AAAI | AI 扩散分子生成走向动态口袋：Apo2Mol 的方法逻辑、实验结果与局限

文献来源

论文题目： Apo2Mol: 3D Molecule Generation via Dynamic Pocket-Aware Diffusion Models 作者： Xinzhe Zheng, Shiyu Jiang, Gustavo Seabra, Chenglong Li, Yanjun Li 单位： University of Florida 会议： AAAI-26 代码： https://github.com/AIDD-LiLab/Apo2Mol 核心贡献一句话： Apo2Mol 将 apo 蛋白口袋到 holo 蛋白口袋的构象变化纳入 3D 分子扩散生成过程，在输入未结合态蛋白结构时，同时生成候选小分子及其诱导后的结合口袋构象。

导读

多数基于结构的分子生成模型默认蛋白结合口袋是刚性的，通常在 holo 结构上生成配体。但真实药物发现中，很多靶点只有 apo 结构，配体结合又常伴随侧链、局部骨架甚至口袋形状变化。Apo2Mol 试图处理这一错配：它构建了 24,601 个实验解析的 apo-holo 结构对，并设计一个全原子、层级图、SE(3) 等变扩散模型，从 apo 口袋出发联合生成 ligand 与 refined holo pocket。它的价值不只在于指标提升，更在于把小分子生成从静态口袋条件生成推进到口袋构象共同建模。本文将详细拆解 Apo2Mol 的问题定义、数据构建、扩散过程、网络架构、损失函数、实验结果与真实应用局限。

为什么这篇论文值得关注？

基于结构的药物设计中的一个长期矛盾是：模型喜欢确定的结构，蛋白却是动态的。

在传统 SBDD 流程中，我们通常拿一个蛋白结构作为受体，围绕结合口袋进行对接、虚拟筛选或分子生成。深度生成模型延续了这个习惯：给定一个口袋，生成一个能放进去、打分不错、性质合理的小分子。问题在于，这个口袋往往被当成静态对象。

但真实分子识别不是这样。配体结合可能导致侧链旋转、局部 loop 移动、口袋开合、疏水区域重排、氢键网络重新组织。很多靶点在早期项目中只有 apo 结构，没有配体结合后的 holo 结构。如果模型只能围绕某一个固定口袋生成分子，它可能错过那些需要诱导契合才能形成稳定结合的配体。

Apo2Mol 的切入点非常明确：不要只生成 ligand，也要同时预测 ligand 结合后蛋白口袋会怎么变。论文指出，现有多数 SBDD 生成方法仍主要基于静态 holo 结构训练或使用固定口袋进行生成，而 DynamicFlow 这类方法虽然引入了蛋白动态，但依赖 MD 轨迹；MD 成本高，并可能受力场、采样时间尺度和模拟偏差影响。Apo2Mol 选择另一条路线：直接从实验解析的 apo-holo 结构对中学习结合诱导的结构变化。

这使它成为一篇值得关注的 AI 制药方法论文：它不是单纯换一个网络模块，而是在重新定义 3D 分子生成中的条件对象。输入不再只是一个固定口袋，而是一个可能被配体诱导改变的 apo 状态。

研究背景

蛋白柔性难，不是因为大家不知道蛋白会动，而是因为它很难被高效、稳定地放进生成模型。

可以把问题拆成三个层面。

第一，结构状态不唯一。 一个蛋白可能有多个可结合构象。apo 结构、holo 结构、不同配体诱导的结构、晶体堆积影响下的结构，可能都不完全一样。模型如果只学习某个 holo 构象，会把一个动态分布压缩成单点条件。

第二，配体与蛋白变化是耦合的。 口袋不是先独立变成 holo，再放进配体。真实过程中，配体形状、电荷、氢键供受体、疏水面和体积都会影响口袋如何调整。生成 ligand 与生成 pocket conformation 应该放在同一个条件分布里，而不是分两步独立处理。

第三，直接预测全原子蛋白坐标容易破坏结构。 如果让模型像生成小分子一样直接生成蛋白口袋所有原子坐标，很容易出现键长、键角、残基几何、侧链构象不合理的问题。蛋白结构有更强的层级约束：主链框架、残基局部坐标、侧链 χ 角、残基间几何关系都需要被保留。

Apo2Mol 对这些难点的处理是：配体仍以原子类型和 3D 坐标生成；蛋白口袋不直接逐原子生成，而是在残基层面预测从 apo 到 holo 的平移、旋转和侧链 χ 角更新，从而尽量保留蛋白结构完整性。论文将学习目标定义为给定 apo pocket，建模 holo pocket 与 ligand 的联合条件分布，即 p(PH, M | PA)。

以往方法

1D/2D 分子生成：化学表示简单，但空间约束弱

早期靶点条件生成方法多基于 SMILES 或 2D molecular graph。它们可以学习化学语法、分子片段组合和性质约束，但对 3D 结合姿势、空间互补、立体冲突和口袋几何的表达有限。对于 SBDD 来说，只生成一个分子图还不够，还要知道它是否能以合理构象进入口袋并形成相互作用。

3D 分子生成：能进入空间，但常默认口袋静止

Pocket2Mol、TargetDiff、DecompDiff、IPDiff 等方法把分子生成推进到 3D 空间。它们通常在蛋白口袋条件下生成原子坐标和原子类型，再通过后处理形成键。扩散模型进一步让生成过程变成从噪声逐步去噪到合理 ligand pose 的过程。论文相关工作部分也梳理了这些方法，包括 TargetDiff 的 3D 等变扩散、DecompDiff 的 scaffold-arm 分解，以及 IPDiff 的蛋白-配体相互作用先验。

这些方法的主要限制是：口袋通常被当成静态条件。模型学习的是 ligand 如何适应口袋，而不是 ligand 与 pocket 如何共同调整。

引入动态的方法：MD 有物理细节，但成本与偏差都高

DynamicFlow 这类方法开始尝试从 apo 结构生成 holo pocket 与 ligand，但它依赖 MD 轨迹。MD 的优势是提供连续动态过程，缺点也很明显：计算成本高，轨迹能否覆盖真实结合相关构象取决于力场、采样长度和初始条件。对于大规模生成模型训练来说，MD 数据既昂贵，也可能带来模拟体系自身的偏差。

Apo2Mol 的替代思路是直接使用 PDB 中实验解析的 apo-holo 结构对。它没有真实结合路径，但有实验端点。换句话说，它不学习完整动力学轨迹，而是学习从 apo 端点到 holo 端点的结构变化分布。

这篇论文的核心思想

Apo2Mol 的核心思想可以概括为：

把 apo 到 holo 的口袋变化作为扩散生成过程的一部分，让模型在生成小分子的同时，预测这个小分子可能诱导出的结合口袋构象。

这句话包含三个关键点。

第一，输入是 apo pocket，而不是 holo pocket。对实际药物发现来说，这更接近很多早期靶点的情况。

第二，输出不是单独的小分子，而是 ligand + refined pocket。模型不仅要生成一个分子，还要给出一个从 apo 调整后的 holo-like pocket。

第三，训练数据不是 MD 模拟轨迹，而是实验解析的 apo-holo pair。论文基于 PLINDER 和 PDB 筛选得到 24,601 个 apo-holo-ligand triplets，要求 apo-holo 结构具有 100% 序列一致性、结构分辨率不高于 2.5 Å，并排除离子、辅因子、artifact、片段等不适合作为药物样小分子的配体。数据集按时间划分为 23,052 个训练样本、1,071 个验证样本和 478 个测试样本。

这套设计使 Apo2Mol 不只是 ligand generator，而是一个 dynamic pocket-aware generator。

5. 方法细节：Apo2Mol 到底怎么做？

5.1 任务定义与输入输出

论文把任务定义为：

给定 apo 蛋白口袋 PA，生成对应的 holo 蛋白口袋 PH 和小分子 M。

其中：

• • PA 表示未结合态口袋，包含口袋原子坐标与原子特征；
• • PH 表示配体结合后的口袋构象；
• • M 表示生成的小分子，包含原子类型与 3D 坐标；
• • 学习目标是条件分布 p(PH, M | PA)。

对 ligand，模型直接预测原子类型和原子坐标。对 protein pocket，模型没有直接预测所有蛋白原子坐标，而是预测残基层面的三类构象变化：

1. 1. translation： 残基局部平移；
2. 2. rotation： 残基局部旋转，用四元数表示；
3. 3. χ angle update： 侧链扭转角更新。

这个选择非常关键。蛋白不是自由点云。残基内部几何、主链连接、侧链局部结构都有强约束。用残基刚体变换和 χ 角更新来描述 pocket refinement，比直接逐原子生成更容易保持蛋白结构合理性。

5.2 数据准备：从实验 apo-holo 对中构造监督信号

Apo2Mol 的训练样本由 apo pocket、holo pocket 和 holo ligand 组成。

具体处理流程大致如下：

1. 1. apo-holo 结构对齐。 先用 RMSD alignment 将 apo 与 holo pocket 放到同一坐标系。
2. 2. 残基层面变换计算。 使用 Kabsch 算法计算每个残基从 holo backbone 到 apo backbone 的平移与旋转。这里对齐的是残基主链 N-Cα-C 原子，并以 Cα 为局部中心。
3. 3. 侧链 χ 角差异计算。 使用 DynamicBind 相关工具提取 apo 与 holo 的 χ 角，并计算 χ angle update。
4. 4. 口袋定义。 holo pocket 被定义为 ligand 原子 10 Å 内的所有残基；对应 apo pocket 则从未结合结构中取相同残基。

这一步决定了模型学到的不是泛泛的蛋白构象变化，而是 ligand binding site 周围的局部结合诱导变化。优势是任务更聚焦；局限是 benchmark 中口袋定义依赖 holo ligand，而真实 apo-only 应用中往往需要先预测或指定口袋范围。

5.3 前向过程：同时破坏 ligand，并把 holo pocket 推回 apo pocket

Apo2Mol 的扩散过程比较有特点：小分子和蛋白口袋不是用同一种噪声处理。

对 ligand：

• • 坐标加入高斯噪声；
• • 原子类型进行 categorical corruption；
• • 随着时间步增加，clean ligand 逐渐变成 noisy ligand。

这与 TargetDiff、IPDiff 等 3D 分子扩散方法类似。模型最终要从 noisy ligand 恢复出原子坐标和类型。

对 protein pocket：

• • 终点不是标准高斯噪声，而是 apo state；
• • 模型从 holo pocket 出发，通过插值逐步得到接近 apo 的中间构象；
• • translation 和 χ angle 采用带噪声的线性插值；
• • rotation 使用四元数球面线性插值 Slerp，从 holo-to-apo rotation 平滑过渡到单位四元数，并加入小扰动。

直观理解：训练时，作者构造了一个从 holo complex 退回 apo pocket + noisy ligand 的路径。反向生成时，模型从 apo pocket + noisy ligand 出发，逐步恢复到 holo-like pocket + realistic ligand。论文图 2 展示了这个双向过程：前向过程将实验 holo pocket-ligand pair 腐蚀为 apo 结构和噪声 ligand，反向过程学习恢复 holo pocket 与 ligand 类型、pose 的联合分布。

这就是 Apo2Mol 与普通 3D ligand diffusion 的关键区别：它不是只对 ligand 加噪去噪，而是把 pocket refinement 也放入同一个扩散时间轴。

5.4 为什么用四元数？

蛋白口袋的局部旋转可以用旋转向量、欧拉角、旋转矩阵或四元数表示。Apo2Mol 选择四元数，原因是四元数在 3D 旋转插值中更稳定，可以避免欧拉角的万向节锁问题，也便于做平滑插值。

这在 apo-holo 转换中很重要。残基局部旋转不是简单的 3D 平移，如果旋转表示不稳定，模型可能在学习过程中产生不连续或数值不稳定的构象变化。论文消融也支持这一点：将四元数替换为旋转向量后，Vina min 和 QED 都下降。

5.5 网络结构：层级复合物图 + SE(3) 等变消息传递

Apo2Mol 的网络结构可以拆成四个部分。

1）蛋白与 ligand 分别编码

在每个扩散时间步 t，模型输入一个 noisy ligand 和一个中间状态 pocket。

• • ligand atom 使用原子类型 one-hot；
• • protein atom 使用三类 one-hot 特征：原子类型、氨基酸类型、是否 backbone atom；
• • 两者分别通过两层 MLP 投影到统一的 d 维隐空间。

2）构建 protein-ligand complex graph

编码后，Apo2Mol 基于空间邻近关系构建 kNN 复合物图。它不是把所有边都当成同一种边，而是定义四类边：

1. 1. ligand 内部边；
2. 2. ligand-residue 边；
3. 3. 同一残基内部边；
4. 4. 不同残基之间的边。

这个设计非常重要。因为 ligand 生成需要理解分子内部几何，pocket refinement 需要理解残基内部和残基之间的结构，ligand-pocket interaction 又需要跨分子信息传递。单一边类型会把这些不同物理关系混在一起，削弱模型对相互作用层级的表达。

3）SE(3) 等变注意力消息传递

复合物图进入 SE(3)-equivariant GNN。每个节点同时具有：

• • invariant feature h：表示化学语义、原子类型、残基环境等；
• • equivariant coordinate x：表示 3D 空间位置。

消息传递时，节点根据邻居距离、边类型、节点特征进行 attention-based aggregation，同时更新 h 和 x。这样做的意义是：如果整个复合物发生平移或旋转，模型输出也应以一致方式变化，不应因为坐标系选择不同而改变生成逻辑。

4）分别输出 ligand 与 pocket refinement

消息传递结束后：

• • ligand 的最终坐标直接来自最后一层 GNN 的坐标输出；
• • ligand atom type 由 ligand hidden feature 经过 MLP 分类得到；
• • protein pocket 先通过 SAGPooling 将 atom-level 表征聚合到 residue-level，再用多个 MLP head 分别预测 translation、rotation quaternion 和 χ angle update。

论文图 3 清楚展示了这一结构：protein pocket 与 noisy ligand 分别编码，构建包含多类边的 complex graph，经过多层 complex message passing 后，一路输出 ligand atom type 与 coordinates，另一路经过 SAGPooling 输出 residue-level pocket 更新。

5.6 训练目标：同时约束小分子与口袋变化

Apo2Mol 的总损失由五部分组成。

ligand 坐标损失

模型预测 clean ligand 坐标，与真实 ligand 坐标做均方误差。这个损失推动模型恢复正确的 3D pose。

ligand 原子类型损失

模型预测 ligand atom type，用 categorical distribution 的 KL divergence 进行监督。这个损失让模型学习不同原子类型在口袋环境中的空间分布。

pocket translation 损失

模型预测残基平移更新。目标不是简单的 apo-holo 差值，而是考虑旋转后的逆向 translation，使模型学习从中间状态恢复 holo 状态所需的几何变换。

pocket rotation 损失

rotation 使用 L1 损失，同时加入单位范数正则，确保预测四元数仍然是合法旋转表示。

pocket χ angle 损失

χ angle 是周期变量，直接用欧式差值会出问题。Apo2Mol 使用 cosine-based loss 处理角度差异，避免 359° 和 1° 被误认为相差很远。

最终损失是上述五项的加权和。这个训练目标体现了 Apo2Mol 的联合建模思路：ligand 的位置和类型、pocket 的平移、旋转与侧链角度都要同时被恢复。

5.7 推理流程：真实使用时怎么生成？

在推理阶段，用户给定 apo pocket。模型从随机 noisy ligand 开始，同时以 apo pocket 作为初始口袋条件，沿反向扩散过程迭代生成：

1. 1. 当前 noisy ligand 与当前 pocket 构成 pseudo-interaction pair；
2. 2. 复合物图网络预测 clean ligand 与 pocket 更新；
3. 3. 根据扩散采样规则逐步减少 ligand 噪声；
4. 4. 同时将 pocket 从 apo-like state 推向 holo-like refined state；
5. 5. 最终输出一个 3D ligand 和一个 refined pocket conformation。

需要注意的是，论文正文对几个实际部署细节展开不多，例如 ligand 原子数如何确定、成键与化学清理如何完成、是否进行后续构象优化或 clash correction。这些细节对真实应用很关键，因为生成坐标和原子类型并不自动等于得到一个价态完全正确、可合成、可采购、可验证的小分子。

5.8 方法流程小结

可以把 Apo2Mol 总结成 7 步：

1. 1. 从 PDB/PLINDER 中筛选实验 apo-holo-ligand triplets；
2. 2. 对齐 apo 与 holo pocket；
3. 3. 计算残基层面的 translation、quaternion rotation 和 χ angle update；
4. 4. 在训练前向过程中，对 ligand 坐标和类型加噪，同时把 holo pocket 插值到 apo pocket；
5. 5. 构建 noisy ligand + intermediate pocket 的层级复合物图；
6. 6. 使用 SE(3) 等变 attention GNN 进行 ligand-pocket 消息传递；
7. 7. 反向生成时，从 apo pocket 和 noisy ligand 出发，同时恢复 ligand 与 holo-like pocket。

6. 实验设计与关键结果

6.1 数据集与 benchmark

论文从 PLINDER 出发，构建实验解析的 apo-holo-ligand 数据集。筛选条件包括：

• • apo 与 holo 蛋白 100% 序列一致；
• • 结构分辨率 ≤ 2.5 Å；
• • 配体为药物样小分子；
• • 排除离子、辅因子、晶体 artifact、片段等；
• • 最终得到 24,601 个 triplets；
• • 时间划分：23,052 train、1,071 validation、478 test。

这个 benchmark 的亮点是大规模、实验结构来源、适合 apo-to-holo 学习。它比只在 holo pocket 上训练更贴近只有 apo 结构的早期靶点场景。

但它也有一个隐含问题：测试时的 pocket residues 是根据 holo ligand 10 Å 范围定义的，再映射到 apo 结构。这在 benchmark 中合理，但真实 apo-only 应用中，如果没有已知 ligand，就需要额外的口袋预测或活性位点定义流程。

6.2 对比方法

论文比较了四类代表性 SBDD 生成模型：

• • Pocket2Mol：基于口袋逐步放置原子；
• • TargetDiff：生成 ligand 原子坐标和类型，再后处理成键；
• • DecompDiff：将 ligand 分成 scaffold 和 arm，分别建模；
• • IPDiff：引入蛋白-配体相互作用先验的 3D 分子扩散模型。

FlexSBDD 和 DynamicFlow 因代码不可用未纳入比较。这个选择可以理解，但也削弱了与真正动态 pocket 方法之间的直接比较。

6.3 指标怎么看？

论文使用六类 ligand 指标：

• • Vina min： AutoDock Vina 打分，越低表示 docking score 越好；
• • QED： drug-likeness，越高越像已知药物性质空间；
• • SA： synthetic accessibility，越高表示合成可及性更好；
• • logP： 脂水分配系数，过低或过高都可能影响 ADMET；
• • Lipinski： 满足五规则的数量；
• • High Affinity： 生成 ligand docking score 优于参考 ligand 的比例。

此外，论文用 C-C bond distance 分布和 ground truth 的 Jensen-Shannon Divergence 评估分子几何合理性，用 apo-holo RMSD 分布与 apo-generated pocket RMSD 分布的 JSD 评估 pocket conformational change 是否接近实验分布。

这里需要强调：Vina score 是计算指标，不是实验亲和力。它适合初步比较生成结果，但不能证明真实活性。

6.4 apo 输入场景：Apo2Mol 在更现实设定下表现更好

第一组实验模拟真实场景：测试时只给 apo structure。baseline 模型虽然在 holo pocket 上训练，但测试时也输入 apo pocket；Apo2Mol 则从 apo pocket 生成 refined pocket 和 ligand，并在生成 pocket 上评估 ligand。

结果显示：

• • Apo2Mol 的平均 Vina min 为 -6.79，优于 IPDiff 的 -6.40；
• • 中位数 Vina min 为 -7.09，优于 IPDiff 的 -6.56；
• • High Affinity 达到 42.7%，高于 DecompDiff 的 34.3% 和 IPDiff 的 29.6%；
• • QED 平均值 0.59，也优于主要 baseline。

这个结果支持作者主张：当输入结构是 apo 时，显式建模 pocket refinement 有助于生成更适配的 ligand。

6.5 holo 评估场景：Apo2Mol 仍有竞争力

第二组实验中，baseline 在 native holo pocket 上评估，这是传统 SBDD 生成模型更有利的设定。Apo2Mol 仍然从 apo 输入生成 ligand，但 ligand 被拿到 native holo pocket 上评估。

结果显示：

• • Apo2Mol 平均 Vina min 为 -7.86；
• • IPDiff 为 -7.09；
• • Apo2Mol High Affinity 为 52.9%，IPDiff 为 44.9%；
• • Apo2Mol 的 QED 平均值达到 0.61，与 reference 接近。

这说明 Apo2Mol 生成的 ligand 不只是适配自己生成的 pocket，在 native holo pocket 上也能保持较强 docking score。当然，这仍然是 docking-based evidence，不等价于真实结合自由能。

6.6 分子结构合理性：C-C 距离分布更接近真实分子

论文比较了生成分子与测试集真实分子的 C-C bond distance 分布。Apo2Mol 的 JSD 为 0.178，低于 IPDiff 的 0.216 和 TargetDiff 的 0.273。这个结果说明 Apo2Mol 生成的局部几何更接近真实分子分布。

不过，C-C 距离只是很局部的几何检查。一个分子可以有合理的 C-C 距离，但仍可能存在价态错误、环张力异常、构象应变大、合成困难或不合理相互作用。因此这个结果可以支持结构 plausibility，但不能单独证明化学可用性。

6.7 pocket 结构合理性：能跟随 apo-holo 分布，但仍有差距

Apo2Mol 生成 pocket 与 apo structure 的 RMSD 分布，大体跟实验 apo-holo RMSD 分布一致，但 JSD 为 0.317，论文也承认存在 mild shift。这说明模型能够学到一部分结合诱导构象变化，但还没有完全捕捉不同蛋白、不同配体、不同局部环境下的精细构象多样性。

这也是 Apo2Mol 最重要的证据边界：它证明了联合生成 pocket conformation 是可行的，但还不能说明已经准确解决蛋白柔性问题。

6.8 消融实验：层级复合物图与四元数都重要

消融实验比较了完整模型、去掉 complex graph、去掉 quaternion 表示后的表现：

去掉 complex graph 后，模型不能充分区分 ligand 内部、ligand-pocket、残基内部和残基间相互作用，性能明显下降。去掉 quaternion 后，rotation 表示稳定性下降，也影响生成质量。这说明 Apo2Mol 的提升不只是来自数据规模，也与结构建模方式有关。

启发

启发一：分子生成不能只问 ligand 是否合理，还要问 pocket 是否处在可结合状态

很多 3D 分子生成论文关注 ligand 的 validity、QED、SA、Vina score，但忽略了口袋本身是否是适合结合的构象。Apo2Mol 把 pocket conformation 放进生成目标，提醒我们：SBDD 的条件不是静态背景，而是 ligand 设计的一部分。

启发二：apo-only 可能成为结构生成模型更现实的评估设定

真实项目中，holo 结构并不总是可得。只在 holo pocket 上评估生成模型，可能高估实际可用性。Apo2Mol 构建 apo-holo benchmark，并设置 apo 输入实验，是一个更接近早期药物发现的测试方向。

启发三：蛋白柔性不一定只能依赖 MD 数据

MD 轨迹提供连续过程，但成本高、偏差难控。Apo2Mol 使用实验 apo-holo endpoint 学习构象变化，为动态 SBDD 提供了另一种数据路线。未来更理想的方案可能是实验端点、MD 轨迹、AlphaFold ensemble、NMR ensemble、cryo-EM 多状态结构共同建模。

启发四：小分子生成正在走向复合物联合生成

早期模型生成 molecule；后续模型生成 molecule pose；现在开始生成 ligand-pocket complex。这个趋势非常重要，因为真实药物发现中的结构合理性本来就是复合物层面的性质，而不是单个分子层面的性质。

局限性

apo-holo 插值不是完整结合动力学

Apo2Mol 使用实验 apo 与 holo 端点，通过 translation、rotation 和 χ angle 插值构造中间状态。这是一种合理近似，但不等于真实结合路径。真实诱导契合可能存在多条路径、中间态、水网络重排、局部能垒、远端 allosteric 变化。线性或平滑插值能提供训练信号，却不能完全替代动力学采样。

pocket refinement 仍有分布差距

论文自己的 RMSD 分布结果显示，generated pocket 与真实 apo-holo 转换分布之间仍有 JSD = 0.317 的差距。这说明模型对平均趋势有学习能力，但对特定蛋白的细粒度 conformational transition 仍不充分。作者也在结论中指出，未来可通过更多蛋白结构预训练来缩小差距。

benchmark 口袋定义依赖 holo ligand

数据集中 holo pocket 定义为 ligand 10 Å 范围内残基，再提取 apo 中对应残基。这对监督学习是必要的，但实际 apo-only 项目中，用户往往没有参考 ligand，也不一定知道精确结合残基。真实部署需要结合 pocket detection、binding site prediction 或先验功能位点信息。

docking score 不是实验活性

Vina min 和 High Affinity 是重要但有限的指标。生成模型可能学会产生 docking score 较好的构型，但这些构型未必有真实结合、选择性、细胞活性或可合成性。尤其是当 pocket 也是模型生成的，score 可能同时受到 ligand 与 generated pocket 自洽性的影响。

化学有效性评价还不够完整

论文报告了 QED、SA、logP、Lipinski 和 C-C distance JSD，但真实药物发现还需要更多检查：

• • valence validity；
• • ring strain；
• • stereochemistry；
• • protonation state；
• • tautomer state；
• • PAINS/reactive group；
• • synthetic route availability；
• • novelty and diversity；
• • scaffold hopping 是否真实发生；
• • 与已知配体是否高度相似。

如果没有这些补充分析，模型生成的分子仍可能只是计算指标上看起来不错。

baseline 对动态方法比较不足

FlexSBDD 和 DynamicFlow 因实现不可用未加入 benchmark，这可以理解，但也意味着 Apo2Mol 与同样考虑 pocket flexibility 的最新方法缺少直接对比。此外，传统 flexible docking、ensemble docking、induced-fit docking 或基于多个实验构象的生成流程，也值得作为更贴近工业实践的参考。

没有实验验证

论文目前主要是计算验证。对 AI 制药来说，prospective synthesis and assay 仍是关键证据。Apo2Mol 是否能在真实靶点上产生可合成、可测、有效、选择性好的分子，还需要湿实验闭环来证明。

对 AI 制药未来发展的意义

Apo2Mol 的意义在于，它把一个经常被简化的问题重新放回模型内部：蛋白口袋不是静态容器，而是 ligand 设计过程中的动态参与者。

从未来发展看，这条路线可能推动几个方向。

基于动态结构生成

未来 SBDD 生成模型可能不再只输入一个 PDB pocket，而是输入一个结构集合、apo ensemble、AlphaFold ensemble 或 MD-derived conformational basin。模型输出也不只是单个 ligand，而是 ligand + binding pose + induced pocket + uncertainty。

flexible docking 与 de novo design 融合

传统 docking 主要解决已有 ligand 如何放入口袋，de novo generation 主要解决生成什么 ligand。Apo2Mol 这种方法把两者靠近：模型同时处理 ligand placement、ligand identity 和 pocket adaptation。未来可能出现生成-对接-局部重排-打分一体化模型。

从 endpoint 学习到路径学习

Apo2Mol 当前学习 apo/holo endpoint。下一步可以融合连续轨迹或多状态结构，让模型学习构象变化路径，而不仅是端点差异。这对处理大幅 loop movement、cryptic pocket、allosteric pocket、GPCR activation state 等问题会更重要。

评估体系需要升级

如果模型开始生成 pocket，那么评估也要从 ligand-only 指标升级到 complex-level 指标，例如：

• • pocket RMSD 与局部几何合理性；
• • side-chain rotamer correctness；
• • clash score；
• • hydrogen bond network recovery；
• • interaction fingerprint recovery；
• • generated pocket 的能量稳定性；
• • ligand 在 native holo、generated holo、MD relaxed holo 中的一致性；
• • prospective hit rate。

与闭环药物发现结合

Apo2Mol 适合作为候选生成器，但真实项目还需要后续闭环：

1. 1. 生成 ligand-pocket complex；
2. 2. 过滤化学有效性与合成可行性；
3. 3. docking/MD/FEP 多层验证；
4. 4. 合成与活性测试；
5. 5. 将实验反馈用于模型再训练或 active learning。

只有走完这个闭环，动态口袋感知生成才可能从漂亮的 benchmark 结果转化为真实 hit discovery 能力。