Nat. Methods | AF2BIND：借助 AlphaFold2 的成对表示，从头预测蛋白质小分子结合位点

原文信息 Gazizov A, Lian A, Goverde C, Mou J, Ovchinnikov S, Polizzi NF, Nature Methods, Vol. 23, 626–635 (March 2026) DOI: 10.1038/s41592-026-03011-2 代码与：github.com/sokrypton/AF2BIND 数据库：af2bind.solab.org

目录

1. 1. 研究背景与问题
2. 2. 核心方法设计
3. 3. 训练策略与数据集构建
4. 4. 性能评估与对比
5. 5. 模型解释性：诱饵激活与配体极性预测
6. 6. 全人类蛋白质组扫描
7. 7. 鲁棒性分析
8. 8. 局限性
9. 9. 综合评价与展望

一、研究背景与问题

1.1 药物发现中的"第零步"难题

小分子药物开发的核心前提，是找到靶蛋白上可被配体占据的结合位点（binding site / ligandable pocket）。这一步直接决定了后续虚拟筛选、分子对接和先导化合物优化的方向。然而，从头预测（de novo prediction）结合位点至今仍是计算生物学中尚未完全解决的挑战。

1.2 现有方法的分类与局限

1.3 本文的核心洞见

研究团队的关键假设是：AlphaFold2 在结构预测任务中学到的内部表示，隐式编码了蛋白质小分子结合的信号。理由在于：

1. 1. AF2 的训练集包含大量含有小分子的蛋白质晶体结构，有时甚至能预测出正确的结合位点旋转异构体（如金属离子或血红素结合位点的残基）。
2. 2. AF2 能准确预测蛋白质-多肽复合结构，即使多肽未出现在训练集中——说明其特征对非共价相互作用具有迁移能力。
3. 3. 蛋白质小分子接触在几何和化学上可由蛋白质-氨基酸接触近似描述（van der Mer 概念）；约 40,000 种 PDB 小分子中，平均 ~50% 的原子环境可被 20 种氨基酸的 Morgan 指纹覆盖。

二、核心方法设计

2.1 方法概述

AF2BIND（AlphaFold2 bait-informed neural descriptor）是一个两阶段流程：

1. 1. 特征提取：将目标蛋白与 20 个"诱饵"氨基酸一同输入 AF2，执行单次前向传播（single forward pass），提取成对表示（pair representation）
2. 2. 分类预测：将提取的成对特征输入逻辑回归模型，为每个残基输出结合概率 P(bind)

2.2 诱饵氨基酸（Bait Residues）机制

设计动机：蛋白质小分子接触可用蛋白质-氨基酸接触近似（van der Mer 框架），因此用 20 种标准氨基酸作为配体代理，让 AF2 的注意力机制"感知"可能的结合接触模式。

具体操作：

• • 将全部 20 种氨基酸各一个，作为独立的单残基链（individual chains）附加到目标蛋白序列末尾
• • 每个诱饵氨基酸之间，以及与目标蛋白之间，使用**大残基偏移量（offset = 50）**分隔，确保 AF2 将其视为空间上分离的独立链
• • 仅提供目标蛋白的骨架结构作为模板（不提供多序列比对 MSA），诱饵氨基酸不提供模板
• • 骨架模板中屏蔽侧链二面角（mask sidechain dihedrals），仅保留 Cβ 以上的骨架坐标

仅执行单次循环（single recycle），目的是捕获目标残基与诱饵之间的初始注意力信号，避免结构模块任意放置诱饵后引入偏差。

2.3 特征维度与模型架构

AF2 的成对表示（pair representation）为每对残基分配一个 256 维张量。对于每个目标残基 j，提取其与 20 个诱饵氨基酸的成对嵌入，拼接后得到 20 × 2 × 128 = 5,120 维特征向量（其中 128 维来自 pair representation 的前半部分）。

目标残基 j 的输入特征：
  [bait_A_pair, bait_C_pair, bait_D_pair, ..., bait_Y_pair]
  维度：20 baits × 2 × 128 = 5,120
           ↓
  逻辑回归：z = Σ(x_ijk × w_ijk) + b
           ↓
  σ(z) = P(bind)_j

选择逻辑回归的理由：

• • 最大可解释性：权重直接映射到 20 个诱饵氨基酸，可单独量化每个诱饵的贡献
• • 避免过拟合：非冗余结合位点训练数据仅数千条，复杂模型易过拟合
• • 计算高效：推理阶段的瓶颈在 AF2 前向传播，而非分类头

2.4 阈值选择与模型校准

使用 MCC（Matthews Correlation Coefficient）和 F1 在十折交叉验证集上取平均确定最优分类阈值：

• • P(bind) 阈值 = 0.28
• • 平均召回率（sensitivity）：67%
• • 假阳性率（FPR）：4.3%
• • 精确率（precision）：63%

模型具有良好的校准性：阈值 t 近似等于误检率（1 − recall），即阈值 0.1 约遗漏 10% 真实结合残基，阈值 0.5 约遗漏 50%。这一性质便于用户根据应用场景灵活调整灵敏度与特异性的权衡。

三、训练策略与数据集构建

3.1 数据筛选流程

从 2023 年 3 月的完整 PDB 出发，经过严格多级过滤：

过滤后保留约 14,000 个 PDB 条目（15,000 条链，~18,000 个配体）。

3.2 严格的训练/验证/测试集划分

数据集划分是本工作最值得称道的方法论设计之一。划分基于序列 + 结构 + 口袋三重相似性：

• • 序列聚类：mmseqs2，30% 序列同一性 + 80% 覆盖度
• • 结构聚类：Foldseek，合并两种聚类结果（1,280 个聚类）
• • 口袋相似性：TM-align 对所有口袋对计算 TM 分，调和平均 > 0.6 的口袋不得跨集分布

划分逻辑：将约 2,000 个蛋白按与其他蛋白的最小 TM 分从小到大排序（最独特的优先），依次分配到 11 个集合，保证任意两集合间无结构重叠（TM score > 0.5 或共享 ECOD/CATH/SCOP2B/PFAM/InterPro 注释即视为重叠）。第 11 个集合为测试集，其余 10 个用于十折交叉验证。

最终数据量（每折平均）：

训练数据标签通过同源扩增：对 15,000 条链中与训练蛋白 TM-score > 0.8 且结合位点残基序列同一性 > 90% 的蛋白，借用其结合位点标签。

3.3 正则化

L2 正则化权重扫描显示，最优权重为 0.03，此时训练集与验证集的恢复率大致相当，避免过拟合。训练参数：Adam 优化器，学习率 1×10⁻⁴，batch size 12 蛋白，共 320 轮。样本权重为与其他蛋白 TM-score > 0.5 的数量之倒数（下权高冗余样本）。

四、性能评估与对比

4.1 评估指标说明

主要指标为结合残基恢复率（binding-residue recovery）：将预测按 P(bind) 从高到低排序，取前 n 个预测（n = 真实结合残基数），计算其中正确命中的比例。该指标不依赖固定阈值，适用于不同置信度尺度的方法间比较。辅助指标为 ROC AUC 和 PR 平均精度（AP）。

4.2 不同预训练表示的对比

关键发现：

• • AF2 成对表示的性能提升主要来自诱饵机制——单残基 AF2 表示（0.454）远不及成对表示（0.662）
• • 仅用序列的 ESM2 达到 52.3% 恢复率，说明结合位点在进化上高度保守
• • ESM1-IF 仅用骨架坐标即达 63.7%，提示蛋白骨架本身已编码结合位点位置信息
• • 联合模型提升有限（+2–3%），作者认为各表示捕获了部分冗余信息，同时考虑到逻辑回归的可解释性优势，主推 AF2-pair 单一模型

4.3 保留蛋白家族的泛化测试

以下蛋白类别在训练和验证中被完全剔除，仅在测试中评估：

• • G 蛋白偶联受体（GPCR）：以人 μ-阿片受体（PDB: 8EF5，结合芬太尼）为例，AF2BIND 精确预测了正位（orthosteric）结合位点残基层级，且 P(bind) 与氨基酸保守性无显著相关性
• • 溴结构域（bromodomain）：以 BRD4 第二溴结构域（PDB: 7RUH）为例，无需任何配体信息即实现高置信度预测

五、模型解释性：诱饵激活与配体极性预测

5.1 诱饵激活分析原理

逻辑回归的线性结构允许将每个诱饵氨基酸对 P(bind) 的贡献单独分解：

对 1,896 个训练蛋白及其结合配体进行系统分析，结果显示诱饵激活模式与配体极性（以配体中非碳原子比例衡量）显著相关。

5.2 疏水性与亲水性诱饵的分工

5.3 实际意义

诱饵激活图谱相当于一个化学指纹，可用于：

• • 配体性质预测：在无任何配体信息的情况下，推断结合位点适合疏水性还是亲水性小分子
• • 口袋分类：辅助区分可能的内源性配体类型（如脂类 vs 核苷酸 vs 金属螯合剂）
• • 未来应用：结合配体身份预测——已知结合残基组成，反推可能的配体化学结构

六、全人类蛋白质组扫描

6.1 计算流程

1. 1. 蛋白处理：基于 pLDDT 分值修剪低置信度区段（N/C 末端 pLDDT < 50；内部连续 ≥7 残基 pLDDT < 50 的区段删除）
2. 2. 域分割：依据 ECOD 域定义，将大蛋白分割为 < 300 残基的子图或成对接触域（域间接触：任意两域内至少 5 个残基彼此 ≤ 5 Å）；逐域运行 AF2BIND，域间接触残基的 P(bind) 置零
3. 3. 溶剂可及性过滤：fractional SASA < 0.03 的深度埋藏残基 P(bind) 置零
4. 4. 聚类成口袋：DBSCAN 聚类（eps = 6 Å，min_samples = 3，自定义距离为残基重原子最近距离），聚类数 > 50 残基的用 k-means 细分，< 5 残基的口袋舍弃
5. 5. 口袋评分：cluster_rank（前 N = 23 个最高 P(bind) 残基均值）和 CDF z-score

6.2 主要统计结果

6.3 位点质量评估（SiteMap Dscore）

使用 Schrodinger SiteMap 计算 Dscore（加权综合口袋大小、包埋度、亲疏水性），常用可成药性阈值为 0.83。

两种方法预测的位点中位 Dscore 均超过可成药性阈值，但 P2Rank 稍高——这与 P2Rank 偏向深口袋的设计有关，深口袋在几何指标上天然占优，而 AF2BIND 倾向于发现更多浅平位点（在 Dscore 计算中因包埋度低而略有扣分，但这类位点可能具有重要生物学意义）。

AF2BIND 的 cluster_rank 指标与 SiteMap Dscore 的 Spearman 相关系数为 0.40，高于 P2Rank 概率分数与 Dscore 的相关性（0.31）。

6.4 Morbid Map 疾病蛋白分析

在 ~5,700 个 Morbid Map（OMIM）疾病相关蛋白中：

• • AF2BIND 在 3,556 个蛋白中预测到结合位点
• • 其中 527 个蛋白无 P2Rank 预测
• • 411 个疾病蛋白同时无 AlphaFill 和 P2Rank 覆盖
• • 超过 950 个独特位点由 AF2BIND 独家发现，且不与 AlphaFill 或 P2Rank 重叠

6.5 AF2BIND 独特发现的位点类型

AF2BIND 预测而 P2Rank 遗漏的位点，往往是以下功能性浅平位点：

• • 蛋白-肽段界面：如 dynactin 微管结合亚基（Q14203）的 CAP-Gly 域，结合 Clip-Zn2 锌指域和微管正端三个 C 末端残基
• • 蛋白-RNA 界面：如端粒酶（O60832）蛋白-RNA 接触面（PDB: 8OUE）
• • 蛋白-DNA 界面：如垂体特异性转录因子 1（P28069）弥散蛋白-DNA 接触面（PDB: 5WC9）
• • 蛋白-蛋白相互作用（PPI）位点：已证实可被小分子抑制剂结合的 menin、MCL1 等靶点

七、鲁棒性分析

7.1 对骨架构象变化的鲁棒性

7.2 对侧链信息的不敏感性

屏蔽模板侧链二面角（仅保留到 Cβ）的模型与保留完整侧链信息的模型性能相当，甚至略优。这一特性在实践中具有重要价值：

• • AF2 预测结构的侧链不确定性高，屏蔽后反而减少噪声
• • 使模型天然适用于 apo 结构和预测结构（侧链往往不可靠）
• • 结合位点残基在 apo-holo 转换中最常见的差异恰恰是旋转异构体变化，不敏感于此避免了系统性偏差

7.3 变构位点预测能力

在 PDB 中所有已知变构小分子结合位点的子集上评估（39 个 AF2 预测的人类蛋白结构，来自变构位点数据库 ASD）：

• • AF2BIND 正确预测了 约 2/3 的变构位点
• • PARP14 macrodomain 2 案例：AF2 预测结构中一个 loop 遮挡了变构口袋（整体 Cα RMSD 1.9 Å），但 AF2BIND 仍成功预测此变构位点
• • 变构蛋白中模型校准稍差（阈值与误检率的一致性弱于正位结合蛋白），但 ROC AUC 仍达 0.91

7.4 与化学蛋白质组学数据的互补性

使用 Cravatt 课题组的全蛋白质组半胱氨酸分析数据集（212 个胰蛋白酶肽段，271 个半胱氨酸）进行交叉验证：

• • AF2BIND 在 ~1/3 的配体化半胱氨酸附近（Cα 距离 ≤ 12 Å）预测到结合位点（78/212）
• • P2Rank 命中率相近（84/212）
• • AF2BIND 独家命中 18 个蛋白，P2Rank 独家命中 23 个蛋白
• • 联合使用可覆盖约 **102/212（48%）**的配体化肽段

八、局限性

九、综合评价与展望

9.1 方法论贡献的核心价值

AF2BIND 的核心贡献并非单纯的性能指标提升，而是一个深刻的方法论示范：在极度数据稀缺的生物学任务上，通过迁移大规模预训练模型的内部特征，以极简的分类头实现出色的泛化性。

具体而言：

• • AF2 的训练目标（结构预测）与结合位点预测表面上正交，但共享的信息底层（序列-结构协同进化、"受挫"区域、残基间相互作用模式）使特征迁移成为可能
• • 逻辑回归头在 < 700 个非冗余训练蛋白的情况下实现了 66% 恢复率和 0.936 ROC AUC——这在端到端深度学习方法中几乎无法实现
• • 诱饵机制本质上将蛋白质小分子结合问题转化为 AF2 更熟悉的"蛋白-蛋白共折叠"语境，精巧地利用了模型的已有能力

9.2 与现有方法的互补性

AF2BIND 并非取代 P2Rank 或 AlphaFill，而是提供互补信息：

AlphaFill  → 同源转移位点（已知配体的高质量注释）
P2Rank     → 几何深口袋（高 Dscore，高包埋度，传统可成药位点）
AF2BIND    → 深口袋 + 浅平功能位点 + 变构位点 + 大分子界面
三者联合   → 最全面的蛋白质组可成药位点图谱

9.3 未来研究方向

短期可行方向：

• • 以多样化化学探针集（FTSite 类方法的探针片段库）替换 20 种氨基酸诱饵，扩大化学空间覆盖度
• • 与 AlphaFold3、Boltz-1、Chai-1 等原生支持小分子的新一代结构预测模型集成
• • 将 P(bind) 高分位点作为口袋约束直接整合到分子对接（docking）中，提高命中率

中长期研究方向：

• • 将诱饵激活图谱发展为配体身份预测模型（给定结合位点残基，预测可能的配体化学骨架）
• • 开发专门针对隐蔽/变构位点的增强版本（结合 MD 模拟构象系综）
• • 拓展至非人类蛋白质组（细菌、病毒、非模式生物），利用 ESM Metagenomic Atlas 的海量预测结构
• • 结合化学蛋白质组学大规模实验数据（如 cysteine profiling、ABPP）进行监督式改进