ProtGlycanDock: Towards Accurate Protein-Glycan Docking with Tailored Dataset, Benchmark and Model¶

会议: NeurIPS 2026
arXiv: 2610.26009
代码: https://github.com/kasawa1234/ProtGlycanDock
领域: 计算生物
关键词: 蛋白质-聚糖对接, 结构预测, 糖类拓扑嵌入, CHI能量损失, 基准评测

一句话总结¶

针对现有分子对接与全原子结构预测模型在蛋白质-聚糖（Protein-Glycan）复合物上缺乏专用基准与糖构象先验的问题，本文构建了首个支持蛋白质与聚糖双重泛化评估的基准 ProtGlycanDock，并提出融合糖拓扑单/双特征嵌入与碳水化合物本征（CHI）能量损失的微调策略，使 Protenix-constraint 在盲对接任务上显著超越 AlphaFold 3。

研究背景与动机¶

蛋白质与聚糖（糖链）之间的特异性相互作用广泛调控着细胞代谢、免疫应答、病原体识别以及细胞黏附等核心生命过程。通过实验方法（如 X 射线晶体学或冷冻电镜）解析蛋白质-聚糖复合物的三维结构往往面临巨大挑战，主要瓶颈在于聚糖固有的极高构象柔性、分支多样性以及通常较弱的结合亲和力。计算分子对接作为重要的互补手段，在揭示蛋白质-聚糖结合机制与药物研发中具备重大应用价值。

然而，现存的计算生物学工具面临双重断层。一方面，现有的分子对接方法（如 AutoDock Vina、DiffDock、SurfDock）与通用分子结构预测模型（如 AlphaFold 3、RoseTTAFold All-Atom、Chai-1、Boltz-2、Protenix）主要面向蛋白质-小分子配体或蛋白质-蛋白质复合物设计，其表征机制将聚糖机械地切分为孤立单糖单元或刚性参考构象，未能有效刻画多糖骨架的全局分支拓扑与糖苷键旋转物理约束；另一方面，既有的蛋白质-聚糖对接基准样本量严重不足（通常少于 100 个复合物），且仅支持静态验证，无法为现代深度学习模型提供充足且规范的微调训练集。

为了彻底填补蛋白质-聚糖计算对接领域在基准、评估体系与专用模型上的空白，本文的核心 idea 是：构建标准化的非共价结合蛋白质-聚糖基准 ProtGlycanDock（包含严格的蛋白质与聚糖双维度泛化划分），并在开放权重结构预测模型 Protenix 中注入全局糖拓扑图嵌入与基于量子力学校准的糖苷键扭转能量（CHI）约束损失，实现几何拓扑与物理构象先验的双重驱动。

方法详解¶

整体框架¶

ProtGlycanDock 围绕“数据清洗与基准构建”和“糖结构物理先验引导的微调”两大主线展开。首先，作者从 PDB 数据库提取所有含聚糖结构，过滤掉共价糖基化修饰与多链超大复合物，利用 PDBFixer 替换非标准氨基酸并使用 MODELLER 补齐缺失回环，清洗出 1,781 个高精度非共价蛋白质-聚糖复合物；接着设计了聚糖留出（基于沉积时间划分 45 种新颖聚糖）与蛋白质留出（基于 MMseqs2 聚类选出低频稀疏簇）双重测试集。在模型侧，针对通用结构预测网络（以 Protenix 为骨架），在输入端注入 2D 骨架的单糖类型与糖苷键拓扑嵌入，在输出端引入监督糖苷键二面角空间物理合理性的 CHI 能量损失。

%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400}}}%%
flowchart TD
    A["蛋白质序列 + 聚糖 2D 拓扑图"] --> B["输入拓扑注入：单糖与糖苷键嵌入"]
    B --> C["全原子结构预测骨干网络<br/>Protenix-constraint 主干 + PAE/Distogram/扩散模块"]
    C --> D["三维复合物构象预测"]
    D --> E["训练目标计算：物理损失与几何损失联合反向传播"]
    E --> F["预测损失 + CHI 糖苷键二面角能量损失"]

关键设计¶

1. 留出蛋白质与聚糖的双重泛化基准划分：建立严格抗记忆评测体系

现有结构预测模型通常在大规模 PDB 数据集上进行自监督或端到端预训练，直接评估容易受训练数据记忆效应干扰。为此，ProtGlycanDock 在清洗出 1,781 个非共价结合结构后，实施了严格的双向正交划分： - 聚糖留出测试集（Glycan-holdout, 134 样本）：将全库 332 种独特聚糖按最早 PDB 沉积时间排序，严格切出最新沉积的 45 种新颖聚糖及其对应的 134 个蛋白质复合物，用于衡量模型对前沿生物研究中新发现聚糖配体的泛化外推能力。 - 蛋白质留出测试集（Protein-holdout, 148 样本）：使用 MMseqs2 对蛋白质受体进行序列聚类，挑出 31 个低频、未充分表征的稀疏簇（20 个簇在 PDB 中少于 5 个样本，最大簇仅 8 个样本），有效隔绝预训练阶段蛋白质主链骨架的记忆效应。 - 验证集与训练集：在剩余 280 个簇中，选出簇内独有聚糖数量最多的 25 个簇构成验证集（125 样本），兼顾受体与配体双重泛化；剩余 1,374 样本作为微调训练集。

2. 糖拓扑全局骨架嵌入：单表征与配对表征的维度对齐

主流分子结构预测模型通常将多糖离散化为若干单糖单体的小分子集合，仅依赖局部参考构象坐标（Reference Conformer），忽略了多糖链的全局分支拓扑。本文将糖拓扑显式融入 Transformer 的 Single 与 Pair 特征流中： - 单表征（Single Representation）增强：统计 PDB 中最常见的 37 种单糖类型（涵盖 D/L 构型、吡喃糖/呋喃糖、乙酰化、硫酸化等修饰），为每个单糖构建 37 维独热向量（One-hot vector），经线性嵌入投影后直接与该单糖包含的所有原子单表征相加。 - 配对表征（Pair Representation）增强：考虑 PDB 中出现的 11 种主要糖苷键类型，将各糖苷键编码为 11 维独热向量，映射到配对嵌入维度后，将其残差相加到对应相连的原子对特征上；非糖苷键原子对保持原状。这使网络在注意力交互与扩散去噪初始阶段即可感知全局连接性与分支分支层级。

3. 糖苷键旋转能量损失（CHI Loss）：量子力学校准的物理合理性约束

聚糖与其受体口袋结合时往往处于局部能量极小值构象，其整体空间排布主要取决于连接相邻单糖环的糖苷键二面角 $\phi$ 与 $\psi$。为了约束模型避免生成具有空间冲突或能量严重不利的扭转角，本文引入了基于碳水化合物本征（Carbohydrate Intrinsic, CHI）能量函数的约束项。该函数通过量子力学校准的高斯展开逼近二面角的旋转势能，区分 $\alpha$-糖苷键与 $\beta$-糖苷键：

对于 $\alpha$-糖苷键： $$\begin{aligned} E(\phi) &= 2.977e^{-\frac{(\phi+199.49)^{2}}{677.81}} + 102.25e^{-\frac{(\phi-170.6)^{2}}{1696.8}} + 10.745e^{-\frac{(\phi+105.31)^{2}}{4724.6}} + 3.674e^{-\frac{(\phi-6.201)^{2}}{1347.7}} \\ &\quad + 2.061e^{-\frac{(\phi-91.655)^{2}}{1500}} + 6.194e^{-\frac{(\phi+22.979)^{2}}{2122.3}} - 2.112e^{-\frac{(\phi-83.602)^{2}}{1254.1}} - 98.001e^{-\frac{(\phi-170.01)^{2}}{1598.7}} \end{aligned}$$

对于 $\beta$-糖苷键： $$\begin{aligned} E(\phi) &= 450.54e^{-\frac{(\phi+330.77)^{2}}{4449.8}} + 23.712e^{-\frac{(\phi-304.63)^{2}}{8375.2}} + 5.935e^{-\frac{(\phi+152.08)^{2}}{6049.8}} + 22.467e^{-\frac{(\phi+23.516)^{2}}{606.9}} \\ &\quad + 10.036e^{-\frac{(\phi-120.96)^{2}}{4038}} - 18.141e^{-\frac{(\phi+24.268)^{2}}{543.05}} + 5.882e^{-\frac{(\phi-19.632)^{2}}{897.93}} - 2.128 \end{aligned}$$

同理，对 $\psi$ 扭转角亦分别定义了基于 6-7 项高斯分量展开的能量曲面 $E(\psi)$。设聚糖中包含 $K$ 个糖苷键，全局 CHI 能量损失定义为全部可旋转键的平均势能： $$L^{\mathrm{CHI}} = \frac{1}{2K}\sum_{k=1}^{K}\big(E(\phi_{k}) + E(\psi_{k})\big)$$

总微调损失函数为 $L = L^{\mathrm{pred}} + \gamma L^{\mathrm{CHI}}$，其中 $L^{\mathrm{pred}}$ 为 Protenix 原有的距离图、PAE 以及扩散坐标损失，$\gamma$ 为平衡权重（实验验证最优值为 0.01），有效迫使模型在探索柔性口袋匹配时自我纠正扭转角异常。

损失函数 / 训练策略¶

微调基于 Protenix Stage-2 配置开展，训练裁剪尺寸设为 640，同时更新 PAE 头、distogram 头及全原子扩散模块。优化器采用 Adam，学习率设为 $1 \times 10^{-4}$，EMA 衰减率为 0.9999。在 8 张 NVIDIA HGX H20 GPU (96GB) 上微调 15,000 步，每 100 步在验证集上评估综合排名得分，保存最优权重用于最终推断测试。

实验关键数据¶

主实验¶

在完全盲对接（Blind Docking，未提供真实受体晶体坐标与结合位点先验）设置下，评估物理对接、深度学习对接与结构预测三类共 10 种代表性模型。下表列出 Protein-holdout 与 Glycan-holdout 两大测试集上的核心指标对比：

模型分类	代表模型	蛋白质留出: RMSD<2Å (%) ↑	蛋白质留出: Ligand RMSD (Å) ↓	聚糖留出: RMSD<2Å (%) ↑	聚糖留出: Ligand RMSD (Å) ↓	聚糖留出: 接触恢复率 (%) ↑
基于物理对接	AutoDock Vina	1.2 / 148	23.05	1.8 / 134	24.47	17.5%
基于物理对接	Vina-Carb	2.0 / 148	22.48	3.8 / 134	22.95	19.3%
学习型对接	DiffDock	12.8 / 148	17.22	12.6 / 134	16.95	25.8%
学习型对接	SurfDock	15.2 / 148	16.31	14.2 / 134	15.78	27.1%
结构预测基线	Chai-1	20.6 / 148	15.67	24.2 / 134	15.71	29.3%
结构预测基线	Boltz-2	19.6 / 148	15.76	25.0 / 134	14.95	27.7%
结构预测基线	AlphaFold 3	34.6 / 148	14.27	30.6 / 134	13.87	35.4%
结构预测基线	Protenix-constraint	30.0 / 148	17.54	28.4 / 134	14.63	34.3%
本文微调	FT. Protenix-constraint (Full)	42.0 / 148	11.93	42.2 / 134	11.03	45.2%

消融实验¶

针对拓扑嵌入（Topo. Emb.）与构象能量损失（CHI Loss）在 Protenix 与 Protenix-constraint 架构上的微调效果进行消融分解：

模型微调配置	蛋白质留出: RMSD<2Å ↑	蛋白质留出: PB-valid ↑	蛋白质留出: Ligand RMSD ↓	聚糖留出: RMSD<2Å ↑	聚糖留出: PB-valid ↑	聚糖留出: Ligand RMSD ↓
Protenix 原型 (无微调)	26.8	18.2	17.73	25.6	19.2	14.75
FT. Protenix (仅常规微调)	31.4	21.8	16.86	31.6	22.0	13.52
+ Topo. Emb.	33.2	23.2	16.09	32.6	23.0	13.08
+ CHI Loss	34.6	24.0	15.57	33.6	23.2	12.85
+ Topo. Emb. & CHI Loss	36.8	25.6	15.12	34.8	24.4	12.52
Protenix-constraint 原型	30.0	22.2	17.54	28.4	20.6	14.63
FT. Protenix-constraint	35.6	25.0	15.32	32.4	23.8	12.76
+ Topo. Emb.	37.2	24.8	13.96	35.8	23.6	12.04
+ CHI Loss	38.6	25.8	14.61	37.0	25.6	11.82
+ Topo. Emb. & CHI Loss (本文方案)	42.0	31.2	11.93	42.2	31.8	11.03

关键发现¶

结构预测模型整体碾压分子对接工具：在盲对接设定下，AlphaFold 3、Boltz-2 等全原子结构预测模型大幅领先传统 Vina 与以扩散模型为代表的 DiffDock/SurfDock，证明从序列直接协同预测复合物整体折叠比依赖独立受体预测+配体刚体/扭转采样的两阶段流程更优。
输入拓扑与训练损失正交互补：单独引入糖拓扑嵌入能让模型更好地理解分支长程骨架（Ligand RMSD 下降 1.36 Å）；单独引入 CHI 能量损失则显著规范了局域糖苷键扭转角（PoseBusters 有效样本增加）。二者叠加产生协同增益，在两类留出集上均将高精度对接数（RMSD<2Å）提升超过 40%。
大尺寸聚糖与大蛋白质泛化瓶颈缓解：分层分析显示，当单糖数超过 7 个时，未微调的 Protenix-constraint Ligand RMSD 骤升至 32.06 Å（与小分子段差距 19.88 Å）；本文微调模型将该差距收窄至 9.02 Å（大糖 RMSD 降至 19.02 Å），表明几何拓扑嵌入对于长链与多分枝聚糖的结构约束至关重要。
CHI 权重敏感性分析：当损失权重 $\gamma=0.01$ 时效果最佳，低于该值难以纠正二面角畸变，高于 0.1 则过度主导梯度，破坏全局坐标重建。

亮点与洞察¶

拓扑信息注入打破小分子假设：传统全原子模型将单糖当成孤立小分子处理，本文巧妙地用 37 维单糖与 11 维糖苷键 One-hot 投影融合进注意力机制，以极小参数代价补齐了多糖分支拓扑先验。
连续化可导量子能量先验：直接把基于高斯混合拟合的非谐振旋转势能（CHI）作为平滑解析损失反向传播，无需离散角空间网格搜索，优雅地桥接了物理力场与端到端神经表征。
案例证明氢键定位精准修复：在 2JEN 晶体测试用例中，AlphaFold 3 由于关键糖苷键翻折产生 4.348 Å 偏差并漏掉关键结合位点氢键，而本文模型将二面角拉入能量优势井（RMSD 达到 0.699 Å），精准复现了文献报道的结合态定位氢键。

局限与展望¶

数据规模长尾与化学空间局限：自然界非共价结合的高分辨率蛋白质-聚糖晶体结构在 PDB 中较为稀缺（清洗后仅千余篇），导致罕见修饰糖和超长链聚糖训练样本较少；未来可引入跨分子对接（Cross-docking）合成伪标签数据进行预训练扩增。
全局盲对接的口袋误判：错误分析指出，模型在部分测试样本上依然会将配体误置于远离功能界面的非活性口袋中，或无法理解底物供体（Donor）需要浅层留空的生物学上下文。
共价糖基化支持尚未涵盖：当前方法主要聚焦于非共价物理对接，未处理抗体或细胞表面常见的 Asn-N-糖苷键与 Ser/Thr-O-糖苷键共价修饰构象建模。

评分¶

新颖性: ⭐⭐⭐⭐ [构建了首个支持泛化评估的蛋白质-聚糖对接基准，创新性地将 CHI 势能可微化嵌入神经网络]
实验充分度: ⭐⭐⭐⭐⭐ [横跨 10 种代表性基线模型，涵盖双维度留出集、三维度分层分析、敏感性分析与细致晶体案例解析]
写作质量: ⭐⭐⭐⭐⭐ [逻辑严密清晰，动机与生化背景扎实，图表规范全面]
价值: ⭐⭐⭐⭐⭐ [对糖生物学计算、疫苗设计与靶向糖类受体的药物研发具备显著工程与学术推动价值]