📚 课程目录第2章蛋白-配体相互作用基础

2. 蛋白-配体相互作用基础：结合位点、结合模式、亲和力测量与常用数据集

做交叉验证之前，先把基础打牢。蛋白-配体相互作用，说来说去就三个核心问题：它俩在哪结合、怎么结合、结合得有多牢。我刚开始做分子对接时，连结合位点都没搞清楚就急着上模型，结果交叉验证出来的分数虚高，后来一查——训练集和测试集里混了同一个蛋白家族的多个同源结构，信息泄露了。那次教训让我记住：吃透底层的相互作用知识，比调超参数重要得多。

2.1 结合位点：蛋白上的“口袋”长什么样？

结合位点（binding site）就是蛋白表面上一块能容纳小分子的凹陷区域。你想想看，蛋白表面凹凸不平，真正能稳定结合药物小分子的，往往是一些疏水口袋、极性裂隙或沟槽。这些“口袋”有几个关键特征：

几何形状：通常比较深、狭长，能包裹住配体的一部分。
化学环境：疏水区域（亮氨酸、异亮氨酸、缬氨酸等侧链）和极性区域（丝氨酸、苏氨酸、天冬氨酸等）交错分布。
柔性：口袋的侧链和骨架在结合过程中会发生构象变化，有的甚至很大的“诱导契合”。

我记得在一次预测任务中，我直接用刚性受体结构做对接，结果对不出一个靠谱的结合姿势。后来花了三天做了柔性口袋的分子动力学采样，交叉验证的R才从0.3提到0.7。说白了，结合位点的静态结构只是一个起点，动态信息才更能反映真实情况。

特征	描述	对交叉验证的影响
几何深度	口袋越深，配体越难逃逸	不同蛋白的深度差异大，需按口袋类型分层划分
疏水性比	疏水残基占比	影响打分函数中的疏水项权重
可接触面积	配体与蛋白的接触面积	面积越小，结合可能越不稳定

我的一个小技巧：在收集PDB结构时，我习惯先用fPocket或SiteMap自动检测一下结合口袋，再手动检查是否与文献中的“经典口袋”一致。这能帮你快速筛掉那些晶体结构里配体被堆叠在表面假口袋的数据。

2.2 结合模式：弱相互作用织成的“网”

结合模式描述的是配体与蛋白之间具体的非共价相互作用类型。常见的“主力军”有：

氢键：方向性强，通常2.5~3.5Å之间最有利。我见过不少学生会忽略水分子介导的氢键，其实水桥在网络里经常是关键节点。
疏水相互作用：非极性基团之间的堆叠，本质上是为了减少水分子接触。一个距离在4Å以内、非极性原子接触数超过5个就值得关注。
π-π堆叠：芳环之间的面对面或边对面接触，常见于DNA结合蛋白。
静电相互作用：带电基团之间的盐桥，强度大但容易被溶剂屏蔽。
范德华力：无处不在的色散力，虽然单体弱但加总起来非常可观。

我早期犯过一个错：在做打分函数的交叉验证时，我直接用了简单加和的能量项，结果对含有多个共溶剂小分子的体系完全失效。后来才意识到，共溶剂占据了结合口袋的局部空间，改变了结合模式，而我的训练集里根本没有包含这种场景。所以，在拆分数据集时，一定要考虑结合模式的多样性。

关键认知：交叉验证中，如果两个蛋白虽然序列相似但结合模式截然不同（比如一个以氢键主导，另一个以疏水主导），把它们分在同一折里会严重高估模型的泛化能力。

2.3 亲和力测量：从实验到模型桥梁

亲和力衡量的是配体与蛋白结合的“牢固程度”。常见的量化指标有：

Ki：抑制常数，反映配体与酶结合的解离平衡。
IC₅₀：半抑制浓度，通常实验条件下测出。
K_d：解离常数，直接反映结合平衡。

这三种数值在理想情况下可以互相换算（Cheng-Prusoff方程），但实际上因为实验条件（pH、温度、离子强度）不同，直接替换使用会引入噪声。我在PDBbind数据集里就遇到过同一对蛋白-配体在不同论文中给出差10倍的IC₅₀。所以做交叉验证前，一定要对亲和力数据进行质量筛检和单位归一化。

常用的实验测量方法包括：

方法	测量量	通量	是否直接给出结合分数
表面等离子体共振（SPR）	K_d, kon, koff	中低	是
等温滴定量热（ITC）	K_d, ΔH, ΔS	低	是
荧光偏振（FP）	IC₅₀	高	间接
酶活性抑制实验	IC₅₀	中	间接

注意：千万不要把不同实验测出的IC₅₀和K_d直接混合训练——我曾经这么干过，结果模型在测试集上表现奇差。后来查文献才发现，两种测量值误差范围不同，IC₅₀往往受底物浓度影响，而K_d更稳定。

2.4 常用数据集：PDBbind与CASF

说到交叉验证，数据集的选择是第一个门槛。做蛋白-配体结合亲和力的任务，最经典的公开基准就是PDBbind和CASF。

PDBbind

PDBbind是一个精心整理的数据库，每个条目包含蛋白-配体复合物的三维结构（来自PDB）以及对应的实验测定的亲和力数据（Ki, K_d, IC₅₀等）。它的核心文件长这样：

# PDBbind v2020 refined set - INDEX_general_PL.2020
# Columns: PDB_code, resolution, release_year, -logKd/Ki, reference, ligand_name
1a30   2.20   2000   6.12   SomeRef_2000   STU
1a4k   1.90   1999   5.88   AnotherRef     ATP
...

我习惯在交叉验证前先对PDBbind的数据做几步处理：

移除分辨率>3.0Å的条目（结构质量差，亲和力预测不可靠）。
将IC₅₀统一转换为pIC₅₀（-log IC₅₀），减少量纲差异。
检查是否有冗余的同配体-不同蛋白对，如果有，要按蛋白家族分组。

CASF

CASF（Comparative Assessment of Scoring Functions）是专门用来打分函数评估的基准。它包含了一组高质量的蛋白-配体复合物和对应的实验亲和力，并提供了“无偏”的测试协议。CASF-2016是目前使用最广的版本，包含285个复合物，覆盖9种打分函数评价指标。

举个例子，CASF的评价流程包括：

打分能力（Scoring Power）：直接计算预测亲和力与实验值的相关性。
排序能力（Ranking Power）：对同一靶标的不同配体进行正确排序的能力。
对接能力（Docking Power）：能否从大量“假”结构中识别出正确的结合姿势。
筛选能力（Screening Power）：从混杂库中富集活性分子。

交叉验证在这里的典型用法是：用CASF的评分项作为外部测试集，评价你用PDBbind训练出来的模型。

项目实施建议：我个人喜欢把PDBbind refined set（约4000个复合物）作为主训练集，再用CASF-2016的285个复合物做独立的交叉验证测试。注意CASF的数据在PDBbind refined set中有一部分重叠，一定要去掉重叠项，否则你会得到一个虚高的测试分数。

最后，我把这一节的核心逻辑画成了一张图，你看看就清楚了：