[Tech Review] 深度学习分子对接真的超越传统方法了吗？基于 DP Technology 的深度评测

TL;DR

近年来，DiffDock、EquiBind 等深度学习（DL）模型在分子对接领域声名鹊起，宣称在“盲对接”任务上全方位碾压传统方法。然而，DP Technology 的最新研究指出：这可能是一个“不公平”的幻觉。实验表明，DL 模型的优势主要在于找口袋找得准，而在核心的**位姿优化（Pose Reconstruction）**上，传统的评分函数与优化引擎依然宝刀未老。

痛点深挖：被模糊的赛道

传统的分子对接（Traditional Docking）通常是在已知结合位点（Pocket）的情况下进行的精细操作。而近年来的 DL 模型多专注于“盲对接”（Blind Docking），即直接在全蛋白表面寻找配体位置。

此前的论文通常直接让 DL 模型与运行在全蛋白范围内的传统软件（如 Vina）对比。这就像是让一个“地毯式搜索”的侦探与一个“只负责开锁”的工匠比谁找东西快，显然对后者不公平。

方法论：拆解“黑盒”

为了看清 DL 模型到底强在哪里，作者将任务拆解为：

1. Stage 1: Pocket Searching（口袋搜索） - 找到配体可能待的地方。
2. Stage 2: Local Docking（局部对接） - 在选定区域内优化分子的构象。

作者引入了 PointSite + Uni-Dock 等组合方案，甚至将 DiffDock 的预测口袋 + 传统 Uni-Dock 引擎 进行拼装实验，旨在验证：如果大家站在同一起跑线（相同的口袋）上，谁的位姿预测更准？

实验与结果：DL 是顶尖导航员，传统是金牌工匠

通过对比表 1 中的数据，我们可以得出几个颠覆性的视角：

1. 相同口袋下，传统方法更稳

当使用 DiffDock 预测的口袋时，DiffDock* + Uni-Dock 在 RMSD < 1Å 的占比上（25.49%）远高于原生的 DiffDock* 模型（15.41%）。这说明 DL 模型在微调分子原子位置、处理物理碰撞方面的精细度仍逊于传统力场。

2. DL 改变了口袋搜索的游戏规则

实验发现 DiffDock 生成的口袋质量极高，甚至超过了专门做口袋预测的 PointSite。这很大程度上是因为 DiffDock 在搜索时考虑了配体分子的信息，而传统口袋工具通常只看蛋白表面特征。

3. SOTA 依然有巨大提升空间

通过 GT Pocket + Uni-Dock（使用真实口袋进行对接）的实验可以看到，RMSD < 2Å 的比例能达到 51.11%。这说明当前的盲对接模型在“综合成功率”上距离物理极限还有翻倍的空间。

深度洞察：我们学到了什么？

• 不要迷信端到端（End-to-End）：虽然端到端模型结构优雅，但在处理分子间物理相互作用这种对精度要求极高的任务时，显式的物理/化学约束（传统方法所擅长的）依然不可或缺。
• 未来的方向：DL 模型应该更多地学习如何利用配体信息辅助口袋发现，或者在生成构象后，引入类似传统方法的能量最小化过程。
• 公平评价的重要性：在 AI 药物研发（AIDD）领域，如果不考虑方法的应用场景（盲对接 vs 局部对接），很容易被 SOTA 的数据假象误导。

总结

这篇工作为火热的 DL 分子对接研究泼了一盆理性的冷水。它告诉我们：深度学习并没有“杀死”传统对接方法，而是为它提供了一个更强大的“导航卫星”。在实际药物设计中，将 DL 的全局搜索能力与传统方法的局部微调能力相结合，才是目前的王道。

局限性分析： 该研究主要使用了 PDBBind 数据集，且依赖于 Uni-Dock（Vina 家族）作为传统方法的代表，未来可以进一步探索更多样化的传统采样算法与 DL 模型的混合潜力。