自由能估计在药物设计中的角色
做药物设计的人，大概都问过自己一个问题：
「这个分子到底能不能和靶点真正结合？」
我个人习惯把药物研发比作一把钥匙开一把锁。
锁是蛋白靶点，钥匙是小分子候选物。
但问题在于——很多「看上去合适」的钥匙，插进去一拧，根本就不动。
为什么会这样？
说白了，结合是个动态过程。
结合常数 Kd、结合自由能 ΔG——这些数字才是真金白银。
我们做自由能估计，就是在做一件事：
在合成化合物之前，先算出它和靶点结合的紧密程度。
为什么说自由能是「硬通货」
我记得刚入行那会儿，项目组有个化合物，活性测试死活提不上去。
药化同事改了三次骨架，每次合成加两周时间，结果全都白费。
后来我们用自由能扰动（FEP）一算，发现其中一个取代基的溶剂化能是负贡献。
你看，如果早一周跑一轮计算，至少能省下四个月的人力。
自由能估计不是花架子，它直接回答三个核心问题：
- 结合好不好？ —— 亲和力定量预测
- 选择性如何？ —— 脱靶风险评估
- 活性排序对否？ —— 平行系列优先级
自由能循环——你逃不过的基本功
做自由能估计，就得先理解一个基础概念：
热力学循环（Thermodynamic Cycle）。
说白了，就是用化学热力学守恒，把「绝对结合自由能」问题，转换成「相对结合自由能」问题。
为什么这么干？
因为绝对自由能计算太难收敛，而相对自由能只需要算两个状态的差值。
我在项目中遇到过很多新手，上来就跑 FEP 的绝对结合模式，结果跑了 500 ns 还在振荡。
嗯，这里要注意：实际项目中 90% 的场景用相对自由能就够。
三个最常见的应用场景
讲完理论，说说实际干什么。
我在真实项目中总结过，自由能估计最出效果的场景就三类：
| 场景 | 你关心什么？ | 估计方法推荐 |
|---|---|---|
| 骨架跃迁（Scaffold Hopping） | 新骨架是否保留活性 | 相对自由能 FEP + 单步突变 |
| 构效关系探索（SAR by FEP） | R 基团替换后的活性排序 | FEP/REST2 批量扫描 |
| 选择性优化（Selectivity Tuning） | 对 off-target 的 ΔΔG | 双位点自由能循环 |
# 举个例子：我常用的单步FEP配置文件结构（简化版）
[system]
protein = receptor.pdb
ligand_initial = ligand_A.sdf
ligand_final = ligand_B.sdf
[simulation]
temperature = 300
time_step = 2.0
n_lambda = 11
soft_core = True
equilibration_ns = 1.0
production_ns = 5.0
[output]
dG_unit = kcal/mol
output_prefix = fep_rg1_vs_rg2避坑：别被 ΔG 的漂亮数字骗了
我曾经有一个很深刻的教训。
项目推进到先导物优选阶段，自由能计算给出一个化合物 ΔG = -11.2 kcal/mol，而对照物才 -8.5。
团队非常兴奋，直接跳过次级验证，优先合成。
结果呢？
活性测试显示两个化合物的 IC₅₀ 几乎一样。
后来一查，问题在于焓熵补偿效应（Enthalpy-Entropy Compensation）没有被充分考虑。
自由能 ΔG = ΔH - TΔS，计算出来的漂亮数字可能是 ΔH 占优而 ΔS 严重不利。
要结合 ΔH 和 -TΔS 的分解来看。
如果 -TΔS 大于 2 kcal/mol，说明这个结合的构象熵代价很大——体外可能有活性，体内很可能被迅速代谢掉。
我也给新人一个「奖励函数」
你想想看，自由能估计在整个药物设计流程中，不是替代实验，而是给实验做减法。
它能帮你筛掉 70% 不值得合成的候选物。
但它不能告诉你「哪个一定成药」。
这就是能力边界。
- FEP 预测误差 < 1.0 kcal/mol → 可信，可作为主要决策依据
- 1.0 ~ 2.0 kcal/mol → 可以参考，最好做平行重复
- > 2.0 kcal/mol → 大概率你的力场或采样有问题，不要轻易信
说回本课程
本课程选用的全部是真实靶标项目——有成功的，有失败的，有计算「打脸」的。
我会手把手带你跑通每个案例。
从设置系统、生成扰动图、提交 FEP 计算、到结果诊断与焓熵分解。
所有代码、配置、脚本都会给你看。
记得我刚接触自由能估计那段时间，最缺的就是「有血有肉」的项目经验。
理论书看了很多，真到跑作业时还是报错。
所以这一课，我就想让你少走类似的路。
嗯，差不多了。
自由能估计不是什么玄学，是一套你训练好就能复用的工程技能。
咱们接着往下看。