药物发现：结合亲和力预测

可视化演示

亲和力基础概念

舞会开场，靶蛋白站在舞池中央，放出明确信号：“我只接受三步舞的完美配合。”候选舞伴们纷纷上前试探：有人跳探戈，有人跳快步，有人笨拙地踩了脚。谁能真正贴合靶蛋白的“舞步偏好”（即分子间的氢键、疏水与静电相互作用），谁才能被挽留住。分子世界中，这种“契合度”就叫结合亲和力（binding affinity），它描述药物分子与靶蛋白结合得有多稳固，决定了药物能否在体内真正发挥作用。

从概念上升到度量：怎样把“默契”变成数字？化学家用解离常数 Kd 来量化。想象一个缓慢的化学平衡：蛋白 P 与配体 L 结合成复合物 PL，同时复合物又不断解离回两个单体。“合拍”的舞伴组合解离得少，Kd 就小；不合适的组合一拍两散，Kd 就大。因此 Kd 越小，亲和力越高，药物越能牢固地“锁住”靶蛋白。

回到舞会：Kd 就像舞会的“默契评分”，评分越低，候选药物越有资格进入下一轮临床前筛选。在药物发现早期，研究者用这个数字从几万个候选分子中挑出“舞技最合拍”的那一批，这就是亲和力预测贯穿整个研发链条的价值所在。

实验测定局限

最可靠的“相亲方式”是把分子和蛋白真的放进试管里，安排一场线下试跳。表面等离子共振（SPR）、等温滴定量热（ITC）等技术可以精确记录双方“从认识到共舞”的热量变化与浓度变化，直接测出 Kd。这当然准确，但代价也惊人：一次实验要消耗宝贵蛋白样品、精密仪器和数天时间，成本动辄数千到数万元。舞会现场有一万名候选人，而真人试跳一晚上最多安排几百对——这就是通量瓶颈。

实验测的其实是结合过程的能量差。蛋白与药物从未结合态到结合态，自由能降低得越多，结合越稳定，这与 Kd 直接相关。热力学公式把两者连在一起：室温下，Kd 每降低一个数量级，自由能大约多释放 5.7 kJ/mol（约 1.36 kcal/mol）。

真人试跳虽准，但面对上万人的舞会实在捉襟见肘。更麻烦的是，实验数据受缓冲液、温度、仪器批次影响，存在噪声——就像同一个人在不同灯光下看起来气质不同。于是科学家们开始思考：能不能不看真人，只看资料就快速打分？

打分函数演进

舞会主办方请来了经验丰富的老媒人。他不需要一对一对试跳，只需站在门口，扫一眼候选者的外形、步态、开场几步，就能快速打出一个“登对分”。打分函数（scoring function）就是这位老媒人的评分卡：它把结合过程中的关键物理化学项——氢键强度、范德华力、去溶剂化惩罚、静电作用——按一定权重加起来，估算结合自由能。

早期的物理模型走“理论派”路线，用分子力场逐原子计算相互作用能量，精度高但计算量大，如同媒人非要看完对方全家三代履历才打分。经验打分函数则是“数据派”，对已知亲和力的复合物做回归拟合，得到各项的权重系数，速度快，但依赖训练集、外推能力弱。半经验方法介于两者之间，取折中。

老媒人阅人无数、打分极快，几千个候选分子几分钟就能筛完。但眼力终究有限：面对从未见过的全新化学骨架，经验权重可能完全失效。这让人们意识到，与其依赖少数人的经验，不如让机器翻遍整座城市的舞会档案，自己总结规律。

机器学习突破

换一种思路：不靠人造公式，而是翻看过去十年每一场舞会的配对记录——谁成功、谁被拒、双方有什么特点——让机器自己从数据中找规律。于是机器学习方法登场：先用分子描述符把药物和蛋白编码成数字向量，例如分子指纹、电荷分布、拓扑形状等，相当于给每位候选者填写一份标准化的“档案表”，再交给随机森林等模型学习。

随机森林由数百棵决策树构成，每棵树都用不同的随机子集训练，最终预测取所有树的平均。这种“多个媒人投票”的策略显著降低了单个判断偏差，让预测更稳。此外，迁移学习让模型先在数百万个通用分子的数据上“熟悉世面”，再在少量高精度的亲和力数据上微调，解决了实验数据稀缺的问题。

机器阅人无数后，预测准确度比老媒人高出一截，但它的能力上限受限于档案表的设计——描述符没有捕捉到的信息，模型再聪明也学不到。更重要的是，分子是三维的，拽着原子坐标旋转一下，档案就全变了。能不能让模型像真正的人类媒人一样，直接“看气质”而不管对方站的方向？这就是深度学习登场的时刻。

深度学习前沿

AI媒人不再满足于看静态档案，它学会了直接“观察舞步气质”：把每个原子看作一个舞者，原子之间的化学键是牵着的手，电荷和距离是彼此的眼神交流。图神经网络（GNN）正是这样工作的——先用原子构成一张图，然后通过“消息传递”让每个原子反复向邻居打听信息，逐步构建出对整个分子的理解。由于分子旋转后图结构不变，GNN 天然处理旋转不变性，但更深层的物理量（如力、方向）还需等变网络显式建模。

Transformer 架构则让所有原子两两之间直接对话，能捕捉远距离的相互作用；预训练模型先在数亿分子上学习通用化学“语言”，再微调到亲和力预测任务。这些模型的核心都是逐层更新每个原子的表征向量，汇聚成最终预测。

AI媒人最终练就了“火眼金睛”，但对训练数据质量极其挑剔：若过往舞会档案本身记录混乱或偏爱某类舞者，它学到的“审美”也会跑偏。再高明的 AI 也得站上同一把尺子前接受检验。

数据基准评价

再厉害的媒人也需要一份公开的“战绩排行榜”来证明自己。在结合亲和力预测领域，PDBbind 就是公认的排行榜：它收集了实验测定的蛋白-配体复合物三维结构，并附上实测 Kd 值，供所有算法统一比拼。研究者把数据集按蛋白序列相似性划分训练集和测试集，用评估指标量化预测质量，其中最常用的是均方根误差（RMSE）——衡量预测值与实验值平均偏差的大小。

排行榜还揭示了一个尴尬现实：高度亲和力的“灵魂舞伴”样本十分稀少，模型对它们的学习天然不足，这被称为类分布失衡。D3R Grand Challenge 等基准竞赛让各种算法在统一盲测中比拼，推动预测器从“实验室玩具”走向真实的药物发现管线。有了权威榜单，AI媒人的真实舞技才无处遁形。

AI 应用场景

Python 演示

"""随机森林结合亲和力预测演示"""import numpy as npfrom sklearn.ensemble import RandomForestRegressorfrom sklearn.model_selection import train_test_splitfrom sklearn.metrics import mean_squared_error, r2_score  def generate_dummy_data(n_samples=200, n_features=8, seed=42):    rng = np.random.RandomState(seed)    X = rng.randn(n_samples, n_features)    # 模拟 pKd 与部分特征存在线性关系    y = 2.0 * X[:, 0] - 1.5 * X[:, 1] + 0.5 * X[:, 2] + rng.randn(n_samples) * 0.3    y = y - y.min() + 4.0  # 平移使 pKd 落在 4-9 合理区间    return X, y  def main():    # 1. 生成模拟分子描述符数据    X, y = generate_dummy_data()    # 2. 划分训练集与测试集    X_train, X_test, y_train, y_test = train_test_split(        X, y, test_size=0.2, random_state=123    )    # 3. 构建随机森林回归器：300 棵决策树取平均    model = RandomForestRegressor(n_estimators=300, max_depth=10, random_state=7)    # 4. 训练模型    model.fit(X_train, y_train)    # 5. 在测试集上预测 pKd    pred = model.predict(X_test)    # 6. 计算评估指标 RMSE 与 R²    rmse = np.sqrt(mean_squared_error(y_test, pred))    r2 = r2_score(y_test, pred)    print(f"Test RMSE = {rmse:.3f} (log unit)")    print(f"Test R2   = {r2:.3f}")  if __name__ == "__main__":    main()

1. X, y = generate_dummy_data()生成模拟的分子描述符矩阵和 pKd 标签，相当于给候选舞伴填写“档案表”。
2. train_test_split(X, y, test_size=0.2, random_state=123)把数据分成训练集和测试集，避免“用同一批人自评自夸”。
3. RandomForestRegressor(n_estimators=300, max_depth=10, random_state=7)让 300 棵决策树各用自己的视角判断，综合投票提升稳定性。
4. model.fit(X_train, y_train)让模型从历史“舞会配对档案”中学习特征与亲和力的关系。
5. pred = model.predict(X_test)对从未见过的测试分子打分，检验模型真实“眼力”。
6. rmse = np.sqrt(mean_squared_error(y_test, pred))计算预测与实验的平均偏差，RMSE 越小代表媒人看人越准。

常见误区

面试题