通过等变椭圆抛物线界面预测进行刚性蛋白质相互作用对接
内容提要
该文综述了蛋白质对接与分子对接的深度学习方法：EquiDock利用SE(3)等变图匹配预测复合物结构；DiffDock-PP以扩散模型将未结合蛋白转为结合构象；HelixDock借助大规模生成数据预训练并展现扩展规律；SyNDock可快速组装多聚体；DeltaDock结合大蛋白模型与图神经网络实现高效采样与优化；DiffDock将对接视为生成建模，显著提升准确性与效率。
延伸解读
等变网络与可微分对齐：EquiDock 的设计思路
EquiDock 通过 SE(3)-等变图匹配网络，利用关键点匹配和对齐逼近配体口袋，并用可微分 Kabsch 算法预测对接姿态。这种设计避免大量采样、结构精炼或模板依赖，在多数情况下计算时间优于现有对接软件。但文章也指出仍需实证研究，说明其效率优势尚未经过广泛实验验证。
扩散模型与生成式对接的演进
DiffDock-PP 将未结合蛋白结构转化为结合构象，DiffDock 则将小分子对接视为生成建模问题，两者均采用扩散过程。文章称 DiffDock 在准确性和计算效率上显著优于传统对接和深度学习方法，DiffDock-PP 也优于先前方法并提供置信度估计。这显示生成式建模正成为蛋白质对接的重要方向。
预训练与规模化：HelixDock 的扩展规律
HelixDock 利用大规模多样化生成数据预训练，再结合少量精确受体-配体复合物结构微调。文章指出，随着模型参数和预训练数据数量增加，性能持续改进，揭示了预训练分子对接模型的扩展规律。在挑战性测试集上，它优于传统物理方法和深度学习基线，表明生成数据有望推进 AI 驱动的药物发现。
多聚体组装与高效框架的多样化探索
SyNDock 将多聚体对接表述为学习全局变换，可在几秒内快速组装精确多聚体复合物，关键指标优于现有软件。DeltaDock 结合大型蛋白质模型与图神经网络，通过 GPU 加速采样和迭代优化，在盲对接和特定位点对接中表现卓越。这些工作显示，对接研究正从二聚体向多聚体、从单一方法向通用框架扩展。
Q&A
EquiDock 是如何预测蛋白质复合物 3D 结构的？
EquiDock 通过设计 SE(3)-等变图匹配网络，使用关键点匹配和对齐来逼近配体口袋，并采用可微分 Kabsch 算法预测对接姿态，从而预测蛋白质复合物的 3D 结构。该模型无需大量采样、结构精炼或模板，在大多数情况下计算时间优于现有对接软件。
DiffDock-PP 和 DiffDock 在蛋白质对接中有什么不同？
DiffDock-PP 是基于扩散生成模型的蛋白质-蛋白质对接方法，学习将未束缚的蛋白结构转化为其绑定构象，性能优于先前方法并提供可靠的置信度估计。DiffDock 则将小分子-蛋白质对接视为生成建模问题，基于扩散过程准确预测小分子配体和蛋白质的结合结构，在准确性和计算效率上显著优于传统对接和深度学习方法。
HelixDock 如何利用大规模生成数据提升对接性能？
HelixDock 利用大规模和多样化的生成数据进行深度学习预训练，结合少量精确的受体-配体复合物结构进行特定位点分子对接。该方法在挑战性测试集上优于传统基于物理和基于深度学习的基线方法，并揭示了预训练分子对接模型的扩展规律：随着模型参数和预训练数据数量的增加，性能持续改进。
SyNDock 在多聚体蛋白质对接中有什么优势？
SyNDock 是一种自动化框架，可在几秒钟内快速组装精确的多聚体复合物，在关键性能指标上优于现有对接软件。它将多聚体蛋白对接表述为学习全局转换的问题，并提出了可训练的两步 SE(3) 算法，用于将链单元置于全局一致性的解决方案中。
DeltaDock 框架的两个步骤是什么？它支持哪些对接设置？
DeltaDock 在快速采样准确结构和多尺度迭代优化初步结构两个步骤中操作。它通过大型蛋白质模型和图神经网络，结合 GPU 加速采样算法，实现了盲对接和特定位点对接设置下的卓越性能，并能预测物理有效结构。
深度学习在分子对接中如何加速虚拟筛选？
深度学习通过学习具有更快优化速度的函数形式评分函数来加速分子对接。例如，使用图神经网络参数化的多通道配体和蛋白质标量场的互相关作为评分函数，实现快速优化刚体自由度，并在常见结合口袋的虚拟筛选设置中表现良好。此外，基于深度学习的直接预测方法可快速预测药物分子与蛋白质结合位置，用于快速虚拟筛查或制药工程，相比传统方法具有更高速度和更好质量。
