SubDyve: Subgraph-Driven Dynamic Propagation for Virtual Screening Enhancement

会议: ICLR 2026
OpenReview: https://openreview.net/forum?id=9vo3J4LwoT
领域: 计算生物学 / 药物虚拟筛选 / 图网络传播
关键词: 虚拟筛选, 网络传播, 判别性子图, 局部假发现率, 种子精炼

一句话总结

SubDyve 用「类别判别性子图」代替通用分子指纹来建相似度网络，再用局部假发现率（LFDR）引导的迭代种子精炼把少量已知活性分子安全地扩展成更多种子，在只有几十个活性标签的低标签虚拟筛选场景下，于 DUD-E 和千万级 ZINC 库上把早期富集指标（BEDROC / EF1%）大幅拉高。

研究背景与动机

领域现状：虚拟筛选（Virtual Screening, VS）要从 \(10^{60}\) 量级的可合成类药分子空间里挑出对某个靶点有活性的化合物。早期药物发现里大多数靶点只有寥寥几个已知活性分子，所以「低标签」是常态。主流做法分两类：一类是用大规模均衡数据训练的监督式 GNN / 3D 表示模型；另一类是用 ChemBERTa、MoLFormer、AMOLE 这种在海量无标注分子上预训练的基础模型（FM）做零样本筛选。

现有痛点：监督式模型在低标签下严重过拟合；FM 类方法把每个化合物独立打分，捕捉不到分子之间的依赖关系。一条正交的路线是网络传播（Network Propagation, NP）——把已知活性分子当作分子相似图上的种子节点，让活性信号沿网络扩散，按候选与种子集合的全局连通性排序。NP 天然支持从少数标签泛化，但它有两个老毛病：① 相似图通常建在 ECFP 这类通用指纹上，编码不出区分活性/非活性的细粒度子结构，把关键的活性差异给抹平了；② NP 继承底层图的拓扑偏置，稠密簇里的节点光靠连通度就被排得很高，种子集合一小就疯狂膨胀假阳性。

核心矛盾：虚拟筛选的成败往往取决于近缘分子之间细微的子结构差异，而通用指纹 + 朴素传播既看不清这些子结构，又会被图的稠密区带偏，二者叠加导致低标签下精度崩盘。

本文目标：在严格低标签 / 零样本条件下，既要让相似网络编码判别性子结构，又要在种子扩展时可控地压住假阳性。

切入角度：作者把两件事拼起来——用监督式子图挖掘（SSM）选出类别判别性子图来建图，再借统计学里的局部假发现率（LFDR）给种子扩展一个可证明的 FDR 上界，让「越扩越歪」的传播变成「带刹车的扩展」。

核心 idea：用判别性子图指纹图代替通用指纹图，用 LFDR 引导的迭代种子精炼代替一次性传播，在扩展高置信候选的同时把假阳性关进可控范围。

方法详解

整体框架

SubDyve 解决的是「只有少量已知活性分子、要从海量候选里排出真活性」的排序问题。形式化地：候选分子集合为 \(Q\)，已知活性子集 \(C\subset Q\)，其中只有很小的种子子集 \(S_{\text{train}}\) 可用；目标是给每个 \(q\in Q\) 打相关性分数 \(r(q)\)，让活性分子排在前面。

整条管线分三段串行：先建图（用判别性子图把候选过滤一遍并建子图指纹相似网络），再精炼种子（在网络上做 LFDR 引导的迭代种子精炼，反复更新种子权重），最后聚合排序（把 \(N\) 次分层划分各自的最优种子权重集成起来，做一轮最终传播给所有候选打分）。其中种子精炼这一段内部还有一个 \(M\) 步的迭代回环：每步「GNN 训练 → LFDR 更新种子 → 传播评估」，靠在留出集 \(S_2\) 上的富集分数早停。

%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400}}}%%
flowchart TD
    A["输入：靶点 + 少量活性种子 S_train<br/>+ 海量候选库 Q"] --> B["子图指纹网络构建<br/>SSM 挖判别性子图→过滤 Q→余弦相似建图 G"]
    B --> C["LFDR 动态种子精炼<br/>分层切 S1/S2，迭代：GNN→LFDR 更新种子→传播评估"]
    C -->|"在 S2 富集提升则继续，否则早停"| C
    C --> D["集成聚合<br/>N 次分层划分的最优种子权重 max-pool"]
    D --> E["最终网络传播<br/>给 Q' 全体打分→输出化合物排名"]

关键设计

1. 子图指纹网络构建：让相似度看见「定义活性的子结构」

这一步针对的是 NP 的第一个老毛病——通用指纹（ECFP/MACCS）把区分活性的细微子结构抹平。SubDyve 不再用现成指纹，而是先用监督式子图挖掘算法 SSM，从带标签的种子集 \(S_{\text{train}}\) 配上精挑的负样本里，挖出类别判别性子图模式 \(SP\)（论文称为 DiSC，discriminative subgraph combination）。然后把每个分子编码成一个 \(d\) 维的子图模式指纹，每一维记录某个判别性子图组合在该分子里的出现频率。

有了这套指纹，作者先做一次候选过滤：只保留至少命中一个 \(SP\) 中子图的分子，得到收缩后的候选集 \(Q'\)——在千万级 ZINC 库上这一步直接把 1000 万压到约 3 万，让后续传播在算得动的规模上跑。再在 \(Q'\) 上按子图指纹的两两余弦相似度建图 \(G\)，作为后面所有传播的骨架。和通用指纹图相比，这张图的边权重直接反映「共享了哪些判别性子结构」，所以近缘但活性不同的分子不会再被错误地拉近。

2. LFDR 动态种子精炼：给种子扩展装上「假发现率刹车」

这一步针对 NP 的第二个老毛病——种子集合小，信号要么扩散太广、要么涌向拓扑稠密区，特异性差、假阳性高。SubDyve 的做法是把种子集合迭代地、可控地扩大。它先把 \(S_{\text{train}}\) 分层切成不相交的 \(S_1\)、\(S_2\)：\(S_1\) 启动初始传播，\(S_2\) 当作留出的「监督真值」用来指导精炼。

每一步迭代里做三件事。其一，GNN 训练：把子图指纹图 \(G\) 喂进 GNN，得到每个分子的 logit \(\hat l_i\) 和嵌入 \(z_i\)，训练目标是一个复合损失 \(L_{\text{total}}=(1-\lambda_{\text{rank}})\cdot L_{\text{BCE}}+\lambda_{\text{rank}}\cdot L_{\text{RankNet}}+\lambda_{\text{contrast}}\cdot L_{\text{Contrast}}\)——BCE 按活性分子的低占比加权来对抗类别不均衡，RankNet 让 \(S_2\) 里的已知活性排在未标注候选之上，对比损失把每个分子和它最像的同伴拉近、其余推远。GNN 的输入特征 \(x_i\) 本身就是一个拼起来的向量：种子权重 \(w_i\)、传播分数 \(n_i^{\text{NP}}\)、子图指纹 \(f_i^{\text{FP}}\)、PCA 隐空间里到 \(S_1\) 的 RBF 相似度 \(s_i^{\text{PCA}}\)、把 PCA 排名与 NP 排名取平均的混合排名 \(h_i^{\text{hyb}}\)，以及 ChemBERTa 语义嵌入 \(e_i^{\text{PT-CB}}\)。

其二，LFDR 引导的种子更新，这是整套方法的统计核心。把 logit 标准化成 \(z_i=(\hat l_i-\mu)/\sigma\)，估计其局部假发现率 \(q_i=\text{LFDR}(z_i)\)，然后只保留 \(q_i\) 低于阈值 \(\tau_{\text{FDR}}\) 的分子当种子，并按下式更新权重：

\[S_{t+1}=\{i\in Q' : q_i<\tau_{\text{FDR}}\},\quad w_i^{(t+1)}=w_i^{(t)}+\beta\big(\sigma(z_i)-\pi_0\big)\]

其中 \(\sigma(\cdot)\) 是 sigmoid，\(\pi_0\) 是先验零假设概率，\(\beta\) 控制更新速率。在双组混合模型 \(f(z)=\pi_0 f_0(z)+\pi_1 f_1(z)\) 假设下，作者证明这条选择规则给出可证明的 FDR 上界（Proposition 1：\(\text{mFDR}(R_\alpha)\le\alpha\) 且 \(\text{FDR}(R_\alpha)\le\alpha\)）——这就是「扩展种子但不放假阳性进来」的理论保证，也是它区别于朴素 NP 的关键。

其三，传播与评估：用更新后的种子权重再做一轮传播，在 \(S_2\) 上用早期富集因子评估；注意早停只看富集分数、不直接用训练目标，避免泄漏偏置。富集提升就继续迭代，否则早停，并保留 \(S_2\) 上表现最好的那组种子权重。

3. 集成聚合与最终排序：用多次分层划分压住单次划分的随机性

低标签下单次 \(S_1/S_2\) 划分很不稳，一次划分得到的最优种子可能只是运气。SubDyve 因此做 \(N\) 次分层划分，每次都把 \(S_{\text{train}}\) 切成不相交的 \(S_1\)、\(S_2\) 并跑一遍上面的迭代精炼，各自留下在 \(S_2\) 上最优的种子权重。最后把 \(N\) 组权重按逐元素 max-pooling 聚合成最终的集成种子向量——max 池化意味着「只要某次划分里某分子被高置信地认成种子，它就进最终种子集」，这样既汇集了多次划分的发现，又不会被某次划分的漏判拖累。用这个集成向量做最后一轮全库传播，给 \(Q'\) 里所有分子打分，得到用于评测的最终排名。

损失函数 / 训练策略

核心训练目标是种子精炼阶段 GNN 的复合损失 \(L_{\text{total}}\)：类别加权的 BCE（抗不均衡）+ RankNet 成对排序（拔高已知活性）+ 对比损失（拉近相似分子）。\(\lambda_{\text{rank}}\)、\(\lambda_{\text{contrast}}\) 为权重超参；LFDR 阈值 \(\tau_{\text{FDR}}\)、更新率 \(\beta\)、迭代步数 \(M\)、分层划分次数 \(N\) 为主要超参。早停只依赖 \(S_2\) 上的富集指标，避免直接用训练目标造成偏置。

实验关键数据

主实验

DUD-E 十靶点零样本筛选（threshold=0.9），报告 BEDROC（\(\alpha=20\)）与 EF1%，按平均排名比较：

方法	BEDROC 平均排名	EF1% 平均排名
SubDyve（本文）	1.6	1.6
DrugCLIP	2.4	2.0
MoLFormer	3.0	3.3
CDPKit	3.6	3.7
AutoDock Vina	4.0	4.0
PharmacoMatch	4.5	4.4

单靶点上优势明显：EGFR / PLK1 这两个构象灵活、结合模式多变的靶点，SubDyve 的 BEDROC 达 86 / 85，明显高于 MoLFormer 的 75 / 69；结合口袋又深又窄的 ACES 上 EF1% 达 57.0，远高于 DrugCLIP（32.4）和 AutoDock Vina（13.87）。摘要给出的最大优势为 BEDROC +34.0、EF1% +24.6。把 MMseqs2 同源相似度阈值从 0.9 收紧到 0.5（强迫种子来自更远的同源蛋白）后，SubDyve 仍在 EGFR/PLK1/SRC 上保持领先或持平，说明它不依赖高度相似的近缘同源蛋白。

CDK7 的 PU 式筛选（1,468 个活性 + 1000 万 ZINC，子图过滤后约 3 万候选）：

方法	BEDROC(%)	EF0.5%	EF1%
SubDyve（本文）	83.44	155.31	97.59
rdkit + NP	79.04	148.69	89.24
GRAB（PU 学习）	40.68	44.22	45.21
PSICHIC	9.37	4.07	6.92
BIND（FM，2.4M 交互）	–	–	–

相比 PU 学习基线 GRAB，EF1% 翻倍多（98.0 vs 45.2）、BEDROC 高 80% 以上；相比 PSICHIC，EF0.5% 高 38 倍、BEDROC 近 9 倍。在千万级交互上预训练的 FM 模型 BIND 几乎失效（EF10%=0.04），疑因分布失配。运行时间上 SubDyve（1,088s）比 AutoDock Vina（13,343s）快约 12.3×，比 DrugCLIP 省 15.06× 内存。

消融实验

子图网络 + LFDR 两大组件在 PU 数据上的消融（BEDROC / EF1%）：

子图指纹	LFDR	BEDROC	EF1%
✗	✗	79.04	89.24
✓	✗	78.68	89.68
✗	✓	63.78	67.22
✓	✓	83.44	97.59

关键发现

• 两组件是「互补」而非各自独立加分：只加子图指纹只有微小提升（78.68）；只加 LFDR 反而掉点（BEDROC 79.04→63.78），因为 LFDR 精炼的质量取决于底层网络是否可靠，建在差网络上的精炼会放大错误。只有二者合用才达到最佳——绝大部分增益来自它们的交互。
• 低种子下依旧稳：种子数 50/150/250 三档里 SubDyve 都领先，且无需像通用指纹那样按种子规模换最优指纹（50 用 MACCS、250 用 Avalon），免去了指纹专项调优。
• LFDR 阈值不敏感：\(\tau\in\{0.05,0.10,0.30,0.50\}\) 下 BEDROC/EF 相对基线（\(\tau=0.10\)）的波动都在 ±0.5% 内，说明刹车强度在合理区间内鲁棒。
• 案例研究：SubDyve 检索出的命中分子在子图指纹空间里和种子聚得更紧（PCA 可视化 + 种子–命中相似度热图），能找回共享功能性子结构的近缘活性分子，而 RDKit 指纹做不到。

亮点与洞察

• 把统计学的 LFDR 搬进网络传播，给「种子越扩越歪」这个老问题一个可证明的 FDR 上界——这是从「凭经验设阈值」到「带理论保证地控制假阳性」的实质跨越，思路可迁移到任何「迭代扩展种子/伪标签」的半监督场景。
• 判别性子图指纹的「双重用途」很巧：既用来过滤候选（千万→几万，让千万级库算得动），又用来建相似图（让相似度看见活性子结构），一套表示同时解决了「算力」和「精度」两件事。
• max-pool 集成多次分层划分：用「只要被某次高置信认可就保留」的聚合方式，把低标签下单次划分的高方差压下去，是个简单可复用的稳健化技巧。

局限与展望

• 强依赖 SSM 子图挖掘的质量：判别性子图选得好不好直接决定整张图和后续精炼的上限，而 SSM 需要精挑的负样本，负样本策略本身可能引入偏置。
• 子图过滤会把不含已挖子图的潜在活性分子直接排除在 \(Q'\) 之外——若真活性恰好靠新颖骨架（不在 \(S_{\text{train}}\) 覆盖的子图里），可能在过滤阶段就漏掉。
• LFDR 的 FDR 上界基于双组混合模型与零假设先验 \(\pi_0\) 的估计，现实分布偏离该假设时理论保证会打折扣（⚠️ 证明细节以原文 Proposition 1 / Appendix A 为准）。
• 评测集中在 DUD-E 与 CDK7，靶点多样性仍有限；多个迭代回环 + \(N\) 次划分 + 集成的流程相对复杂，超参（\(M\)、\(N\)、\(\beta\)、\(\tau\)）较多。

相关工作与启发

• vs 基础模型（ChemBERTa / MoLFormer / AMOLE / BIND）：FM 类零样本筛选独立给每个化合物打分，忽略分子间高阶依赖；SubDyve 用网络传播显式建模分子相互关系，且在 CDK7 上把在百万级交互上预训练的 BIND 远远甩开（BIND 几乎失效），说明低标签 + 分布失配下「关系建模 + 子结构感知」比「大规模预训练」更管用。
• vs 通用指纹 + NP（Yi et al. 2023 系列）：同样走网络传播，但它们用 ECFP/MACCS/RDKit 等通用指纹建图、做一轮传播；SubDyve 换成判别性子图指纹 + LFDR 迭代精炼，在 PU 数据上把最强的 rdkit+NP（BEDROC 79.04）提到 83.44。
• vs PU 学习（GRAB）：GRAB 用正–未标注学习推软标签；SubDyve 的种子精炼也在扩展监督信号，但多了 LFDR 的假发现率控制，EF1% 直接翻倍。
• vs 子结构感知图（SSM / ACANet）：这些方法把判别性子结构用于性质预测或活性悬崖检测，SubDyve 把同类思想首次系统地引入虚拟筛选的图构建 + 传播流程。

评分

• 新颖性: ⭐⭐⭐⭐⭐ 判别性子图建图 + LFDR 可证明 FDR 控制传播的组合在虚拟筛选里是新的，且解决了 NP 两个公认痛点。
• 实验充分度: ⭐⭐⭐⭐⭐ DUD-E 十靶点 + 千万级 ZINC 真实库 + 多种子规模 + 组件/阈值/多靶点消融，覆盖到位且带显著性检验。
• 写作质量: ⭐⭐⭐⭐ 结构清晰、图文对应，但大量关键细节（特征编码、LFDR 算法、损失定义）压进附录，正文略紧。
• 价值: ⭐⭐⭐⭐⭐ 低标签虚拟筛选是真实药物发现刚需，方法又快又省内存，落地价值高。

相关论文

• [NeurIPS 2025] AANet: Virtual Screening under Structural Uncertainty via Alignment and Aggregation
• [AAAI 2026] S2Drug: Bridging Protein Sequence and 3D Structure in Contrastive Representation Learning for Virtual Screening
• [ICML 2026] Advancing Ligand-based Virtual Screening and Molecular Generation with Pretrained Molecular Embedding Distance
• [ICLR 2026] Drugging the Undruggable: Benchmarking and Modeling Fragment-Based Screening
• [ICLR 2026] WFR-FM: Simulation-Free Dynamic Unbalanced Optimal Transport