Site4Drug: Predicting Drug-Binding Target Sites with an AI Agent¶

会议: ICML 2026
arXiv: 2606.01816
代码: https://github.com/winterrykim/Site4Drug_Demo
领域: 科学计算 / 药物发现 / LLM Agent
关键词: 药物靶点, 表位发现, 口袋发现, LLM Agent, 可审计性

一句话总结¶

Site4Drug 把"在蛋白质上选哪里下药"这一上游瓶颈重构为一个约束优先的证据整合问题——LLM Agent 从序列推导拓扑、PTM、Motif、半胱氨酸等可行性信号，输出带分数、风险标签和可追溯日志的候选位点排序，并自动推荐应当采用抗体/多肽还是小分子模态。

研究背景与动机¶

领域现状：现有的药物设计流水线大多假设"结合位点已知"，主力工作集中在对接、虚拟筛选或 binder 生成（如 BoltzGen、DrugCLIP、BindCLIP）。位点本身要么取自已沉淀的共晶结构中与配体距离 \(\le 4\text{Å}\) 的残基，要么由几何工具（fpocket、RAPID-Net）从结构中提取。

现有痛点：真实场景下"先选位点再选 binder"的早期阶段经常卡壳。膜蛋白只有部分区域物理上可触达，拓扑预测会互相矛盾，糖基化等 PTM 会掩蔽或破坏候选表位；当下游筛选失败时，团队往往分不清是 binder 模型问题还是位点选错，因为位点选择的理由通常没有被记录。几何方法只能找规范口袋，无法吸纳异质元数据，也覆盖不到非小分子模态。

核心矛盾：可行性证据（拓扑、PTM、半胱氨酸网络、Motif 上下文）是离散、异构、跨模态的，而下游工具又需要一个单一、可比较、可解释的位点排序。

本文目标：在不依赖固定 ground truth 的前提下，为任意蛋白序列输出 (i) 推荐结合模态、(ii) 排序的候选位点、(iii) 每个候选的证据摘要、风险标签与决策日志。

切入角度：LLM 天然能融合非结构化证据并生成可追溯的推理链；让 LLM 在统一证据上同时对小分子口袋与抗体表位评分，可以避免"化学上像但生物上被遮蔽"的假阳性。

核心 idea：用"约束优先 + 证据聚合 + Agent 反复评审"取代单一几何/学习打分，把位点选择变成一个可审计的多智能体决策过程。

方法详解¶

整体框架¶

输入是蛋白质氨基酸序列 \(x_{1:L}\)，输出是一份结构化报告，包括：模态推荐 \(\hat{m}\in\{\text{epitope}, \text{pocket}, \text{other}\}\)、\(K\) 个候选区域 \(\{r_k\}\) 及其分数 \(S(r_k)\)、可达性/拓扑标签、证据摘要、类型化风险标签。流水线由两个模块组成：Module 1 负责证据抽取→候选生成→打分排序→Agent 复评，Module 2 把高分候选交给模态匹配的下游设计工具（表位→BoltzGen、口袋→DrugCLIP/BindCLIP）。

关键设计¶

三路可行性证据抽取:
- 功能：从纯序列中抽出"位点是否可行"的多源信号，喂给 LLM 进行候选提名与后续审计。
- 核心思路：(a) 拓扑/疏水性：用 Kyte–Doolittle 滑窗疏水值加启发式 TM 检测，给出 tmd/restricted 或 outside/exposed 的粗标签，置信度由疏水值离 TM 阈值的 margin 决定；(b) PTM 风险：用 MusiteDeep 预测磷酸化、糖基化等位点，再扩成一个 typed 局部 mask（例如 211 位磷酸化扩为 208–214），记录候选与 mask 的重叠及类型计数；(c) Motif 与半胱氨酸：用 ScanProsite 查 Motif 命中并标 motif-overlap，并以局部半胱氨酸数作为二硫键约束的轻量代理。
- 设计动机：把"为什么不能选这里"的多源生物学约束显式化、可枚举化，而不是埋在 LLM 隐含先验里——这样后续 Agent 才能给出 claim→evidence→impact 三段式的可审计批评。
LLM 提名 + Specialist 多 Agent 复评:
- 功能：在统一证据上让 LLM 直接生成排序后的候选 JSON，再由专门 Agent 复核并产出最终模态决策与调整后排序。
- 核心思路：LLM 拿到序列加压缩后的证据摘要，输出候选区域列表；过滤无效项后，每个候选被打上拓扑标签、PTM/Motif overlap、半胱氨酸数、风险标签和启发式分数。随后 BioAgent、ChemAgent、RiskAgent 拿同一份证据摘要返回 claim→evidence→impact 形式的批评，DecisionAgent 综合所有批评做最终模态判定与重排，并被强制只能引用上下文里已经存在的证据。
- 设计动机：单一 LLM 容易"自我说服"，多 Agent 用一致证据做对抗式审稿能压住幻觉；而限制 DecisionAgent 只能用已有证据，是把可追溯性写进训练范式里。
模态感知打分函数与风险向量:
- 功能：把候选区域打分逻辑表达成一个模态相关的减分式，并同时维护一个独立的类型化风险标签向量。
- 核心思路：候选分数概念上写作 \(S_0(r) = s_{\text{mode}}(r) - p_{\text{TM}}(r) - p_{\text{PTM}}(r) - p_{\text{motif}}(r)\)，其中 \(s_{\text{mode}}\) 是模态基础偏好——表位偏好极性、非 TM、低 PTM 窗口，口袋偏好疏水核心且 PTM 惩罚弱；同时维护独立向量 \(g(r)\) 输出 TM-overlap、PTM-overlap、glyco-mask-overlap、PTM-dense、disulfide-constrained、hydrophobic-core、motif-overlap 等类型化风险标签。
- 设计动机：让分数和风险解耦，使得排序可比、而失败原因可解释——同一个分数下，"全程没碰 TM"的候选与"压在糖基化簇里"的候选可以被运营人员明确区分。

损失函数 / 训练策略¶

作者初期尝试用结构化示范做 SFT（Qwen3-235B Instruct），但发现 SFT 检查点虽然改善了输出格式，却出现"反复挑 N 端相似窗口"的捷径行为，因此正文报告全部基于 base 模型推理。作者指出未来需要"生物学有依据的奖励或偏好信号"来做后训练。

实验关键数据¶

主实验¶

数据集	设置	Site4Drug Top-1	Site4Drug Top-5	对比基线
RCSB 共晶口袋集（n=63）	\(p<0.05\) 显著率	20/63	18/63	fpocket+AlphaFold3: 20/63；fpocket+RCSB 含配体: 62/63
ABCD 抗体表位集（n=26）	\(p<0.05\) 显著率	8/26	11/26	—

Site4Drug 在不直接吃结构的前提下，与"喂 AlphaFold3 结构给 fpocket"打平；fpocket 在含配体的 RCSB 结构上做到 62/63 是因为配体方位本身把答案泄露给了几何检测器。GO 富集显示 Top-1 显著的目标主要集中在激酶家族，与激酶有反复出现的小分子可达口袋的生物学先验一致。

消融实验¶

配置	Top-1 显著率	Top-5 显著率	说明
Site4Drug 完整流水线	20/63	18/63	含拓扑/PTM/Motif/Cys 证据 + Specialist
仅序列 + \(k=1\)（无证据）	3/63	3/63	只给通用 ID 与序列
仅序列 + \(k=3\) 自一致投票	7/63	6/63	三次提名投票
结构可信度（AlphaFold3 pLDDT）	—	—	Top-1 平均 pLDDT > Top-5 集均值，仅 9 例反向

关键发现¶

显式证据流水线比"提示工程 + 序列输入"高一个量级（20 vs 3–7），证明 Site4Drug 的增益不是来自 LLM 通用序列模式，而是来自被强制注入的可行性约束。
Site4Drug 即使不直接吃 3D 结构，预测位点的平均 pLDDT 仍然高于其下属 Top-5 区域均值，说明聚合后的序列证据隐式恢复了"结构上可靠的区域"。
在 EGFR 上做 Module 2 端到端 demo：把 Top-1 口袋喂给 DrugCLIP 检索到的小分子与 lapatinib 结合位点重叠的超几何检验 \(p < 10^{-11}\)；把 Top-1 表位喂给 BoltzGen 生成的多肽 binder 在 PAE \(<12\) 阈值下只有 rank-1 能算出 LIS，rank-2 落在已知抗体靶向的 Domain III。
Top-1 显著样本里激酶占主导（如 pralsetinib 同时靶向 DDR1/FGFR1/FGFR2/FLT3/JAK1/JAK2/KDR/NTRK1/NTRK3/PDGFRB/RET 共 11 个激酶），符合激酶具有反复出现的小分子可结合口袋的生物学先验，说明 Site4Drug 真的抓到了家族级几何/序列特征而不是随机命中。
模态自动推荐能识别 EGFR、HER2 这类同时存在小分子与抗体药物的混合模态目标，避免了人工预设模态时容易踩的坑。

亮点与洞察¶

把"可审计性"从事后报告升级为设计目标：分数函数、风险标签、Agent 批评全部强制基于显式证据列表，使错误可定位到某一行证据，这种风格对监管严格的药物发现尤为重要。
拒绝把 ground truth 当圣经：作者明确指出 IEDB 的免疫表位与 RCSB 的"配体 4Å 邻域"都是任务相关而非穷举的标签，因此用超几何检验做相对比较而不是绝对回归——这种实验范式在缺乏金标准的科学发现任务中值得迁移。
模态先于位点：与其要求用户先指定"我要做抗体还是小分子"，不如让同一证据反过来推荐模态，避免对膜蛋白细胞内段强行设计抗体这种典型失误。

局限与展望¶

数据规模有限（口袋 63 例、表位 26 例），且与 scPDB 训练过的 RAPID-Net 等结构模型存在数据泄漏风险，无法做公平正面对比。
仅吃单条序列，无法处理四级结构——但许多通道蛋白药物正是靶向多亚基组装体；作者认为 LLM-Agent 比单序列输入的 fpocket/RAPID-Net 更容易扩展到这种"多链元数据"场景。
SFT 后训练会出现 N 端窗口捷径，提示需要生物学奖励信号；浓度依赖与部分序列输入下的拓扑反向风险也未在当前评估中覆盖。

评分¶

新颖性: ⭐⭐⭐⭐ 把"位点选择"重新定义为可审计 Agent 决策问题，框架定位清晰。
实验充分度: ⭐⭐⭐ 数据集规模有限，仅一个目标做了完整端到端 demo。
写作质量: ⭐⭐⭐⭐ 证据流、模态推荐与可审计性叙述顺畅，附录细节充分。
价值: ⭐⭐⭐⭐ 对真实药物发现流水线有直接可落地的接口与日志规范价值。