AI 当分子对接裁判,准确率和 Smina 打平,价值在哪?

目录

1. 研究者推出了 PepSpecBench 基准，通过统一输出空间和剔除数据泄露，证明了现有质谱预测模型在跨物种和参数调整时的泛化能力远逊于预期。
2. PreStoi 将 AlphaFold3 的模型打分与传统模板信息结合，解决了预测蛋白质复合物各组分数量这一关键瓶颈。
3. 大语言模型驱动的流程能将海量、原始的质谱数据，转化为对蛋白质翻译后修饰（PTM）功能的具体、可检验的结构生物学假说。
4. 研究者开发了一个计算框架，通过设计能广泛结合多种人类白细胞抗原（HLA）的「超级多肽」，为开发覆盖广谱人群的 T 细胞疫苗提供了新思路。
5. 这个工具用大语言模型像专家一样解读物理化学数据来评判对接构象，虽然准确率没超过传统方法，但其可解释的决策过程是最大亮点。

1. 揭开多肽质谱预测模型性能虚高的真相

现在计算生物学领域有个普遍现象。每年都有大量预测多肽串联质谱（Tandem Mass Spectrometry, MS/MS）的新模型问世。大家都在论文里宣称自己达到了最优性能。

行内人都知道这水分很大。模型 A 预测 174 维的典型离子，模型 B 预测两万个特征区间的全谱图，模型 C 输出字典格式。这就像让举重运动员和百米飞人比谁更强。根本没法比。

为了解决这笔糊涂账，研究者开发了 PepSpecBench。这是一个统一的评估基准。它做了一个关键的工程设定。不管底层架构是什么，所有模型的输出都被强制投影到一个 234 维的标准碎片离子空间。这个空间涵盖了 b/y 离子、最高 3 价的碎片电荷以及最长 40 个氨基酸的多肽。大家终于站到了同一个擂台上。

统一标准只是第一步。研究者紧接着修复了领域内最常见的数据泄露漏洞。

以前大家习惯随机拆分数据集。这存在严重问题。一条特定的多肽序列，带有乙酰化修饰的版本分到了训练集，带有氧化修饰的版本分到了测试集。模型其实根本没有学会预测碎片化规律。它只是把这段多肽的骨架背了下来。

PepSpecBench 引入了骨架互斥（Backbone-Disjoint）拆分法。训练集、验证集和测试集之间的未修饰多肽骨架是完全隔离的。测试结果毫不意外。当采用这种严格拆分法时，Prosit 等经典模型的预测准确率出现了实质性的下降。这证明以前的高分有很大一部分来自死记硬背。

评估模型好不好，看榜单排名是不够的。研究者把眼光放到了分布外（Out-of-Distribution, OOD）的真实应用场景。

他们做了一套跨物种的零样本测试。数据涵盖了 HeLa 细胞、酵母、大肠杆菌、线虫和拟南芥。结果让很多人大跌眼镜。在人类数据集（MassIVE-KB）上表现最好的模型，一旦换到其他物种，性能排名会彻底洗牌。比如全谱预测模型 PredFull 在跨物种测试中表现出了极强的鲁棒性，把那些偏向序列特征的模型远远甩在身后。甚至有些模型在跨物种时的预测相关性降到了零以下。

除了换物种，仪器参数也是个大坑。

在实际做质谱实验时，归一化碰撞能量（Normalized Collision Energy, NCE）和前体电荷状态会直接影响碎片的产生。研究者对此进行了压力测试。

他们给模型出了一道难题。强制把输入参数里的电荷状态从 2 价改成 3 价。看看模型会有什么反应。结果发现，像 AlphaPeptDeep 这样的模型对电荷变化几乎毫无察觉，出现了严重的模式崩溃。而 Prosit 家族的模型则能敏锐捕捉到这种变化。

NCE 测试也得出了类似的结论。如果在单一 NCE 参数的数据集上训练模型，模型在推理时会直接无视 NCE 变化。只有在包含多种 NCE 条件的数据（如 PROSPECT 数据集）上训练，模型才能学会真正利用这个物理参数，而不是把它当成毫无意义的背景噪音。给模型喂元数据是一回事。模型有没有学会使用它，完全是另一回事。

这个基准测试给整个领域提了个醒。我们不能再盯着单一的准确率数字自嗨了。从数据预处理、防泄露拆分到跨物种泛化，模型需要经历全方位的体检。只有这样，基于深度学习的质谱预测才能真正走进实验室。

📜Title: PepSpecBench: A Unified Evaluation Benchmark for Peptide Tandem Mass Spectrometry Prediction
🌐Paper: https://arxiv.org/abs/2605.01945
💻Code: 无

2. PreStoi: AlphaFold3 终于能搞定复合物组分数量了

做结构预测的都清楚，AlphaFold-Multimer 这类工具很强大，但它有一个前提：你得告诉它复合物里每个亚基有几个。可现实中，很多时候我们根本不知道。手头有两个蛋白 A 和 B，它们形成的复合物到底是 A1B1，还是 A2B2，或者 A1B2？猜错一步，后面耗费大量计算资源得到的结果可能就是一堆垃圾。这正是 PreStoi 这篇工作要解决的实际痛点。

它的思路是，就是把化学计量的预测变成一个「搜索 - 排序」问题。
第一步，它会根据一些规则，提出一堆可能的化学计量方案。
第二步，把这些方案挨个扔给 AlphaFold3 去建模。
第三步，用 AlphaFold3 的置信度分数给这些模型排序。
第四步，如果能找到已知的同源复合物结构（也就是模板），就用这个信息来辅助决策，修正排序结果。

最有意思的地方在于 AlphaFold3 和模板信息的整合。单靠任何一方，效果都不够好。CASP16 的盲测数据说得很明白：只用 AlphaFold3 的分数来挑，Top-1 准确率大概在 50% 左右；只用模板信息，也差不多是这个数。但把两者结合起来，PreStoi 的 Top-1 准确率一下子就飙到了 71.4%。

为什么模板信息这么重要？
因为当一个可靠的模板存在时，它的信息往往比 AlphaFold3 的打分更准。它可以直接「告诉」我们正确的组分比例，纠正 AlphaFold3 可能犯的错误。此外，有些复合物特别大，比如超过 5000 个氨基酸，AlphaFold3 的官方服务器根本跑不了，这时候模板就成了唯一的救命稻草。

那为什么又离不开 AlphaFold3？
因为很多蛋白根本找不到合适的模板。在 CASP16 中，大约 39% 的靶点就属于这种情况。没有模板，AlphaFold3 的打分就成了黑暗中的一盏灯，为我们从众多候选方案中找出最可能的一个提供了关键信号。

当然，这个方法也不是万能的。它最大的软肋在于区分那些「兼容的化学计量」。最典型的例子就是异源二聚体（A1B1）和异源四聚体（A2B2）。这两个复合物的结构可能高度重叠，相互作用界面也几乎一样，导致 AlphaFold3 的分数难分伯仲，模板信息有时也帮不上忙。这说明，现有的打分函数在评估全局组装的合理性方面还有待提高。

除了这个问题，还有一些硬骨头，比如分层组装（亚基先形成同源寡聚体，再进一步组装）、对称性（对称的构型通常更合理）以及超大复合物（如 A9B18），这些都需要引入更多的先验知识才能解决。

PreStoi 提供了一个实用的解决方案，让我们在进行大规模复合物结构预测时，不再需要靠拍脑袋去猜化学计量。它把一个棘手的上游问题自动化了，对于药物研发和结构生物学研究来说，这意味着效率和准确性的大幅提升。

📜Title: PreStoi allows accurate prediction of protein complex stoichiometry by integrating AlphaFold3 and template information
🌐Paper: https://doi.org/10.1038/s42003-026-10126-x
💻Code: https://github.com/jianlin-cheng/prestoi

3. AI 读懂蛋白质修饰，质谱数据不再是天书

做蛋白质组学研究的肯定都对 Open-search 质谱分析给出的那份长长的「delta-mass list」不陌生。我们拿到一大堆蛋白质上检测到的质量偏移值，然后呢？哪个是真正的翻译后修饰（Post-Translational Modification, PTM），哪个又是实验过程中的「杂音」？这个修饰到底对蛋白质的功能意味着什么？这中间的鸿沟，传统上需要大量的人工注释和文献查阅，费时费力。

这篇论文提出的新流程，正试图用大语言模型（Large Language Model, LLM）来填补这个鸿沟。在我看来，它的核心价值在于把 PTM 的「发现」和「结构功能解读」这两个原本脱节的环节连接了起来。

工作原理是什么？

整个流程分为两部分：PTMdiscoverer 负责识别注释，PTM-Psi 负责结构模拟。

第一步：用 PTMdiscoverer 从数据里淘金

1. 数据输入：起点是 MSFragger 这类开放式搜索软件给出的原始质谱结果。
2. 严格筛选：模型在进行任何推理之前，会先用一套严格的质控流程过滤数据。比如，它会筛掉那些肽段谱图匹配（PSM）概率不高的、有漏切位点的、或者修饰位点定位不准的结果。这一步保证了喂给大语言模型的都是高质量的候选事件。
3. LLM 上场：这是整个流程最地方。研究者没有粗暴地把质量偏移列表丢给模型，而是设计了一个结构化的「零样本提示」（zero-shot prompt）。这个提示就像一份给模型的「案情摘要」，里面包含了关键的实验背景信息。例如，样品处理时用了什么试剂（TMT 标记、NEM 硫醇封闭剂）、研究的物种是什么、实验条件如何等。

大语言模型会基于这些上下文信息，像一个经验丰富的科学家一样进行推理：

最后，它会输出一个标准化的 JSON 文件，方便后续的自动化分析。

实际效果如何？

研究者用一个经典的生物学案例——蓝藻的「暗复合物」（dark complex）——来检验这套流程。这个复合物由 GAPDH/GAP2、CP12 和 PRK 三种蛋白组成，其组装和功能受到氧化还原状态的精密调控，是验证 PTM 分析方法的理想模型。

经过初步筛选后，候选的 PTM 事件数量依然庞大：CP12 上有 92 个，PRK 有 394 个，GAP2 有 171 个。如果靠人工去逐一分析，工作量可想而知。

PTMdiscoverer 的表现很亮眼。它自动将注意力集中在了半胱氨酸（Cysteine）上。在这三种蛋白中，模型都高优先级地标出了一个 +15.994 Da 左右的质量偏移，并将其解读为「氧化修饰」，与已知的亚磺酰化（sulfenylation, Cys-SOH）完全一致。这正是调控卡尔文循环和暗复合物组装的关键信号。

它还能排除干扰。模型正确地识别出一些质量偏移（如 +57.029 Da 和 +125.044 Da）是来自于样品制备过程中加入的 NEM 试剂，属于实验「伪影」（artifact），而不是生物体内的真实修饰。这能帮研究者避免掉进坑里，去追逐一些错误的线索。

从「是什么」到「做什么」

发现 PTM 只是第一步，我们最终想知道的是它对蛋白质功能的影响。

这就是流程第二部分 PTM-Psi 的用武之地。PTMdiscoverer 识别出的高可信度 PTM 信息（比如「蛋白 X 的 149 位半胱氨酸发生了亚磺酰化」）可以直接输入到结构预测模型中（例如 AlphaFold 的结构）。

然后，研究者就可以通过分子动力学模拟，观察这个小小的化学修饰如何引起蛋白构象的变化、影响其动态行为，或者改变它与其他分子的相互作用。比如，这个修饰是打开了酶的活性中心，还是破坏了一个蛋白复合物的结合界面？这样一来，我们就从一堆质谱数据出发，最终得到了一个关于 PTM 功能的、可以在实验中被验证的机理假说。

当然，这个工作也有局限性。比如大语言模型的输出不是百分百稳定的（研究者通过多次运行取共识来解决），目前展示的案例也比较单一。但作为一个框架，它指明了一个非常有前景的方向：将人工智能的上下文理解能力与经典的生物物理模拟相结合，真正实现从海量数据到生物学洞见的自动化、智能化分析。

📜Title: An LLM-driven pipeline for proteomics-based detection and structural modeling of post-translational modifications
🌐Paper: https://www.biorxiv.org/content/10.64898/2026.05.01.722279
💻Code: https://github.com/pnnl/PTMdiscoverer

4. AI 设计「超级抗原」，能造出通用 T 细胞疫苗吗？

做 T 细胞疫苗开发，最头疼的问题之一就是人类白细胞抗原 (Human Leukocyte Antigen, HLA) 的多态性。你可以把它想象成每个人身上都有一套型号各异的「锁」（HLA 分子），而疫苗里的抗原多肽就是「钥匙」。如果你的钥匙只能开一种锁，那疫苗就只能保护一小部分人。我们的目标是找到一把能打开尽可能多型号锁的「万能钥匙」。这篇 PNAS 的文章，就是讲如何用计算的方法来设计这种「万能钥匙」。

这个叫 superHLA 的工具是怎么工作的？

研究者的思路不是大海捞针。他们用了一种叫做马尔可夫链蒙特卡洛 (Markov Chain Monte Carlo, MCMC) 的算法。这个方法很聪明，它不像传统的优化算法那样，只顾着往「结合力最强」这个山顶上爬，爬到一个小山丘就以为是珠穆朗玛峰了（也就是陷入局部最优）。MCMC 像一个经验丰富的登山者，它会在序列空间里进行一种「有引导的随机漫步」。

具体来说，它会随机改变多肽序列中的一个氨基酸，然后评估这个新序列与 12 种代表性 HLA 超型的结合能力总分。如果总分变高了，就接受这个改变。但关键在于，即使总分稍微变差了一点，它也有一定概率接受这个改变。这就像登山者为了寻找更高的山峰，有时会选择先下到一个山谷里。这种机制让算法能够跳出局部最优的陷阱，探索更广阔的序列空间，从而找到那些真正具有广泛结合能力的序列。

从 19 万个候选物到 100 个「种子选手」

通过 10 次独立的计算运行，这个框架生成了大约 40 万个独特的多肽序列，其中有超过 19 万个被预测能与 8 到 12 种 HLA 超型结合。这个数字太大了，不可能全都拿去做实验。

接下来就是一系列堪称「实战派」的筛选流程，这是从计算到实验最关键的一步：

1. 聚类去重：先把功能相似（结合模式类似）的候选物归为一类，每类只选代表。
2. 去掉难合成的：有些氨基酸序列在多肽合成仪上很难做出来，或者纯度很低，直接扔掉，省钱省时间。
3. 多模型交叉验证：为了防止被单一预测模型的偏见带偏，他们同时用了 netMHCpan 4.1、netMHCpan 4.0 和 MHCflurry 三个工具。只有三个工具都认为「行」的候选物才能晋级。
4. 排除「自己人」：检查这些序列是否与人体自身蛋白序列相似，避免引发自身免疫反应。
5. 保证多样性：最后用类似进化树聚类的方法，从剩下的精英里挑选出 100 个化学结构差异最大的多肽，拿去合成。

实验结果怎么样？

这是见证奇迹的时刻。在合成的 100 个多肽中，有 21 个在体外实验中表现出色，能够结合 4 到 9 种不同的 HLA 超型。其中一个明星分子 RMYDRHYLF，竟然能结合 9 种！这证明了计算设计的思路是可行的。

这项研究也给了我们一个非常宝贵的「现实检验」。计算预测的结合广度，通常比实验测出来的要多 3-6 种。换句话说，模型有点过于乐观了。而且，模型对不同 HLA 等位基因的预测能力参差不齐，比如对 B15:01 预测很准，但对 A01:01 就几乎预测不出来。这告诉我们，依赖单一的计算预测是有风险的，多模型共识和实验验证缺一不可。

这对药物研发意味着什么？

这个 superHLA 框架提供了一个可扩展的配方，不仅能从头设计全新的「超级结合剂」，还可以用来优化已知的病毒抗原。比如，研究者把它用在新冠病毒的 S 蛋白序列上，很快就找到了那些稍加改造就能变成「超级结合剂」的潜力区域。

当然，我们必须保持清醒。能够结合 HLA 只是 T 细胞免疫的第一步。这个多肽是否能被细胞内的蛋白酶正确切割、pMHC 复合物是否稳定、是否能被 T 细胞受体 (TCR) 有效识别，以及最重要的，是否安全，这些都是后续需要大量工作去验证的问题。但无论如何，这项工作为我们设计广谱 T 细胞疫苗这把「万能钥匙」，提供了一个强大而新颖的工具箱。

📜Title: Computational design of HLA class I superbinders for broad T cell immunogenicity
🌐Paper: https://doi.org/10.1073/pnas.2318820123
💻Code: https://github.com/elinor398/super-HLA

5. AI 当分子对接裁判，准确率和 Smina 打平，价值在哪？

我们每天都要跟分子对接（molecular docking）打交道。跑完对接，软件会扔给你几十个构象（pose），然后用一个打分函数（scoring function）排序。但我们都知道，这个分数常常不靠谱。最后，还是得靠人眼，一个一个地看，检查氢键、疏水相互作用、有没有不合理的碰撞。这个过程很繁琐，也很依赖经验。

现在，有人想让 AI 来干这个「人工审查」的活。这篇论文提出的 AgenticPosesRanker 就是这样一个尝试。

它没有去训练一个全新的、端到端的打分函数。那种「黑箱」模型，你很难知道它为什么给这个构象高分，给那个构象低分。

他们把大语言模型（LLM）当成一个刚入行的计算化学家。你不指望他从头建立一套物理理论，而是给他一套标准的分析工具和一个明确的操作指南（SOP）。

具体来说，这个 AI「裁判」手上有 6 个经典工具：

1. PLIP：用来识别氢键、盐桥这类非共价相互作用。
2. SASA：计算溶剂可及表面积，判断配体埋得有多深。
3. MMFF94：计算配体的构象应变能，看它为了结合是不是扭曲得太厉害了。
4. 空间位阻检测：检查配体和蛋白原子是不是「撞」到一起了。
5. 未满足的埋藏极性原子罚分：检查那些藏在疏水内部、又没形成氢键的极性原子。这是成药性的一个大忌。
6. SMILES 身份检查：确保分子还是那个分子，没在计算中发生化学变化。

AI 拿到这些工具的分析报告后，开始它的「判断」工作。比如，报告显示 Pose A 有完美的氢键，但应变能很高；Pose B 埋得很深，但有一个未满足的埋藏氮原子。

换做是你，你怎么选？这就要权衡利弊。研究者通过一个长长的系统提示词（system prompt）给了 AI 一套决策规则，就像是导师在指导学生：「结合模式和相互作用质量优先；应变能和空间位阻作为决胜分；只飘在表面的构象永远不能排第一。」这本质上是把资深药物化学家的隐性知识（tacit knowledge）代码化了。

为了检验这个 AI 裁判的水平，研究者设计了一个很巧妙的测试集。他们选了 10 个蛋白 - 配体复合物体系。其中 5 个，传统的打分函数 Smina 能准确找出接近晶体结构的构象；另外 5 个，Smina 则完全搞错。这样就能清楚地看到，新方法是能保住 Smina 的胜利果实，还是能修正 Smina 的错误。

结果如何？AgenticPosesRanker 的最佳构象预测准确率是 50%。而基准 Smina 呢？也是 50%（这是由数据集设计决定的）。

打了个平手。

再深入分析一下：在 Smina 做对的 5 个例子里，AI 裁判也做对了 4 个。这说明它能识别出好的构象。但在 Smina 搞砸的 5 个例子里，AI 只修正了 1 个。这意味着，它在「去伪存真」方面的能力还很有限。

那么，忙活了半天，准确率没提升，这东西还有什么用？

它的真正价值在于可解释性。传统的打分函数只给你一个冷冰冰的数字，比如 -10.5 kcal/mol。而 AgenticPosesRanker 会给你一份详细的分析报告：「我之所以将 Pose_A8 排在第一，是因为它形成了两个关键的氢键，并且与蛋白的疏水腔道匹配良好，尽管它的应变能略高。我将 Pose_C2 降级，是因为它虽然应变能低，但与残基 TYR88 存在明显的空间位阻。」

这就像一个随时待命的虚拟同事，帮你整理了所有关键信息，并给出了它的判断逻辑。你可以清晰地审查它的每一步推理，看看自己是否同意。

更有趣的是，研究者还做了「决策归因」（decision attribution）分析。他们检查 AI 的「自述理由」是否与真实数据一致。比如，AI 说它选择某个构象是因为「相互作用好」，那这个构象的 PLIP 分析结果是不是真的最好？结果发现，二者高度相关（Spearman 相关系数高达 +0.83）。

这说明 AI 的推理逻辑是自洽的。它没有「胡思乱想」，而是严格按照你给的规则和数据在办事。如果它最后选错了，问题很可能不出在它的推理能力上，而是出在你给它的那套分析工具上——那些工具可能没有捕捉到决定结合的关键物理信息。

所以，别指望用这个工具去做千万级别分子的虚拟筛选，它太慢了。它的定位更像是一个用于后期精细化分析的辅助决策系统。当你为几个关键化合物的结合模式争论不休时，可以让这个 AI 裁判来提供一个有理有据的「第二意见」。它代表了一种方向：未来的 AI 不仅要给出答案，更要解释它为什么这么想。

📜Title: AgenticPosesRanker: An agentic AI framework for physically grounded ranking of protein–ligand docking poses
🌐Paper: https://arxiv.org/abs/2605.03707