1. 药物研发中的结构序列联合表征工程导论
现代药物研发面对的核心对象，早已不是单一的化学结构式或单一的生物序列，而是一组彼此约束、彼此解释的多模态数据。小分子药物有明确的原子连接关系与三维构象，抗体、多肽、核酸类药物有决定功能与免疫原性的氨基酸或核苷酸序列，靶点蛋白则同时具备序列、结构域、活性口袋与翻译后修饰等信息。结构序列联合表征工程，研究的正是如何把这些异构信息映射到同一可计算空间，并让它们在下游任务中互相补强。
课程定位：从"两张表"到"一个表征空间"
传统研发流程中，化学信息学与生物信息学往往各自为政：一边维护 SMILES、分子指纹、药效团与 QSAR 模型，另一边维护 FASTA、多序列比对、系统发育树与结构预测结果。这种分工在早期筛选阶段尚可运转，但一旦进入靶点识别、先导化合物发现与优化，割裂的表征就会暴露问题——分子性质模型不知道靶点口袋的形状约束，序列模型也不知道配体的电子效应。本课程定位为工程实践课，目标不是罗列算法，而是建立一套可落地的联合表征流水线：数据如何对齐、特征如何编码、模型如何融合、结果如何验证。
核心问题：三个必须回答的工程命题
联合表征要解决的核心问题可以归纳为三点。第一是对齐问题：一个化合物记录与一个靶点序列记录，凭什么认为它们属于同一"样本对"？答案通常来自活性数据表（如 IC50、Kd、EC50）中的 (compound_id, target_id) 关联，但同一靶点的不同亚型、突变体、物种来源必须区分清楚，否则标签会互相污染。第二是尺度问题：小分子图通常几十个重原子，蛋白序列可达数百至上千个残基，直接拼接会导致序列维度压倒结构维度，需要分别编码后再融合。第三是语义问题：结构数据表达"形状与化学环境"，序列数据表达"进化与功能约束"，二者互补而非冗余，融合方式必须尊重这一差异。
结构数据与序列数据的互补价值
理解互补性，最直接的方式是对比二者在具体任务中的信息贡献。以激酶抑制剂设计为例：序列数据能告诉我们某突变（如 EGFR T790M）位于 ATP 结合口袋附近，且该位点在家族中高度保守，提示突变可能改变口袋体积与疏水性；但仅凭序列无法精确判断突变后口袋能容纳多大的取代基。结构数据（晶体结构或高置信度预测结构）则能给出残基侧链朝向、口袋体积变化与可形成的氢键网络。反过来，当靶点没有实验结构时，序列信息中的共进化信号可以约束残基间接触，辅助结构预测，从而间接提供结构信息。二者结合，才能同时回答"这个位点重要吗"和"这个位点长什么样"。
在化合物一侧，结构数据描述分子本身的拓扑与构象，序列数据（此处更多指靶点序列）描述结合界面的进化约束。联合表征的价值在于：模型可以在学习"分子片段—残基"交互模式时，同时利用分子的几何特征和残基的进化保守性，从而在训练数据有限的条件下获得更好的泛化能力。这也是近年来图神经网络与蛋白语言模型联合建模受到关注的根本原因。
联合表征在三大环节中的工程意义
靶点识别阶段，联合表征用于判断一个已知活性化合物是否可能作用于新靶点。工程上通常先做序列层面的同源检索，再用结构比对或口袋相似性打分过滤，最后用联合模型预测化合物—靶点亲和力。关键参数包括序列一致性阈值（如 30% 以上视为同源）、口袋相似性打分（如 PocketMatch 分数）以及预测亲和力的置信区间。判断依据是：若序列同源但口袋差异大，需谨慎；若序列不同源但口袋高度相似，可能存在脱靶风险，值得进一步实验验证。
先导化合物发现阶段，联合表征支撑虚拟筛选与骨架跃迁。典型做法是：用靶点序列嵌入与化合物图嵌入做交叉注意力，输出结合概率；对高概率分子再做结构对接，检查是否存在明显冲突。示例参数可设为：筛选库规模 10^6 量级，联合模型初筛保留 top 1%，对接复核保留 top 0.1%，最终送实验的化合物控制在几十个。判断依据包括对接打分、口袋填充率、以及关键氢键是否保留。
先导化合物优化阶段，联合表征用于多目标优化。此时需要同时预测亲和力、选择性、ADMET 性质与耐药突变活性。工程上常采用多任务学习，共享底层联合表征，不同任务使用独立输出头。示例配置为：共享层维度 256，任务头维度 64，损失函数为加权和（亲和力权重 1.0，ADMET 权重 0.5，选择性权重 0.8）。判断依据是各任务验证集上的 Spearman 相关系数与命中率，若某任务持续负迁移，则需调整权重或引入梯度裁剪。