破解 AlphaFold2 的静态构象困局：AFsample2T 让 GPCR 虚拟筛选更上一层楼

文献来源：Mitjavila-Domènech N, Díaz-Holguín A, et al. Improving AlphaFold2 Performance in Virtual Screens Targeting GPCRs by Enhancing Binding-Site Conformational Sampling. J. Chem. Inf. Model. 2026. DOI: 10.1021/acs.jcim.6c00034 机构：Uppsala University（Science for Life Laboratory）& Linköping University，瑞典 关键词：AlphaFold2 · GPCR · 虚拟筛选 · MSA 蒙版 · 构象采样 · 分子对接

一、研究背景

1.1 AF2 的里程碑意义与内在局限

AlphaFold2（AF2）在 CASP14 评估中以压倒性优势超越传统方法，实现了蛋白质结构预测的革命性突破。然而，这一工具在基于结构的药物设计（Structure-Based Drug Design, SBDD） 中的应用面临根本性瓶颈：

AF2 的训练目标是输出单一最优静态结构，其 Evoformer 模块通过行向与列向注意力机制（row-wise and column-wise attention）充分挖掘多序列比对（MSA）中的共进化信号，将进化约束"锁定"在预测结构中。这使得 AF2 模型在构象多样性上极度匮乏：

• • 结合口袋侧链 RMSF 中位值仅 0.15 Å，而实验结构集合高达 0.58 Å
• • 骨架 RMSF 中位值仅 0.10 Å，实验结构为 0.30 Å
• • 口袋普遍偏"塌陷"、偏小，均值约 209 ų，而实验结构均值约 256 ų

1.2 GPCR：最重要也最棘手的药物靶标

G 蛋白偶联受体（GPCR）是人类最大的膜蛋白超家族，现有约 1/3 上市药物以其为靶点。GPCR 的结构特征使其对构象采样尤为敏感：

• • 正构结合位点（orthosteric site） 位于跨膜螺旋（TM1-7）胞外侧，因内源性配体性质（肽类/小分子/脂质等）不同而呈现高度多样的口袋形态
• • 受体存在激活态（active）与非激活态（inactive） 两大功能构象，TM6 的向外位移是关键标志
• • 胞外环 2（EL2） 在不同配体复合物晶体结构中表现出显著的构象异质性

这种天然的构象多样性，正是 AF2 默认策略所无法捕捉的。多项回顾性评估均表明，AF2 模型在 GPCR 虚拟筛选中的表现系统性差于实验结构，提示结合口袋的精细描述是制约其药物发现应用的核心瓶颈。

二、方法设计：AFsample2T 的核心策略

2.1 MSA 列蒙版的原理

MSA 列蒙版（column masking）的核心逻辑在于：通过随机遮蔽 MSA 中特定位置的列，削减 Evoformer 可获取的共进化信息量，使 AF2 在结构推断时"不得不"探索偏离进化约束的构象空间，从而产生更高的结构多样性（图 1A）。

已有工作（AFsample2，Kalakoti & Wallner, Commun. Biol. 2025）表明对全 MSA 施加 15% 蒙版可增加整体构象多样性；而本文的创新在于将蒙版靶向至结合口袋区域。

2.2 AFsample2T 的靶向设计

蒙版区域定义（class A GPCR 通用）：

蒙版概率梯度测试：0%（仅 dropout）、10%、20%、30%、50%

关键设计原则：靶向蒙版 vs. 全局蒙版 全局蒙版（AFsample2 15%）AUC 仅 0.38，远低于靶向蒙版（10–30%，AUC = 0.61–0.59）。全局蒙版破坏了整体折叠的进化约束，导致骨架精度下降；靶向蒙版则在保护全局结构准确性的同时，解放了口袋局部的构象探索能力。

2.3 集成策略与激活/非激活态建模

AFsample2T 集成组成：

每个受体：1,000 个模型
├── 0%  蒙版 + dropout：250 个（激活态 125 + 非激活态 125）
├── 10% 蒙版 + dropout：250 个
├── 20% 蒙版 + dropout：250 个
└── 30% 蒙版 + dropout：250 个

两大功能构象的建模：

• • 非激活态：仅输入受体序列（AF2 monomer）
• • 激活态：输入受体序列 + 异三聚体 G 蛋白（Gα/β/γ）序列（AF2-Multimer），通过 G 蛋白的胞内结合引导 TM6 向外位移

验证表明该策略可可靠地区分 TM6 特征性构象（与 Chiesa et al. 2025 的结果一致）。

三、实验设计与评估体系

3.1 结构精度评估（10 个 class A GPCR）

基准数据集：

排除低分辨率结构、重复配体复合物、结合位点突变体后，保留 61 个结构用于精度基准测试。

评估指标：

• • 以结合位点残基（配体周围 5 Å 内）的对称感知侧链 RMSD 为核心指标
• • 计算不同 RMSD 阈值（1.0–2.0 Å）下实验结构被捕获的比例曲线，并以 AUC 量化
• • pLDDT（预测局部距离差异检验）和 PAE（预测比对误差）评估模型置信度
• • 使用 MDTraj 计算 RMSF（均方根波动）评估集成构象多样性
• • 使用 Schrödinger SiteMap 计算口袋体积

3.2 虚拟筛选评估

分子对接工具：DOCK3.8（基于物理评分函数，含 vdW、静电、配体去溶剂化项）

配体集构建：

• • 活性化合物：从 ChEMBL v33 获取（pKᵢ/pKd/pIC₅₀/pEC₅₀ ≥ 6.0），经标准化（去盐、互变异构体、电荷中和）和聚类（Morgan 指纹，Tanimoto = 0.5）后，每受体保留 52–202 个配体
• • 诱饵分子：从 ZINC20 按性质匹配生成，每受体 2,580–10,375 个

评估规模：对 10 个 GPCR 的所有模型（AF2 + AFsample2T，各 1,000 个）及 119 个实验结构进行对接，累计预测打分超过 240 万亿个复合物构象

评估指标：

• • LogAUC / aLogAUC：ROC 曲线半对数面积（调整后去除随机基线），正值代表优于随机
• • EF1%：ROC 曲线在 1% 假阳性率处的早期富集因子
• • 分析维度：集成的中位值（随机选模型的期望表现）和 top 1% 最大值（配体引导选模型的最优表现）

四、核心结果

4.1 构象精度：全面优于默认 AF2

结合位点 RMSD-AUC 汇总：

在 RMSD ≤ 1.5 Å 阈值下，AFsample2T 集成捕获了 73.8% 的实验结合位点构象，而 AF2 仅为 60.7%（提升 22%）。

4.2 构象多样性：接近实验水平

RMSF 对比（10 个 GPCR 中位值）：

AFsample2T 骨架 RMSF 中位值（0.28 Å）已非常接近实验结构（0.30 Å），说明其构象集成不仅仅是侧链旋转体的变化，而是真正采样到了口袋骨架的物理运动范围。

EL2 构象异质性（以 TAAR1 为例）：

• • AF2 生成的 13 个模型 EL2 构象几乎完全重叠
• • AFsample2T 的 13 个随机抽样模型展现出与 13 个实验结构相当的构象多样性
• • 相同趋势在其余 9 个 GPCR 中均得到验证

μ-阿片受体的特殊案例：AF2 生成偏塌陷的口袋，AFsample2T 集成中的口袋体积分布与实验结构更为一致，这也是 AFsample2T 在 RMSD 阈值 1.15–1.30 Å 区间表现突出跳升的原因。

4.3 虚拟筛选：配体引导选模型可媲美实验结构

中位性能对比（不使用配体引导，随机选模型）：

无配体引导时，实验结构仍有显著优势——这与已有评估（Díaz-Rovira et al. 2023, Zhang et al. 2023）一致。

top 1% 性能对比（配体引导选模型）：

关键结论：AFsample2T top 1% 模型的 aLogAUC 和 EF1% 均达到甚至超过实验结构中位水平（aLogAUC = 11.2，EF1% = 4.1）。这意味着：在拥有少量已知配体的情况下，使用 AFsample2T + 富集度筛选，可以找到媲美一般实验结构的预测模型。

各受体 top 1% aLogAUC（部分亮点）：

AFsample2T 集成在七个受体中（5-HT₁A、D₁、D₂、H₁、M₄、MT₁、TAAR1）的中位富集度优于 AF2。

最优蒙版概率分布（top 1% 模型来源）：

不同蒙版概率的互补贡献验证了集成策略的合理性：20% 蒙版贡献最多，但其他档位同样不可或缺。

4.4 模型数量分析

分析 10、100、250、500、1000 个模型的结果表明：生成 100–250 个模型即可获得接近 1,000 个模型水平的最大富集度。这一发现对实际应用具有重要的计算成本指导意义。

五、讨论：方法定位与适用边界

5.1 与相关方法的比较

5.2 方法局限性

1. 1. 诱导契合场景受限：AFsample2T 基于构象预选（conformational selection）模型，如果某配体结合引发显著的诱导契合效应，预生成的集成可能无法覆盖相应构象
2. 2. AF2 训练数据偏差：10 个基准受体中有 4 个结构包含在 AF2 训练集，模型对未知结构受体的泛化性能可能偏低
3. 3. 无配体场景表现有限：中位富集度（反映无配体引导时的性能）仍显著低于实验结构；针对完全无配体信息的孤儿受体，虚筛结果可靠性存疑
4. 4. 受体构象能量估计未纳入：集成对接目前未对不同构象进行能量权重校正，进一步结合构象能量惩罚项（如 Kamenik et al. 2021 框架）可能带来额外提升
5. 5. GPCR 特化设计：蒙版区域基于 GPCR 的保守拓扑定义，应用至其他靶标类别（如激酶）需重新定义靶向区域

5.3 方法延伸与展望

• • 变构位点应用：将靶向蒙版指向 GPCR 变构口袋（如 TM束内腔侧），有望生成适用于变构虚筛的构象集成
• • 激酶及其他靶标类别：作者明确指出方法可迁移至激酶等具有保守折叠的靶标家族，源代码已开源
• • 模板偏向策略结合：未来可将 AFsample2T 与 AF2 中的模板偏向（template-biased）策略（Sala et al. 2023；Chiesa et al. 2025）结合，进一步提升特定功能构象的建模精度
• • 共折叠方法评估：随着 AF3 和 Boltz-2 等配体-受体共折叠方法的成熟，与 AFsample2T 的系统性对比将是重要研究方向

六、实操指南：如何将 AFsample2T 用于 GPCR 虚筛

推荐工作流程（四步）

步骤 1：生成 AFsample2T 集成
├── 确定目标受体的激活/非激活态（是否纳入 G 蛋白）
├── 定义靶向蒙版区域（胞外 TM + EL2，参照 GPCRdb 编号）
├── 四档蒙版概率（0/10/20/30%），各生成 ≥62 个模型
└── 推荐集成规模：≥250 个模型（计算资源充足时建议 1,000 个）

步骤 2：对接已知配体与诱饵分子
├── 活性化合物：≥10 个已知配体（聚类后）
├── 诱饵分子：每活性分子匹配 ≥50 个诱饵（ZINC 来源）
└── 对接工具：DOCK3.8 或同类物理评分工具

步骤 3：配体引导模型筛选
├── 计算每个模型的 aLogAUC 和 EF1%
├── 选取 top 1% 高富集模型（约 10 个模型/1,000 集成）
└── 人工检查：验证关键相互作用（氢键、疏水接触）是否合理

步骤 4：前瞻性大规模虚筛
└── 使用 1–3 个 top 模型对目标化合物库进行全面对接

决策树：实验结构 vs. AFsample2T

是否存在受体实验结构？
├── 是 → 是否有多个配体-受体复合物结构？
│         ├── 是 → 优先使用实验结构（通常 ≥1 个结构可达 top AFsample2T 水平）
│         └── 否（仅 1 个或无配体结构）
│               └── 该结构富集度是否良好？
│                     ├── 是 → 使用实验结构
│                     └── 否 → 考虑使用 AFsample2T 补充
└── 否 → 使用 AFsample2T + 配体引导筛选
          （如无任何已知配体，则为高风险场景，结果可靠性存疑）

写在最后

这篇工作的核心贡献在于识别并缓解了 AF2 用于药物发现时的具体瓶颈——不是笼统地"增加采样多样性"，而是有针对性地在结合口袋区域释放进化约束，并通过严格的回顾性虚拟筛选评估验证了方法的实用性。

方法的优雅之处在于其极简的设计逻辑：仅需修改 MSA 输入（局部蒙版），无需改变 AF2 网络架构，无需额外训练，即可在结构质量与构象多样性之间实现有效的工程化权衡。

对药物发现社区的实践意义：

1. 1. 为无实验结构或实验结构质量有限的 GPCR 提供了可行的虚筛策略
2. 2. 证明了"集成+配体引导筛选"的范式可将 AF2 模型的虚筛性能提升至接近实验结构水平
3. 3. 提供了可直接复用的开源工具和方法学指南
4. 4. 方法可扩展至其他靶标类别，具有广泛适用性

局限性提示：方法效果高度依赖配体引导的模型筛选——在无已知配体的场景中，AFsample2T 的优势尚未被充分验证，仍需谨慎解读中位富集度数据。此外，方法与新兴共折叠工具（AF3、Boltz-2）的系统比较将是判断未来技术路线选择的关键。