表面的盐桥，周围充满水分子，形成盐桥需要先"脱掉"这些水，去溶剂化代价很高，净贡献可能很小甚至为负；而埋藏在疏水口袋内部的盐桥，处于低介电常数环境，库仑力被极大放大，对结合的贡献非常显著。所以，"埋藏型盐桥"才是药物设计中真正有价值的目标。二、盐桥如何计算？盐桥的计算分析通常从静态几何判定出发，结合分子动力学模拟和自由能计算，层层深入。以下是四个核心层面：1. 几何判定：距离是第一标准最常用的判定标准是：带相反电荷的原子之间距离 ≤ 4.0 Å。不同工具的cutoff略有差异——PLIP工具使用 5.5 Å，有些研究采用带电基团中心原子距离 ≤ 6 Å。部分算法还会加入角度约束以排除"擦肩而过"的假阳性。在PyMOL中，可以直接用 dist 命令的 mode=3 专门检测盐桥。2. 常用分析工具· PyMOL：dist mode=3 一键检测盐桥，适合快速可视化· VMD：自带盐桥分析插件，也可用Tcl脚本自定义判定规则· PLIP（Protein-Ligand Interaction Profiler）：自动化识别盐桥、氢键、卤键、π相互作用等，输出标准化报告· gmx_saltbridge：专门用于GROMACS MD轨迹的盐桥占据率分析· getcontacts：斯坦福开发的接触分析工具，支持盐桥等多种非共价相互作用的轨迹统计3. MD模拟与占据率分析静态晶体结构只能看到"某一时刻"的盐桥，而分子动力学（MD）模拟可以追踪盐桥在整个模拟时间内的动态稳定性。核心指标是"占据率" —— 即盐桥在轨迹中存在的时间百分比。一般来说，占据率 > 80% 说明盐桥稳定，是关键作用力；占据率 < 30% 则说明盐桥容易断裂，可能不是主要贡献者。4. 结合自由能分解要量化盐桥对结合亲和力的具体贡献，可以用 MM/GBSA 或 MM/PBSA 方法做残基级能量分解，直接看到参与盐桥的带电残基对总结合自由能的贡献数值。需要更高精度时，可以将盐桥区域抠出来，用量子化学方法（MP2、CCSD(T)或DFT）计算精确的相互作用能。图1 | 盐桥相互作用的计算分析流程三、盐桥在药物设计中的作用盐桥对药物的影响是全方位的 —— 从结合稳定性到靶点选择性，再到药效发挥，都能看到它的身影。下面用几个经典案例来说明。3.1 结合稳定性："分子夹子"效应盐桥最直接的作用是增强结合亲和力。但它的机制不只是"多了一个强相互作用"这么简单。💡 经典案例：NMT抑制剂 —— 1328倍的活性差异N-肉豆蔻酰基转移酶（NMT）的两个强效抑制剂 IMP-1088 和 DDD85646，结构完全不同，分别通过高通量筛选和片段筛选独立发现，但它们都在结合口袋中形成了同一个盐桥——抑制剂末端的碱性氮（二甲氨基或哌嗪环）与 NMT 酶 C 端的羧基形成盐桥。实验数据非常惊人：在 DDD85646 衍生物中，将哌嗪环的氮原子替换为碳原子（破坏盐桥），抑制活性 IC50 从7nM 暴跌至 9.3 μM，下降了 1328 倍。类似地，EGFR 抑制剂 compound 10 中，将与 Asp831 形成盐桥的二甲氨基氮替换为碳，活性 IC50从29 nM 降至 25 μM，下降超过 800 倍。MD 模拟揭示了背后的机制：盐桥不仅直接拉住配体，还像一个"分子夹子"（molecular clip），稳定了蛋白活性位点的整体构象，间接增强了整个复合物的稳定性。这就是为什么一个盐桥的断裂能带来上千倍的活性差异——它的影响被构象稳定效应放大了。3.2 靶点选择性：突变特异性的"钥匙"盐桥的另一个巨大价值在于提供靶点选择性，特别是针对疾病相关的突变体。当突变引入了一个野生型没有的带电残基，这个残基就成了"专属靶点"。💡 经典案例：KRAS G12D 抑制剂 MRTX1133 —— 0.2 pM 的超高亲和力KRAS 突变存在于约 30% 的人类癌症中，其中 G12D 是最常见的致癌突变之一，但长期以来被认为"不可成药"。MRTX1133 的突破在于：它利用一个质子化的桥环哌嗪基团，与 G12D 突变引入的 Asp12 天冬氨酸残基形成了特异性盐桥。这个盐桥是选择性的关键 —— 野生型 KRAS 在 12 位是甘氨酸（Gly），没有带负电的侧链，无法形成这个盐桥，因此 MRTX1133 对野生型 KRAS 几乎没有抑制作用。而对 G12D 突变体，其 KD 达到了惊人的 0.2 pM（皮摩尔级）。此外，盐桥还伴随一个与 Gly60 主链羰基的电荷辅助氢键，进一步稳定了结合。这个案例说明：当靶点存在独特的带电残基（尤其是突变引入的），设计能与之形成盐桥的分子，是实现高选择性的有效策略。图2 | MRTX1133 与 KRAS G12D 蛋白的结合模式3.3 药效发挥：保守的"锚定点"在很多药物靶点家族中，盐桥是高度保守的结合模式，是药效发挥的基础。案例一：胺能 GPCR——Asp3.32 盐桥在多巴胺受体、5-羟色胺受体、肾上腺素受体等胺能 GPCR 家族中，跨膜螺旋 3 上的一个天冬氨酸残基（编号为 Asp3.32）是绝对保守的。几乎所有作用于这些受体的药物 —— 包括多巴胺本身、抗精神病药利培酮/氯丙嗪/螺哌隆、抗抑郁药等 —— 都带有一个可质子化的碱性氮，与 Asp3.32 形成盐桥。实验证明：将 Asp3.32 突变为丙氨酸（破坏盐桥），配体结合亲和力下降约 126 倍。这个盐桥是配体在正构结合口袋中的核心"锚定点"，决定了药物能否正确定位并发挥药效。可以说，几乎所有中枢神经类药物的设计，都绕不开这个保守盐桥。案例二：流感神经氨酸酶抑制剂——三 Arg 盐桥网络奥司他韦（达菲）和扎那米韦的结构设计基于流感神经氨酸酶（NA）的晶体结构。NA 的结合口袋中有三个精氨酸残基（Arg118、Arg292、Arg371），共同围绕抑制剂的羧基（–COO⁻）形成一个盐桥网络。其中与 Arg371 的盐桥距离仅 1.6–1.7 Å，气相计算相互作用能高达 –526 kJ/mol。这个三精氨酸盐桥网络是神经氨酸酶抑制剂强效结合的核心驱动力，也是奥司他韦能在纳摩尔级抑制病毒复制的关键。四、对后续药物设计的指导理解了盐桥的特性，在实际药物设计中可以遵循以下原则，趋利避害：1. 优先挖掘"埋藏型"带电残基不是所有带电残基都值得做盐桥。蛋白表面的带电残基周围充满水分子，去溶剂化代价高，净收益可能很小。而埋藏在疏水口袋深处的带电残基处于低介电环境，盐桥的静电作用被放大，是最有价值的设计位点。在分析靶点结构时，先找口袋内部的 Asp/Glu 或 Lys/Arg，再考虑是否引入互补带电基团。2. 合理引入可质子化基团，关注 pKa 匹配要形成盐桥，药物的碱性基团需要在生理 pH 下充分质子化。哌嗪（pKa ~9.8）、二甲氨基（pKa ~10）、脒基等都是常用的正电基团。但 pKa 不是越高越好 —— 过强的碱性会导致分子在生理 pH 下完全带电，严重影响膜通透性。需要在"足够质子化以形成盐桥"和"足够中性以透过膜"之间找平衡。常用策略包括：调节氮原子周围的电子效应、引入邻近吸电子基团微调 pKa。3. 盐桥是"双刃剑"，注意成药性权衡这是盐桥最需要警惕的一点。带电基团虽然能大幅提升结合亲和力，但也会带来一系列成药性问题：· 降低细胞膜通透性（带电分子难以穿越脂质双分子层）· 降低口服生物利用度，增加清除率· 可能与其他蛋白的带电区域发生非特异性结合，带来脱靶风险因此，盐桥设计通常更适合：静脉注射药物、靶向蛋白-蛋白相互作用（需要极高亲和力）、或局部作用药物。口服药物引入盐桥需要非常谨慎的成药性评估，有时可以用前药策略（如酯化掩蔽羧基）来兼顾通透性和靶点结合。4. 用计算工具指导盐桥优化· 先导化合物优化阶段，用 MD 模拟评估候选盐桥的占据率，优先保留高占据率的盐桥· 用 MM/GBSA 自由能分解量化盐桥残基的贡献，判断是否值得为盐桥引入带电基团· 用 pKa 预测工具评估基团在生理 pH 下的质子化状态，避免"设计了但实际不带电"· 评估盐桥附近的介电环境，区分"表面盐桥"和"埋藏盐桥"，前者慎做5. 盐桥可以与其他作用力协同盐桥很少单独存在。在 MRTX1133 的案例中，盐桥旁边就有一个电荷辅助氢键；在神经氨酸酶中，是三个 Arg 协同的盐桥网络；在 NMT 抑制剂中，盐桥与吡唑环的氢键共同发挥作用。设计时可以考虑盐桥 + 氢键、盐桥 + 疏水作用的组合，形成稳定的多作用力网络，效果往往优于单一盐桥。结语盐桥是药物–靶标作用力网络中“力量感”最强的一环。它能让活性提升上千倍，也能让分子卡在细胞膜外进不去；它是突变选择性的钥匙，也是成药性的陷阱。理解盐桥的本质、掌握它的计算方法、权衡它的利弊，是每个药物化学工作者的必修课。不过，理解与权衡从来不是靠静态结构或单次实验就能完成的 —— 盐桥的稳定性、占据率、去溶剂化代价以及对结合自由能的真实贡献，都高度依赖动态环境和构象变化。这正是传统晶体学或对接模拟难以全面回答的问题，也是从“能结合”走向“可成药”的关键鸿沟。为了跨越这道鸿沟，我们需要用分子动力学模拟去捕捉盐桥的真实寿命，用自由能分解去量化它到底是净增益还是净负担。⬇️⬇️⬇️针对新药研发中动态构象验证与结合能定量的关键需求，谱度众合推出分子动力学模拟解决方案。 客户仅需提供靶标蛋白及小分子配体信息，即可获得生理环境下的全原子动态模拟（ns~μs级）、结合自由能精确计算及残基级热点分析，交付含高分辨率图表、中英文方法描述及轨迹动画的SCI即用报告。核心优势速览：▶ 结合稳定可验证：模拟液相动态构象变化，RMSD数据直观评估结合持久稳定性，优于传统静态对接。▶ 残基级热点定位：MM‑PBSA将结合自由能分解至每个氨基酸残基，明确有利与不利位点，精准指导结构优化。▶ 多维交叉验证：同步分析RMSD、RMSF、回转半径、SASA等参数，多维互证热力学平衡，避免单一指标误判。▶ SCI即用交付：提供高清可编辑图表、中英文方法描述段落及PDB轨迹动画，可直接引用或微调用于论文。▶ 数据真实可靠：全流程输入参数、运行日志、原始轨迹可追溯复现，独立存储与严格权限隔离，确保数据安全。参考文献1. Spassov V, et al. A role of salt bridges in mediating drug potency: A lesson from the N-myristoyltransferase inhibitors. Front Mol Biosci. 2022;9:1066029.2. Wang X, et al. KRAS(G12D) can be targeted by potent inhibitors via formation of salt bridge. Cell Discovery. 2022;8:5.3. Bishop JA, et al. Identification of MRTX1133, a Noncovalent, Potent, and Selective KRAS G12D Inhibitor. J Med Chem. 2023;66(4):2725-2740.4. Du QS, et al. Exploring Strong Interactions in Proteins with Quantum Chemistry and Examples of Their Applications in Drug Design. PLoS One. 2015;10(8):e0135262.5. Ferreira de Freitas R, Schapira M. A systematic analysis of atomic protein–ligand interactions in the PDB. MedChemComm. 2017;8(10):1970-1981.6. Kurczab R, et al. The salt bridge in ligand-protein complexes - systematic theoretical and statistical investigations. J Mol Graph Model. 2018;84:131-142.7. Peng Y, et al. Discovery of 4-(dimethylamino)but-2-enoyl derivatives as potent EGFR inhibitors. Bioorg Med Chem Lett. 2013;23(18):5145-5149.8. Wang H, et al. Structure of the human dopamine D3 receptor in complex with a D2/D3 selective antagonist. Science. 2010;330(6007):1091-1095.