今日概览
- RL牵引半柔性扩散模型生成口袋配体 把去噪扩散转化为RL框架，实现配体在口袋内的半柔性动态生成
- 可解释GNN标记关键原子 四种XAI方法将GNN预测拆解到原子级，共识归因在激酶-抑制剂复合物中76%位于结合口袋2 Å内。
重点关注
01RL牵引半柔性扩散模型生成口袋配体
结构基药物设计长期假设配体以单一构象对接，忽视真实结合时的半柔性变化。作者把去噪扩散过程重定义为马尔可夫决策过程，用强化学习在每一步迭代地调整原子坐标，同时把QED、SA、疏水度等药化指标作为奖励，引导采样留在类药区域。该策略在训练阶段还引入无靶与有靶分子的自监督刚性对齐，增强模型对未知口袋的泛化。
in silico 结果显示，对一组未见蛋白，生成分子的平均 Vina 分数 −7.23 kcal/mol，优于对比基线，11.53% 的体系能在 AutoDock 重打分中排前 5%；配合提出的 20× 快速采样，训练与推理时间显著缩短。研究仅提供计算验证，尚未报告体外活性、细胞或体内功能数据；此外，奖励函数权重与蛋白柔性程度仍依赖经验设定，可能限制对高度可塑口袋的适用性。
02可解释GNN标记关键原子
图神经网络（GNN）在药物-靶点相互作用（DTI）预测中表现优异，却难以指出配体的哪些原子真正驱动结合。作者将四种可解释AI（XAI）归因方法系统应用于激酶与GPCR两类靶点的GNN模型，首次在原子层面量化解释一致性，并用实验三维结构验证生物学意义。结果显示，方法间原子级IoU一致性仅属中等，但共识归因原子与结合口袋≤2 Å接触比例高达76%，显著富集于DFG调控基序等实验已知关键残基，证明即使方法存在分歧，仍能捕捉化学上可解释的特征。局限在于仅基于in silico归因与公开晶体结构比对，尚未经体外或体内功能突变验证，且激酶与GPCR代表性是否外推至其他靶点仍待确认。
也值得关注
今日观察
今日两篇预印本都把“可解释”与“生成”耦合到蛋白-配体界面。扩散-强化混合框架把去噪步数压成原1/20，在交叉对接集里11.5%样本能把Vina打降到-7.23 kcal/mol，提示把口袋侧链作半柔性状态纳入奖励，可在in silico层面先筛一次化学空间；另一边，四种事后归因方法把GNN的活性预测拆到原子，76%共识位点落在2 Å内并与DFG motif接触，为下一轮改造提供可编辑假设，但两者都停在计算层，缺乏生化或细胞读出。
对AI药物发现团队的可执行观察：先以半柔性扩散-RL做“千级别”快速采样，再用原子级归因把前十簇的键、杂环或电荷中心标成可改位点，形成“生成-解释-再生成”闭环；下一轮必须补测SPR或酶抑制的体外IC50，把奖励权重与蛋白柔性假设拉回实验坐标，否则生成提速与归因精度仍只是口袋里的数字游戏。
以上内容为个人解读，仅供参考。权威内容请以原论文为准。