On the Selectivity of Generative Models in Structure-Based Drug Design¶
会议: NeurIPS 2026
arXiv: 2610.24124
OpenReview: https://openreview.net/forum?id=tjnm6pEJ3a
代码: https://github.com/lovetaro/selectbench
领域: 计算生物
关键词: 结构导向药物设计, 生成模型, 结合选择性, 差异打分基准, 脱靶毒性
一句话总结¶
针对基于结构的药物设计生成模型普遍忽视脱靶毒性与结合选择性的问题，提出系统性评测基准 SelectBench 与严格归一化的差异打分评估体系，揭示出现有模型在同源靶点和安全性筛查面板上选择性极其有限的行业痛点。
研究背景与动机¶
在现代药物研发流程中，候选分子的临床脱靶与毒性问题是导致高达 90% 以上研发管线流产的核心瓶颈。多药理学研究表明，过半数获批的小分子药物会与五个以上的靶点发生结合；尽管某些情况下多靶点调控有益，但非预期的脱靶相互作用极易引发不可耐受的毒副作用（如血液毒性、心血管毒性）。近年来，基于结构的药物设计（Structure-Based Drug Design, SBDD）深度生成模型发展迅猛，扩散模型与流匹配算法能够针对给定的三维蛋白结合口袋高效设计出高亲和力分子。然而，绝大多数 SBDD 生成模型在建模时均只以单一靶点口袋为条件，完全忽视了决定成药安全性的结合选择性问题。
造成这一脱节的关键矛盾在于：选择性评估需要跨靶点比较结合偏好，但传统的分子对接打分（如 AutoDock Vina）在不同蛋白口袋间缺乏能量校准，无法直接横向对比绝对数值；同时，既有针对特异性 SBDD 模型的研究多依赖单一文献用例或非生物相关的随机靶点对，缺乏标准化、具有药学真实意义的多场景基准。这使得学术界无法客观量化扩散模型、自回归模型、显式选择性微调以及推理期引导策略在真实药物化学场景下的选择性控制能力。
本文的切入角度是建立一套兼顾真实用例、临床前安全性筛查和大规模结构聚类评估的基准体系，并引入多靶点 Z-score 能量校准与严格边际容差指标。核心 idea：构建首个系统评估生成式 SBDD 模型结合选择性的多场景评测基准 SelectBench，覆盖文献同源对比、二次药理学安全性面板与大规模结构相似度分级，提出消除靶点打分偏差的归一化差异评估体系，全面揭示当前主流生成架构在特异性设计上的真实能力与局限。
方法详解¶
整体框架¶
SelectBench 涵盖三个层级的评价任务、归一化的差异打分（Delta-score）度量体系以及跨架构生成与推理期引导模型库。其评测流程首先针对用户指定的靶点对或多靶点安全面板，由生成模型在主靶点（on-target）口袋条件下采样生成候选分子；随后将候选分子分别对主靶点与所有脱靶蛋白（off-targets）进行构象准备与刚性分子对接打分；最后通过背景参考分子集消除跨蛋白打分尺度不一致问题，计算归一化差异打分与严格容差选择率。
%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400}}}%%
flowchart TD
A["输入：主靶点口袋与脱靶蛋白结构"] --> B["三维分子生成与刚性对接采样"]
B --> C["跨靶点结合评分与Z-score能量校准"]
C --> D["单对单与单对多选择性度量聚合"]
D --> E["多目标属性权衡评估（亲和力 / 选择性 / 合成可及性）"]关键设计¶
1. 三级真实用例与安全性基准设计：覆盖同源靶点、安全面板与结构分级 以往生成模型仅在孤立的小数据集或序列差异极大的随机蛋白间展示特异性，脱离了真实制药管线。SelectBench 构建了三个梯度的评测任务：第一轨是 SelectBench-Case，精选 5 个源自文献的严苛同源/家族激酶或受体口袋对（PARP1/PARP2、BMP2K/TTK、CDK9/CDK2、ERK2/CDK2、DRD2/HRH1），重点考察模型区分结合口袋形状极度相似的同源靶点能力；第二轨是 SelectBench-Safety，基于制药界用于次级药理学（Secondary Pharmacology）安全性筛选的 Brennan-77 毒性靶点面板，精选 85 个具有高风险不良药物反应（ADRs）的三维结构，设定 22 个优先高危靶点（Priority）和全量靶点，并配备 5 个经典靶点（PARP1、FA7、5HT1B、BRAF、JAK2）作为主靶点进行单对多防脱靶毒性筛查；第三轨是 SelectBench-XL，基于 CrossDocked2020 采用 ProBiS 局部结构比对 Z-score 将 9,900 对口袋划分为 Easy（\(Z<2\)）、Medium（\(2 \le Z < 3\)）与 Hard（\(Z \ge 3\)）三档难度，支持超大规模统计性评测。
2. 基于参考集 Z-score 校准的差异打分与边际选择率指标 传统分子对接软件（如 AutoDock Vina）直接输出的结合亲和力数值在不同蛋白口袋之间受到口袋几何形态、亲疏水性及体积差异的严重干扰，直接计算两口袋差值 \(\Delta = s_{\text{off}} - s_{\text{on}}\) 往往出现伪正例或伪负例。SelectBench 采用来自已知人源可成药口袋的 128 个药物样参考分子分布，分别计算每个靶点口袋的基准打分均值 \(\mu_{\text{ref}}\) 与标准差 \(\sigma_{\text{ref}}\)，将生成分子的原始对接打分 \(s^{(i)}\) 映射为标准化能量分数： $\(Z^{(i)} = \frac{s^{(i)} - \mu_{\text{ref}}}{\sigma_{\text{ref}}}\)$ 在此基础上定义归一化差异打分 \(\Delta^z = Z_{\text{off}} - Z_{\text{on}}\)，并引入边际阈值 \(\tau\) 约束下的选择性胜出率 \(\text{SR}^z_\tau = \frac{1}{N_{\text{valid}}} \sum_{i=1}^{N_{\text{valid}}} \mathbf{1}(\Delta^{z(i)} > \tau)\)。设定 \(\tau=1\) 即要求该分子对主靶点的结合亲和力优势必须超越脱靶蛋白一个标准差以上。针对安全性多靶点面板（1 对 \(T\) 个脱靶点），基准进一步引入了分子最差脱靶指标 \(\Delta_{\text{worst-mol}} = \min_{j} \Delta_{t_j}\) 和全面板前 20% 占比比例 \(R_{20}^z\)，从统计学上杜绝任何单点脱靶毒性漏洞。
3. 推理期引导与选择性采样策略（CFG 与 FKC 机制解析） 除了标准单靶点扩散模型（DiffSBDD、DecompDiff、TargetDiff、MolSnapper）、流匹配（MolForm）和自回归模型（Pocket2Mol、PocketFlow）以及显式选择性微调模型（CMD-GEN、SpecLig）之外，基准深入探究了无需重新训练模型的推理期反向引导策略。将主靶点条件边际密度设为 \(q_t^{(1)}(x)\)，脱靶口袋条件边际密度设为 \(q_t^{(2)}(x)\)，目标选择性分布定义为加权几何乘积 \(p_t(x) \propto q_t^{(1)}(x)^{\beta_1} \cdot q_t^{(2)}(x)^{\beta_2}\)（其中 \(\beta_1 > 0\) 正向吸引，\(\beta_2 < 0\) 负向排斥）。在此目标下对比了两种实现形式：一是分类器自由引导（CFG）启发式，直接在线性空间组合去噪预测坐标 \(\hat{x}_0^{\text{guided}} = \beta_1 \hat{x}_0^{(1)} - \beta_2 \hat{x}_0^{(2)}\) 并组合离散原子类型对数概率；二是更具理论严谨性的费曼-卡茨校正器（Feynman-Kac Correctors, FKC），通过推导连续加权 SDE 方程，在去噪后半程基于重要性权重 \(w_t\) 引入序贯蒙特卡洛（SMC）粒子重采样，动态复制高选择性粒子并剔除低选择性粒子。
损失函数 / 训练策略¶
在基准测试中，所评测模型统一基于 CrossDocked2020 预训练检查点或对应官方发布权重进行采样。针对推理期引导参数，FKC 与 CFG 采用非对称引导系数（如 \(\beta_1=2.5, \beta_2=-0.5\) 或 \(\beta_1=7.0, \beta_2=-2.0\)），以防止过于激进的负向脱靶排斥破坏分子三维空间结构的物理合法性与键长几何合理性。每个算法在各评测任务上固定采样并经过 RDKit default sanitization 过滤累积 100 个化学合法且连通的单组分 SMILES 分子，随后统一送入 Meeko 与 AutoDock Vina 进行对接打分与统计。
实验关键数据¶
主实验¶
在 SelectBench-Case 文献同源激酶与受体评测集上，各主流代表模型在 PARP1/PARP2（肿瘤治疗主靶 vs 血液毒性脱靶）任务中的结合亲和力与归一化选择性表现如下表所示：
| 模型分类 | 方法 | 主靶打分 \(\bar{s}_{\text{on}}\) (↓) | 归一化间距 \(\bar{\Delta}^z\) (↑) | 严苛选择率 \(\text{SR}_{\tau=1}^z\) (↑) | Top-10 间距 \(\bar{\Delta}_{\text{top-}10}\) (↑) |
|---|---|---|---|---|---|
| 自回归模型 | Pocket2Mol | -6.97 ± 0.71 | -0.31 ± 0.31 | 0.00 | 0.30 |
| 自回归模型 | PocketFlow | -8.61 ± 2.11 | -0.04 ± 0.42 | 0.04 | 0.57 |
| 扩散生成模型 | DiffSBDD | -8.44 ± 1.67 | 0.08 ± 0.43 | 0.03 | 0.77 |
| 扩散生成模型 | TargetDiff | -8.56 ± 1.22 | 0.20 ± 0.53 | 0.07 | 1.16 |
| 显式选择性微调 | CMD-GEN | -10.57 ± 0.95 | -0.00 ± 0.58 | 0.04 | 0.73 |
| 显式选择性微调 | SpecLig | -10.89 ± 1.17 | 0.03 ± 0.78 | 0.09 | 1.08 |
| 推理引导扩展 | DecompDiff + FKC | -7.90 ± 1.68 | 0.63 ± 0.68 | 0.29 | 1.70 |
| 推理引导扩展 | TargetDiff + FKC | -9.37 ± 1.69 | 1.08 ± 0.81 | 0.38 | 2.73 |
消融实验：SelectBench-XL 难度分级与引导机制作用¶
在基于口袋局部结构相似度（ProBiS Z-score）严格分级的 SelectBench-XL 大规模数据集上，考察不同难度区间及引导机制对模型选择率 \(\text{SR}_{\tau=1}^z\) 和差异打分的影响：
| 评测难度区间 | 结构相似度定义 | 代表模型 (TargetDiff) | 引导扩展 (TargetDiff + CFG) | 引导扩展 (TargetDiff + FKC) | 现象说明 |
|---|---|---|---|---|---|
| Easy (\(n=9834\)) | \(Z < 2\) (袋腔形状异质) | 较高选择率 (~45%) | 增益不明显 (甚至轻微扰动) | 维持高位 (~48%) | 靶点天然差异大，模型无需引导即具区分度 |
| Medium (\(n=38\)) | \(2 \le Z < 3\) (中度同源) | 显著下降 (~22%) | 明显提升 (+8~12%) | 稳定提升 (+10~15%) | 引导机制开始发挥排斥脱靶口袋特征的作用 |
| Hard (\(n=28\)) | \(Z \ge 3\) (高度同源保守) | 极低选择率 (<10%) | 适度改善 (+5~8%) | 适度改善 (+6~10%) | 同源保守口袋区分极为艰难，仍存巨大鸿沟 |
关键发现¶
- 现有生成模型几乎无法稳定实现选择性：无论无条件、有条件扩散还是自回归模型，在同源蛋白对（SelectBench-Case）上严苛选择率 \(\text{SR}_{\tau=1}^z\) 普遍低于 10%，绝大部分生成样本落在打分差异接近于 0 的盲区，即便偶尔出现高选择性分子，也仅存在于 Top-5/10 极少数长尾分布中。
- 显式微调模型泛化局限：专门针对特异性设计的模型（如 CMD-GEN、SpecLig）虽在主靶点打分上表现突出（\(\bar{s}_{\text{on}} < -10.5\) kcal/mol），但在跨家族同源测试中，平均归一化间距 \(\bar{\Delta}^z\) 并未与普通基线拉开统计显著差距，说明单纯依靠对比药效团对齐难以捕捉细微的残基侧链差异。
- 自回归模型分子偏小导致高交叉反应：Pocket2Mol 和 PocketFlow 生成的分子的平均分子量与体积普遍显著偏小，较小的分子极易在多个蛋白结合腔中发生非特异性结合，因而在所有选择性基准中表现垫底。
- 推理期引导效果有限且受制于多目标冲突：CFG 与 FKC 能够在一定程度上拉大 \(\Delta^z\) 间距，但在面向 85 个安全靶点的大规模面板时，仅针对单一脱靶目标进行引导会导致分子被推向其他未受控的脱靶口袋，无法达成全局安全。
亮点与洞察¶
- 构建首个系统化、药学对齐的 SBDD 选择性评估基准：打破了过去单纯在单个口袋上卷 Vina 打分、QED 与多样性的评价范式，将医药工业界最致命的脱靶毒性与同源选择性摆上核心基准台面。
- 严谨的跨靶点能量校准体系：通过构建 128 个药物参考分子的背景打分分布，引入 Z-score 归一化能量尺度，有效解决了传统对接算法在不同几何与物理化学特征口袋间无法直接作差的长期痛点。
- 揭示了选择性、活性与合成可及性之间的三角制约：研究发现针对选择性引导或微调会显著增加分子复杂性，进而牺牲分子的合成可及性（SA score），明确了未来 SBDD 生成模型必须走向多目标帕累托联合优化的技术路线。
局限与展望¶
- 打分函数的物理精度局限：基准主要依赖刚性 AutoDock Vina 对接与 Boltz-2 协同折叠概率，受限于对接打分本身的经验势场误差，无法完全等同于自由能微扰（FEP）或湿实验结合常数测量。
- 忽略了变构调节与受体柔性：目前评测主要聚焦于蛋白的正构结合位点（Orthosteric sites），未囊括结合于变构口袋（Allosteric sites）引入选择性的机制，且采用刚性受体假设忽略了侧链诱导契合效应。
- 安全面板多靶点引导机制缺失：目前的引导策略（CFG/FKC）仅支持对 1-2 个已知脱靶口袋进行负向梯度排斥，面对数十个安全脱靶蛋白时计算成本急剧增加且数学收敛困难，亟需开发面向多靶点约束的轻量级流形采样方法。
- 评价维度的多目标扩展需求：除结合活性、选择性与合成可及性外，配体三维构象物理合理性（如 PoseBusters 检测）及药代动力学性质仍需纳入综合评估框架。
相关工作与启发¶
- vs TargetDiff / DiffSBDD: 早期扩散模型仅输入单个主靶点口袋坐标，生成分子呈现普遍的非特异性结合；SelectBench 证明了单靶点训练的模型直接应用于复杂生理环境将面临严重的脱靶风险。
- vs CMD-GEN / SpecLig: 现有特异性模型试图通过药效团对比或能量潜空间引导实现选择性；SelectBench 评测表明此类方法虽在特定训练分布内有效果，但在严苛同源家族（激酶、受体）下泛化泛力，凸显出统一基准评估的迫切性。
- vs Boltz-2 结构预测评估: 本文不仅使用传统对接势场，还结合最新的结构生物学大模型 Boltz-2 预测结合概率，指出了端到端生物大模型在跨靶点打分校准上的新挑战。
评分¶
- 新颖性: ⭐⭐⭐⭐⭐ 首次针对生成式 SBDD 的靶点选择性与脱靶安全性构建系统化、多场景评估基准与归一化度量体系。
- 实验充分度: ⭐⭐⭐⭐⭐ 涵盖 9 大主流生成架构、2 种推理引导方法、5 个文献同源对、85 个安全脱靶蛋白面板与近万对结构分级测试，数据详实。
- 写作质量: ⭐⭐⭐⭐⭐ 逻辑结构严谨，数学公式与生物背景交代清晰，图表完备。
- 价值: ⭐⭐⭐⭐⭐ 切中了生成式 AI 制药落地临床的核心痛点，为下一代安全导向的分子生成模型指明了关键评估标准与优化方向。