Sci. Adv. | YuelDesign 解读：面向柔性蛋白口袋的 3D 分子扩散生成框架

文献来源

论文题目： A diffusion-based framework for designing molecules in flexible protein pockets 作者： Jian Wang, Dong Yan Zhang, Shreshty Budakoti, Nikolay V. Dokholyan 期刊： Science Advances 发表时间： 2026 年 4 月 8 日 DOI： 10.1126/sciadv.aeb7045 代码链接： https://github.com/hust220/yuel_design.

导读

基于结构的药物设计中的一个长期难题是：真实蛋白口袋并不是静止的。配体结合常常伴随侧链旋转、盐桥断裂、局部极性环境改变等诱导契合过程，而多数 3D 分子生成模型仍把口袋当作刚性条件。YuelDesign 的核心尝试是将小分子与蛋白口袋放在同一个全原子扩散框架中联合建模，让配体构象、配体原子类型和口袋局部构象在生成过程中共同演化。它使用 E3former 处理原子级序列特征、成对几何特征与三维坐标，并用 EDM 生成连续坐标、D3PM 生成离散原子类型。实验显示，YuelDesign 在连通性、大环控制、QED、口袋构象恢复、CDK2 柔性口袋建模等方面优于 DiffSBDD 和 PMDM，但仍存在小环过度生成、大分子性能下降、缺少实验验证和打分代理不足等问题。本文的价值在于把柔性口袋正式纳入扩散式分子生成的建模对象。

为什么这篇论文值得关注？

过去几年，基于结构的小分子生成发展很快。DiffSBDD、TargetDiff、PMDM、DiffBP 等方法把扩散模型引入 3D 分子设计，使模型可以在蛋白结合口袋中直接生成小分子的三维构象。相比只生成 SMILES 或 2D 分子图，这类模型更接近真实基于结构的药物设计，因为它们至少把配体放进了三维结合环境中。

但这里有一个容易被忽略的问题：很多模型所谓的口袋条件，本质上仍是一个固定的空间模板。蛋白原子坐标被输入模型，用来约束配体生成，但蛋白本身不参与生成或调整。也就是说，模型默认配体要适应已有口袋，而口袋不会因为配体出现而发生变化。

这与真实药物发现并不完全一致。实际结合过程中，蛋白口袋经常出现局部构象调整。侧链可以旋转，氢键网络可以重排，疏水腔可以打开，盐桥可以断裂或形成。对接领域很早就区分刚性对接和柔性对接，原因正在于此。YuelDesign 关注的就是这个问题：在扩散式小分子生成中，能否让蛋白口袋也参与生成过程，而不是只作为静态背景。论文明确指出，当前许多深度学习分子生成方法通常将蛋白口袋视为刚性结构，因此难以捕捉动态的蛋白–配体相互作用。

这篇文章值得关注，不是因为它完全解决了柔性蛋白设计，而是因为它把问题从生成一个放进口袋的小分子，推进到联合生成蛋白口袋局部构象与配体结构。对于后续结构生成、对接、虚拟筛选和诱导契合建模，这是一条很有启发性的路线。

研究背景：柔性口袋为什么重要？

结构基础药物设计依赖一个基本假设：如果我们知道靶标蛋白的结合口袋，就可以围绕这个口袋设计互补的小分子。互补性包括形状互补、氢键匹配、疏水填充、电荷相容、芳香堆积、金属配位等。

问题在于，口袋并不是一个刚性容器。配体进入口袋后，蛋白局部结构可能发生调整。尤其是侧链，其构象变化往往决定了关键相互作用能否形成。一个典型例子是，某个残基在 apo 状态下被盐桥锁住，配体结合后盐桥断裂，该残基转而与配体形成氢键或 π-H 相互作用。如果模型只看固定结构，就可能认为这个区域不可接近，从而错过真实可结合构象。

在传统对接中，解决这个问题的方法包括侧链 rotamer 采样、ensemble docking、诱导契合对接、分子动力学辅助采样等。但这些方法通常计算成本较高，也很难与大规模生成模型自然结合。扩散模型提供了一种新的可能：如果模型本来就在逐步生成三维结构，那么是否可以把蛋白口袋原子也纳入同一个去噪过程，让口袋和配体在同一轨迹中相互适应？

YuelDesign 的回答是肯定的。它将口袋原子和小分子原子拼接为统一的全原子表示，在扩散过程中同时处理坐标和原子类型，从而让局部蛋白结构随配体生成而调整。论文将这一点作为相对于 DiffSBDD、PMDM 等刚性口袋方法的核心差异。

以往方法

以往 AI 小分子生成大致可以分为三类。

第一类是 2D 分子生成。这类方法生成 SMILES、SELFIES 或分子图，代表模型包括 RNN、VAE、GAN、flow-based model 等。它们适合探索化学空间，也容易做性质优化，但分子是否能放进口袋，需要后续构象生成和对接验证。2D 拓扑合理，不代表 3D 结合合理。

第二类是 刚性口袋条件下的 3D 分子生成。DiffSBDD、PMDM、TargetDiff 等方法直接在蛋白口袋中生成 3D 分子，明显比纯 2D 方法更接近 SBDD。但蛋白结构多被作为固定条件输入。模型会学习配体如何适配已有口袋，却很难模拟配体诱导口袋侧链改变的过程。论文中特别指出，DiffSBDD 这类方法通常将结合口袋视为刚性实体。

第三类是 传统柔性对接或基于物理采样的方法。这类方法可以显式考虑侧链 rotamer、局部构象变化或能量优化，但它们并不擅长从头生成新分子，也难以高效覆盖巨大的化学空间。

因此，YuelDesign 瞄准的是一个交叉缺口：既要有扩散模型的生成能力，又要让蛋白口袋具备局部柔性；既不能只生成配体，也不能把口袋当作死模板。

核心思想

YuelDesign 的核心思想可以概括为一句话：

把蛋白口袋和小分子放进同一个全原子扩散系统中，让配体坐标、配体原子类型和口袋局部构象在去噪过程中共同更新。

这背后有三个关键设计。

第一，使用 全原子表示。模型不只看配体重原子，也显式纳入口袋原子，包括蛋白侧链。这样模型面对的是一个蛋白–配体复合物局部原子系统，而不是孤立小分子。

第二，使用 E3former 作为主干网络。E3former 借鉴 AlphaFold Evoformer 的思想，但针对蛋白口袋和配体的全原子系统做了改造。它不依赖 MSA，也不依赖严格的残基序列顺序，而是通过原子级序列特征、成对特征、三角注意力和等变坐标头来更新三维结构。论文强调，E3former 可以处理多达约 400 个原子的全原子表示，而此前许多配体生成模型通常只处理约 15–50 个配体原子。

第三，使用 双扩散过程。坐标是连续变量，适合用 EDM 处理；原子类型是离散类别，适合用 D3PM 处理。YuelDesign 没有把所有变量粗暴地连续化，而是分别为连续坐标和离散原子类型设计噪声与去噪机制，再通过共享的 E3former 特征把几何和化学身份耦合起来。

5. 方法细节：YuelDesign 到底怎么做？

5.1 任务定义与输入输出

YuelDesign 的任务是：给定一个蛋白–配体复合物中的结合口袋环境，学习生成能够适应该柔性口袋的小分子，并在生成过程中允许口袋局部结构发生变化。

训练阶段，模型看到的是来自结构数据库的蛋白–配体复合物。它学习如何从带噪声的复合物原子坐标和带噪声的配体原子类型中恢复真实结构。

生成阶段，模型从随机噪声开始，在给定蛋白口袋条件下逐步去噪，最终输出：

1. 1. 生成的小分子三维结构；
2. 2. 生成的小分子原子类型；
3. 3. 调整后的蛋白口袋局部构象；
4. 4. 如有需要，还可输出完整生成轨迹。

论文图 1 展示了整体流程：先提取蛋白口袋，再进行多步加噪和去噪，最后进行键重建，得到 3D 分子构象。E3former 在去噪过程中接收原子类型、成对关系和坐标，并输出更新后的结构。

5.2 数据来源与口袋定义

作者使用 Binding MOAD 数据库。该数据库收录来自 PDB 的高质量蛋白–配体晶体结构，论文中提到约有 41,409 个结构条目，其中 15,223 个具有定量亲和力信息。数据按 8:2 划分训练集和测试集。为了降低数据泄漏风险，作者做了多层相似性过滤：蛋白序列相似性通过 BLASTp 计算；口袋结构相似性通过 TM-align 和局部口袋 RMSD 评估；序列一致性大于 30% 或口袋 RMSD 小于 2 Å 的复合物被分到同一划分中；配体方面，RDKit 指纹 Tanimoto 相似度大于 0.85 的配体也被放入同一划分。

口袋定义采用距离规则：如果一个蛋白残基中至少有一个原子距离配体任意原子在 6 Å 以内，则该残基被纳入口袋。这个定义覆盖了可能形成氢键、疏水接触、π-π 堆积或塑造局部几何环境的残基。蛋白原子坐标和配体原子坐标被拼接成统一坐标矩阵，同时用二元 mask 区分哪些原子属于蛋白口袋，哪些属于小分子。

5.3 原子级表示：把蛋白和配体都当作 token

YuelDesign 的表示方式很直接：每个原子都是一个 token。

对每个蛋白–配体复合物，模型构建两类特征。

第一类是 sequence feature。这里的 sequence 并不是传统蛋白序列，而是原子 token 序列。每个原子具有一个类别标签，用于区分蛋白骨架原子、蛋白侧链原子和配体原子。原子类型用 one-hot 编码表示。作者还引入芳香残基的虚拟环中心原子，以及未知原子的占位类型。

第二类是 pair feature。每两个原子之间构建成对特征，包括它们是否属于同一残基的二元指示，以及原子间欧氏距离。前者提供局部化学或残基上下文，后者提供平移不变的几何信息。

这种表示的优点是信息保留充分，蛋白侧链、配体原子和局部几何关系都被放进模型。代价也很明显：全原子系统的原子数显著增加，输入维度变大，去噪任务更难，尤其是大分子或大口袋场景。

5.4 E3former：从 Evoformer 改造而来的全原子等变网络

E3former 是 YuelDesign 的核心网络。它借鉴 AlphaFold Evoformer 中 sequence 表示和 pair 表示交替更新的思想，但做了几个重要调整。

首先，它不使用 MSA。蛋白口袋与配体组成的原子系统没有天然的多序列比对输入，配体原子也不存在蛋白序列那样的保守排列。因此，E3former 依赖单序列注意力，而不是 MSA attention。

其次，它不依赖传统位置编码。原子 token 的排列不是天然有序的，直接使用位置编码可能引入人为顺序偏差。因此模型主要依赖原子类型、成对距离和残基关系来传播信息。

在每个 E3former block 内部，主要模块包括：

• • sequence attention：让原子 token 之间交换信息；
• • sequence transition：对原子级嵌入做非线性变换；
• • outer product module：将原子级信息投射到 pair 表示中；
• • triangle attention：借鉴 Evoformer 的三角注意力，用三原子关系更新成对几何上下文；
• • triangle multiplication：进一步建模成对关系之间的组合约束；
• • pair transition：更新 pair embedding；
• • equivariant coordinate head：把最终 pair embedding 转换为坐标位移。

最关键的是等变坐标头。它通过聚合原子间的加权方向向量来预测每个原子的坐标更新。这样做可以保证：如果输入复合物整体旋转或平移，输出的坐标更新也会随之旋转或平移，而不会因为坐标系改变而给出不一致结果。这对于 3D 分子生成非常重要，因为药物结合不应依赖实验坐标系本身。论文明确指出，该坐标头将最终 pair embedding 转换为坐标位移，并通过聚合加权方向向量保证旋转和平移等变性。

5.5 双扩散：连续坐标用 EDM，离散原子类型用 D3PM

YuelDesign 面对的是一个混合变量生成问题：坐标是连续的，原子类型是离散的。如果把原子类型也当连续变量处理，可能会破坏化学类别的离散本质；如果只生成离散图，又无法直接优化三维结合构象。因此作者使用双扩散策略。

坐标扩散：EDM

对原子坐标，YuelDesign 采用 EDM。前向过程逐步向真实坐标中加入高斯噪声，噪声强度由预设信噪比调度控制。可以把它理解为：真实蛋白–配体局部结构逐步被扰乱，最终变成近似随机的空间点云。

训练时，E3former 接收带噪坐标、带噪原子类型和时间步信息，预测加入的噪声。优化目标是预测噪声与真实噪声之间的 masked MSE。mask 的作用是只在需要建模的原子或变量上计算损失，避免无关部分干扰训练。反向生成时，模型从随机坐标噪声出发，逐步减去预测噪声，恢复出结构合理的三维复合物。

原子类型扩散：D3PM

对配体原子类型，YuelDesign 采用 D3PM。前向过程不是加高斯噪声，而是通过一个离散转移概率逐步腐蚀原子类别标签。简单说，真实的 C、N、O、S 等原子类型会随着时间步变得越来越不确定，最终接近随机类别分布。

反向过程学习从被破坏的类别状态中恢复原始原子类型分布。这样模型输出的是每个位置属于不同原子类型的概率，而不是连续坐标值。

联合建模的关键

EDM 和 D3PM 共享 E3former 特征和时间步。这样坐标生成与原子类型恢复不是两个完全独立任务。局部几何会影响原子类型判断，原子类型也会影响合理几何。例如，一个潜在氢键受体位置更可能生成 O 或 N，芳香堆积区域更可能生成芳香碳或杂芳原子。论文认为，这种共享特征有助于模型学习几何与化学身份之间的相关性，从而提升化学有效性、连通性和局部结构兼容性。

5.6 推理与后处理

生成时，YuelDesign 从连续空间和离散空间的随机噪声开始。连续空间对应原子坐标，离散空间对应配体原子类型。模型在每个时间步用 E3former 更新 node feature、pair feature 和坐标，并分别执行 EDM 坐标去噪与 D3PM 原子类型恢复。

去噪完成后，模型得到一组配体原子类型和三维坐标，同时得到调整后的口袋构象。由于扩散模型直接生成的是原子坐标和原子类型，而不是显式键图，因此还需要根据几何关系进行键重建。论文图 1 中也把 bond reconstruction 作为去噪后的步骤。

这一步很关键。因为 3D 扩散模型可能生成距离合理但价态不合理的结构，也可能出现碎片化、异常小环或不符合药化直觉的连接模式。后处理可以修复一部分问题，但也意味着化学有效性并非完全由生成模型内生保证。

5.7 方法流程小结

YuelDesign 的完整流程可以概括为：

1. 1. 从蛋白–配体复合物中按 6 Å 距离规则提取结合口袋；
2. 2. 将口袋原子与配体原子拼接为统一全原子系统；
3. 3. 为每个原子构建 atom-level sequence feature，为每对原子构建 pair feature；
4. 4. 对坐标执行 EDM 高斯加噪，对配体原子类型执行 D3PM 离散腐蚀；
5. 5. 用 E3former 同时处理原子特征、成对几何关系和坐标；
6. 6. 用等变坐标头预测坐标位移，用离散去噪头恢复原子类型；
7. 7. 从随机噪声反向采样，逐步生成配体和柔性口袋构象；
8. 8. 对最终配体进行键重建和化学性质评估。

6. 实验设计与关键结果

6.1 化学性质：连通性、大环、QED、RO5、SAS、有效性

作者将 YuelDesign 与 DiffSBDD、PMDM 进行比较，评估指标包括连通性、大环比例、QED、Lipinski RO5、SAS 和有效性。连通性衡量生成分子是否形成单一连通组分，这是 3D 坐标生成模型常见问题，因为模型预测坐标时并不天然保证化学键图连通。大环定义为超过 6 个原子的环，过多大环通常意味着合成复杂性和药物样性质风险增加。

结果显示，YuelDesign 在不同分子大小下保持较高连通性，而 PMDM 和 DiffSBDD 随分子尺寸增加下降明显。大环比例方面，YuelDesign 最低，DiffSBDD 居中，PMDM 较高。QED 方面，三种方法都随分子变大而下降，但 YuelDesign 在各尺寸范围保持更高 QED。RO5 方面，YuelDesign 对小分子更有优势，但随着分子尺寸增加，所有方法都会出现明显下降。SAS 分数三者相近，有效性基本接近 1.0，仅 PMDM 在较大分子时有所下降。

这些结果说明，联合建模柔性口袋可能间接改善配体生成质量。不过要注意，QED、RO5 和 SAS 是启发式药化指标，不能等同于真实可合成、真实可优化或真实有活性。

6.2 官能团多样性：总体接近天然配体，但小环偏多

作者使用 SMARTS 模式识别官能团，包括羧酸、酯、酰胺、酮、醛、胺、醇、酚、醚、环氧、硫醇、硫醚、磺酰胺、卤素、芳香环和特殊环等。结果显示，生成分子和天然配体在功能团分布上总体相似。醇类在两组中都很常见，约 85%；胺类在天然配体中约 70%，在生成分子中约 90%。

但生成分子中环丙烷、环丁烯、环氧等小环略有富集。作者认为，这反映了扩散模型的一个典型缺陷：从高斯噪声生成时，三元环或四元环可能在几何上并不明显违反键长和键角，因此容易被模型接受，但从药化和合成角度看，这些张力环未必理想。

6.3 口袋构象与蛋白–配体相互作用

YuelDesign 的一个关键实验是评估生成口袋结构的合理性。作者将生成口袋与天然口袋比较，得到中位 RMSD 为 1.8 Å。这个数值说明模型生成的口袋不是完全偏离真实结构，而是在局部范围内发生了可接受的构象调整。

在 PTR1 靶标 PDB 3JQA 的案例中，YuelDesign 生成的配体伴随部分侧链构象变化，形成新的极性接触，同时保留关键 π-π 相互作用。作者进一步用 AutoDock Vina 和 MedusaDock 打分，发现 YuelDesign 生成分子总体得分优于 DiffSBDD 和 PMDM。用 MedusaDock 重新对接后，YuelDesign 分子的 pose RMSD 更低，说明生成构象和重新对接构象更一致。

这里需要克制解读。Vina 和 MedusaDock 分数能作为结构合理性参考，但不能证明真实结合亲和力。它们更像是间接证据，说明生成分子在现有打分函数下更容易形成合理结合模式。

6.4 CDK2 案例：柔性口袋是否真的有用？

论文最有说服力的部分是 CDK2 案例。CDK2 在未结合状态下，K33 的 NZ 原子和 D145 的 OD1 原子形成盐桥；在配体结合状态下，这一盐桥会被打破，从而允许 D145 与抑制剂形成更有利的相互作用。这个体系非常适合作为柔性口袋测试场景。

作者比较不同模型生成的分子是否能够接近 D145。YuelDesign 生成分子中，配体与 D145 最小距离小于 3 Å 的比例更高，尤其是非碳原子距离也能接近 D145，说明它们更可能形成极性或离子相互作用。相反，DiffSBDD 和 PMDM 因为固定口袋，难以打破 K33-D145 盐桥，也难以让配体有效接近 D145。

进一步地，作者直接测量 K33 NZ 与 D145 OD1 的距离。刚性口袋方法中这个距离固定不变，而 YuelDesign 生成复合物中该距离呈现更宽分布，并出现接近天然结合态的数值。这说明模型确实生成了盐桥断裂和侧链适应的构象，而不是只在固定口袋中硬塞配体。

这个结果非常重要，因为它说明蛋白柔性不是装饰性模块，而可能决定生成分子能否进入真实可结合状态。

6.5 去噪过程分析：几何先稳定，类型后细化

作者还分析了 YuelDesign 的去噪轨迹。以 3JQA 为例，原子类型在生成初期变化较多，但大多数原子类型在最后 20 步趋于稳定。坐标 RMSD 则呈现更连续、更均匀的下降趋势。键长在约第 25 步后开始持续缩短，提示键形成和结构优化在这一阶段逐渐发生。早期由于原子来自高斯噪声，原子距离接近，键形成和断裂频繁；到后期，键变化基本停止。作者还观察到，约第 75 步后坐标相对稳定，后续步骤更多是在微调原子位置和原子类型。

这给扩散式分子生成一个有趣启发：坐标、键和原子类型可能不是同步成熟的。未来模型或许可以将几何粗生成、拓扑确定、原子类型细化分成更清晰的阶段，以提高采样效率和化学稳定性。

启发

第一，柔性口袋应该成为生成模型的建模对象，而不是后处理补丁。 传统做法往往是先生成配体，再对蛋白侧链做优化。YuelDesign 把蛋白口袋放进生成过程本身，让口袋和配体共同演化。这对诱导契合、隐蔽口袋和构象选择问题都有启发。

第二，小分子生成需要同时尊重连续几何和离散化学。 坐标是连续变量，原子类型是离散变量，二者不能用同一种噪声机制简单处理。EDM+D3PM 的组合是一种合理分解方式，体现了分子生成中变量类型分治的重要性。

第三，全原子建模更真实，但也更难扩展。 全原子口袋可以保留侧链、芳香环中心、局部相互作用等细节，但原子数可达到数百，计算复杂度和去噪难度显著上升。模型效果随分子变大下降，正是这一挑战的体现。

第四，生成轨迹本身可以提供机制信息。 作者不只看最终分子，还分析去噪过程中原子类型、键和坐标如何稳定。这类轨迹分析有助于理解模型失败模式，也能指导未来采样策略改进。

局限性

1. 生成分子相似性仍然有限

作者承认，YuelDesign 生成分子与天然配体的相似性虽然略优于对比方法，但总体仍然不高。这说明模型可以生成符合口袋环境的新分子，但并不意味着它能稳定恢复已知活性配体附近的高价值化学空间。对于 hit discovery 这可能是优点，因为它带来新颖性；对于 lead optimization 则可能是问题，因为优化往往需要围绕已知骨架做精细改造。

2. 缺少显式化学约束，小环和异常结构仍会出现

YuelDesign 虽然改善了连通性和大环比例，但它仍主要通过坐标和原子类型生成分子，化学键不是模型原生变量。小张力环过度生成说明模型仍可能被几何合理性误导，而没有充分理解合成可行性、环张力和药化经验。

3. 大分子生成性能下降

论文指出，随着原子数增加，输入维度升高，去噪任务更困难，小误差会在多步迭代中累积，从而导致大分子有效性或连通性下降。作者提出隐空间扩散可能是一种改进方向，即先把分子映射到低维 latent space，再在更紧凑的表示中扩散。

4. 打分函数不能替代真实实验

Vina 和 MedusaDock 分数可以辅助判断结合构象，但它们不是结合自由能，也不能直接预测实验活性。尤其是生成模型可能学会迎合打分函数偏好，产生打分好但实验不可行的结构。缺少湿实验验证，是这篇工作的主要转化限制。

5. 口袋柔性本身也可能被模型生成错误

让口袋动起来是优势，也带来新风险。模型可能生成几何上看似合理、但在真实蛋白能量景观中不稳定的侧链构象。侧链旋转是否可实现，盐桥断裂是否需要代价，水分子和质子化状态是否参与，这些都没有被充分显式建模。

6. 缺少更系统的消融和更硬的泛化评估

论文做了相似性过滤以降低数据泄漏风险，这一点值得肯定。但要证明方法能广泛处理真实药物发现中的新靶标、新口袋、新骨架和 apo/holo 构象差异，还需要更系统的 OOD benchmark、构象 ensemble 测试、prospective case study 和实验验证。

未来意义：YuelDesign 对 AI 制药有什么启发？

YuelDesign 的意义在于，它把扩散式结构生成从配体中心推进到复合物中心。未来 AI 制药模型如果要真正服务结构基础设计，不能只问如何生成一个分子，还要问这个分子是否能诱导合理口袋构象，是否能稳定关键侧链，是否能形成可解释的相互作用网络。

从方法发展看，YuelDesign 指向了几个重要方向。

第一，柔性蛋白条件生成会成为 SBDD 生成模型的重要主题。未来模型可能不再只输入一个固定 PDB 结构，而是输入 apo/holo ensemble、MD 采样构象、AlphaFold 多态结构或实验约束，让模型在构象空间中生成配体。

第二，拓扑、几何与物理约束需要更紧密耦合。目前坐标生成、原子类型生成和键重建仍有割裂。更理想的模型应同时生成可验证的分子图、三维构象、键级、价态、质子化状态和关键相互作用。

第三，生成模型需要进入闭环验证。YuelDesign 目前主要用化学性质、功能团分布、对接分数和结构案例评估。下一步需要与合成可及性预测、反应路线规划、MD 稳定性、FEP、实验筛选结合，形成真正的 design–make–test 闭环。

第四，柔性口袋生成需要物理能量约束。仅靠数据驱动模型可能学到常见构象，但不一定理解构象转变代价。未来可以引入可微能量项、侧链 rotamer 先验、水网络建模、质子化状态采样、局部应变惩罚等，使生成口袋更接近真实能量景观。