蛋白质-配体相互作用与药物发现背景
做药物发现这行十几年，我越来越觉得，蛋白质和配体之间的关系，就像钥匙和锁——但没这么简单。你想想看，一把钥匙开一把锁，可生物世界里，一把钥匙能开好几把锁，同一把锁还肯接纳好几把钥匙。说白了，蛋白质-配体相互作用是分子间一种动态的、三维的、依赖环境的识别过程。
我刚开始入行时，跟着前辈做传统筛选。那时候实验周期以年为单位，合成几千个化合物，测一遍IC50，能筛出一个苗头化合物就算撞大运了。直到后来我接触到计算方法，才恍然大悟：计算辅助不是在替代实验，而是在帮实验“指路”。这堂课，我就把这些年摸索出来的一套端到端蛋白配体预测管线搭建方法，掰开了揉碎了讲给你。
为什么需要预测蛋白-配体相互作用？
新药研发的成本已经突破26亿美元，一个候选药从靶点发现到上市平均需要13年。这中间，大部分钱和时间都花在了“试错”上。
核心问题： 我们无法在实验前准确知道一个分子到底能不能和靶点结合、结合得有多紧、结合后有没有副作用。预测管线要解决的，正是这三个问题：结合可能性、结合强度、选择性。
我遇到过不少团队，买了昂贵的分子对接软件，却因为忽略了蛋白准备步骤，跑出来的结合姿势完全对不上——这不是软件的问题，是流程不完整。所以，端到端管线不仅仅是一堆算法堆叠，更是把数据清洗、结构预处理、对接、打分、后处理、机器学习修正串成一个可靠的工作流。
| 传统方法 | 计算辅助方法 |
|---|---|
| 合成 + 活性测试 + 解析晶体结构 | 分子对接 + 分子动力学 + 机器学习 |
| 一个周期 > 6个月 | 一个周期 < 1周 |
| 严重依赖实验设备与人力 | 可在普通服务器或云上运行 |
| 只能验证少量化合物 | 可以虚拟筛选百万级库 |
这张表格很直观，对吧？但我要提醒你：计算预测的准确率仍然有限。我曾经拿一个经典化合物库做过测试，最好的对接打分函数也只能正确排序前30%的活性分子。所以现在大家都在做机器学习后修正——这也是这门课后半部分的重头戏。
药物发现的经典流程与预测管线的位置
大致可以分成这么几步：靶点确认、结构获取、苗头发现、先导优化、临床前研究。我们这门课主要覆盖从结构获取到先导优化之间的计算部分。
- 靶点确认：通常来自生物学文献或组学数据，我们默认已经拿到一个明确的靶点蛋白。
- 结构获取：X射线晶体、冷冻电镜、同源建模。我建议至少准备一个高分辨率结构（≤2.5 Å）。
- 分子对接：把候选配体对接到蛋白的结合口袋，计算结合模式与打分。
- 评估与修正：分子动力学模拟检查稳定性，MM/GBSA或自由能预测评估结合强弱。
- 机器学习筛选：用已测数据训练模型，批量打分，推荐出 top 候选。
我的习惯： 每一轮虚拟筛选结束后，我都会随机选 5-10 个分子做一下分子动力学模拟（1-2 ns 足够），看配体在动态环境下是否稳定。这一步能滤掉很多“计算上好看但实际一跑就飘”的假阳性。
下面这张图，是我平时用来跟团队讲管线整体逻辑的框架图。你可以把它当成这门课的学习地图。
这门课要解决的几个“坑”
我见过太多初学者，拿着一个晶体结构就直接跑对接，跑完跟我说“结合能-10 kcal/mol”，问我怎么还没活性。嗯，这里要注意：
- 蛋白准备：缺失的侧链、加氢、质子化状态、水分子处理——这些没做好，对接就是瞎蒙。我曾经吃过这个亏，花了一周跑完一万个分子，结果发现晶体结构里有个关键的侧链是错的。
- 配体准备：正确 protonation、tautomer、异构体，不能拿原始 SMILES 直接生成 3D 就上。
- 打分函数选择：没有万能函数，要根据靶点类型和经验调。
- 数据泄漏：用机器学习时，训练集与测试集的相似度控制不好，模型会给你一个“虚假高分”。
我曾经就中过招： 在某个 kinase 项目里，我用公共数据库训练的模型，跑出来的 top 分子几乎全是已知 kinase 抑制剂类似物，没有一个新骨架。后来发现训练集里包含了不少结构与测试集重叠的分子。从此我养成了用 Bemis-Murcko 骨架做聚类切分的习惯。
你需要什么样的基础来学习？
这门课不算零基础，但也不是高不可攀。我希望你：
- 懂一点 Python（至少会写函数、会用 pandas）
- 了解基本生物化学概念（蛋白结构、配体、结合位点）
- 愿意装一些开源工具（RDKit, OpenBabel, 对接软件等）
如果满足了，咱们就往下走。我每一章都会给一个可复现的 pipeline 示例，你跟着跑一遍，慢慢就能建起自己的工具链。