PMO-Dock: Benchmarking Docking, Specificity, and Generalization in Molecular Optimization¶
会议: NeurIPS 2026
arXiv: 2610.19011
OpenReview: https://openreview.net/forum?id=5KYsEfUjrp
代码: https://github.com/YerevaNN/PMO-Dock
领域: 其他
关键词: 分子优化, 分子对接, 靶点特异性, 泛化基准, 样本效率
一句话总结¶
针对基于分子对接的药物设计缺乏统一基准与泛化测试规范的问题，本文提出了包含 25 项任务的 PMO-Dock 基准，首次引入靶点特异性对接任务，并严格隔离验证集调参与测试集受限评估，揭示出主流分子生成模型在不同药物研发场景下无单一最优解且超参数跨任务迁移脆弱的本质。
研究背景与动机¶
小分子优化是现代计算药物研发的核心挑战，算法需要在复杂且评估代价高昂的目标下在庞大化学空间中高效探索。早期的实用分子优化基准 PMO 虽然确立了严格的预言机（oracle）调用预算和统一的调优协议，极大地推动了分子生成模型的发展，但其优化目标主要受限于基于 RDKit 的简单物理化学性质组合（如分子相似度、异构体数量、QED 等）。这些启发式性质在计算上虽然轻量，却无法反映基于靶点蛋白质 3D 结构的真实药物研发场景（Structure-Based Drug Design, SBDD），难以评估分子与口袋的几何契合及相互作用。
随着强化学习、离散扩散模型和分子大语言模型逐步引入分子对接打分作为优化目标，该领域的评测实践却陷入了碎片化与不可比的困境。不同工作各自挑选少数靶点进行评测，缺乏统一的优化预算限制、公平的调参约束与跨靶点泛化验证协议；许多现有基准要么仅依赖代理模型（surrogate），要么仅支持单靶点 hit 优化，完全忽略了模型参数在新靶点和新药化场景上的泛化能力。更关键的是，真实药物研发极其强调“选择性”（Selectivity）与“靶点特异性”（Specificity）——药物分子必须特异性结合目标靶点，同时避免与同源蛋白或同蛋白的不同结构域产生脱靶相互作用以规避毒副作用，而此前尚无基准对这一关键需求建立规范评测。
面对计算对接缺乏标准范式、泛化能力未被隔离评测以及特异性设计缺失的多重困境，本文选择将 PMO 风格的严谨评估范式与基于真实对接模拟的优化管线紧密结合。核心 idea：构建首个包含 25 项分子对接优化任务的标准化基准 PMO-Dock，覆盖苗头化合物发现、先导化合物优化与全新靶点特异性对接三大场景，通过严格隔离开发验证集与测试集并在受限预言机调用预算下系统评估主流算法的优化性能、超参数迁移性与过拟合风险。
方法详解¶
整体框架¶
PMO-Dock 旨在全面衡量分子优化算法在严格样本效率约束下的搜索能力、实用性以及对未见蛋白质靶点的泛化性。整个基准设计由三大任务体系、严格的数据集划分协议以及预言机调用规范构成。系统包含 25 个优化任务，划分为 11 个用于模型设计与超参数寻优的验证任务，以及 14 个严格封存、测试时仅允许单次评估的测试任务。在整个优化周期中，算法与分子对接预言机交互，生成候选分子并根据对接结合能与物化性质指标计算多目标奖励。
%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400}}}%%
flowchart TD
A["输入分子生成策略 π<br/>（RL / 扩散模型 / GFlowNet / LLM 进化）"] --> B["三类对接优化任务场景<br/>苗头生成 / 先导优化 / 靶点特异性"]
B --> C["严格划分的任务集协议<br/>11 个验证任务（调参） vs 14 个测试任务（评测）"]
C --> D["分子对接与药效约束预言机<br/>QuickVina 结合能 + QED/SA/相似度/脱靶惩罚"]
D --> E["严苛预算受限评估与统计显著性检验<br/>类别特异性超参冻结 + 跨任务 Bootstrap 分析"]关键设计¶
1. 三类对接优化任务体系：覆盖药物发现全周期与首创特异性任务 现有基准往往局限于单靶点得分最大化，无法全面反映药物发现不同阶段的差异化诉求。PMO-Dock 显式划分了三大类别任务： - 苗头化合物生成（Hit Generation）：基于 5 个经典靶点（PARP1, FA7, 5HT1B, BRAF, JAK2），预言机预算设定为 \(B=3000\)。优化目标为最大化满足 QED \(\in [0.5, 1.0]\)、合成可达性 SA \(\in [1.0, 5.0]\) 且靶点对接得分 \(s^{(t)}(x) \geq s_{\min}^{(t)}\) 的分子命中率（Hit Rate）。 - 先导化合物优化（Lead Optimization）：以给定种子分子 \(x_0\) 为起点，在极严苛的 \(B=1000\) 预算下，优化候选分子的对接打分，同时强制满足与种子分子的局部结构相似度约束 \(\mathrm{sim}(x, x_0) \geq 0.6\) 及 QED、SA 范围，以测试集各任务满足约束的 Top-1 对接得分作为评测指标。 - 靶点结合特异性（Specificity Binding）：首次建立选择性评估体系。针对具有高度序列与结构相似性的 JAK 家族激酶（JAK1, TYK2, JAK2）及其各自包含的激酶结构域（JH1，ATP 结合口袋）与假激酶结构域（JH2，别构口袋），设计了 5 个双靶点对比任务。以经临床验证的高选择性 TYK2 假激酶抑制剂 Deucravacitinib 为基准阈值（\(s_{\mathrm{ref}}^{(\mathrm{spec})}=10.67\)），优化目标为最大化目标口袋结合能与脱靶口袋结合能的差值分： $\(\mathcal{L}(x) = s^{(P_{\text{target}})}(x) - s^{(P_{\text{off}})}(x)\)$ 同时惩罚结合脱靶位点。该任务涵盖了同蛋白异域特异性（TYK2 JH2 vs TYK2 JH1）、跨蛋白同假激酶特异性（TYK2 JH2 vs JAK1/2 JH2）以及跨蛋白跨结构域特异性（TYK2 JH2 vs JAK1/2 JH1），精准模拟真实抗肿瘤/免疫药物研发中的防脱靶难题。
2. 严格隔离的模型开发与泛化评测协议：规避测试集泄露与过拟合 传统对接基准允许在最终靶点上反复调参，掩盖了真实应用中针对全新靶点必须“零试错调参”的客观瓶颈。PMO-Dock 强制推行验证集与测试集分离标准： - 开发与调优期：算法开发者仅能在 11 个验证任务上进行广泛的超参数搜索与模型架构探索。基准规定在选择某验证任务的配置时，只能依据该类别下其他验证任务的平均表现来打分优选（Leave-one-out / Category-specific Selection），绝对禁止利用测试蛋白质、先导化合物或口袋结构信息进行调参或定义启发式规则。 - 测试评测期：将验证集确定的超参数严格冻结，每个方法在 14 个测试任务上仅执行单次基准评估，严格杜绝利用受限预算在测试任务上进行反复试探性泄漏。同时，论文还提供了无限制超参数上限（Per-task best ceiling），用以量化算法跨靶点迁移过程中的性能折损。
3. 对接预言机可靠性与防奖励欺骗校验：平衡计算效率与物理合理性 在分子优化过程中，生成模型极易利用打分函数的数值漏洞（Reward Hacking）生成物理上不合理的虚假高分构象。PMO-Dock 从三个维度建立了质量保障体系： - 采样稳定性与计算开销权衡：对于打分敏感的特异性任务，研究证实重复独立对接能显著降低假阴性率。基准确立了 QuickVina \(3 \times \text{exhaustiveness 8}\) 方案，在计算量大幅低于单次 exhaustiveness 16 的前提下获得了与之等价的高度一致性。 - 与黄金标准的高相关性校验：通过将优化得到的分子在 AutoDock Vina (1.2.7) 中重新对接，证实 QuickVina 与 AutoDock Vina 在全局生成分子与成功分子上的打分 Pearson 相关系数普遍处于 \(0.82 \sim 0.97\)，证明模型优化方向没有偏离真实对接物理场。 - 3D 构象物理合理性（PoseBusters 审计）：引入业内严格的 PoseBusters 评估集，对所有方法的高分分子构象进行立体化学与空间位阻多重物理检查。实验表明各算法生成的顶级分子通过率为 \(50.8\% \sim 60.6\%\)，化学骨架均呈现良好药效特征，未发现异常的分子碎片拼凑现象。
损失函数 / 训练策略¶
PMO-Dock 在基准中系统集成并统一定制了四种代表性分子生成范式在不同任务下的奖励与更新目标： - Saturn (强化学习 + 记忆回放)：采用乘积形式的奖励函数。对于苗头生成，定义 \(R(x) = \frac{s^{(\text{target})}(x)}{20} \cdot \mathrm{QED}(x) \cdot \frac{10-\mathrm{SA}(x)}{9}\)；先导优化追加乘入相似度 \(\mathrm{Sim}(x, x_0)\)；特异性优化显式加入脱靶惩罚项 \((1 - \frac{s^{(\text{off})}(x)}{20})\)。通过 Augmented Memory 缓冲池保存 Top-K 高奖励样本并结合随机 SMILES 数据增强执行策略微调。 - GenMol (基于 SAFE 碎片的离散扩散)：采用二值门控奖励机制。仅当候选分子满足所有性质与几何约束阈值时（\(h(x)=1\)），赋予其对接结合能或结合能差值，通过非自回归的片段重掩码与重采样在种子周围展开局部搜索。 - Genetic-guided GFlowNet (遗传算法引导的流网络)：优化轨迹平衡目标（Trajectory Balance, TB），结合 Graph-GA 变异与交叉算子补充样本池，以 \(R(x) = \exp(-\beta s(x))\) 计算反温度缩放奖励，损失函数包含 TB 损失与相对预训练先验的 KL 散度惩罚项 \(\mathcal{L} = \text{TB-loss} + \lambda \mathrm{KL}(\pi_{\text{pre}} \parallel \pi_{\text{new}})\)。 - ChemLlama (基于大语言模型的进化搜索)：利用 Llama 3-1B 作为变异算子，基于连续高斯钟形函数 \(g(m; [\ell, u], \sigma)\) 针对对接分、相似度与物理化学指标计算加权满意度，通过周期性指令微调动态捕捉分子结构与对接得分的构效映射。
实验关键数据¶
主实验¶
论文在严格冻结验证集最优超参的前提下，对四种代表性方法在 14 个测试任务（包括 2 个苗头生成任务、9 个先导优化任务、3 个特异性任务）上进行了测试集基准评测。下表汇总了各算法在不同类别测试任务上的平均表现及综合排名（苗头生成为 10 次随机种子均值，先导与特异性为 3 次随机种子均值）：
| 评估类别 | 评测指标 | Saturn (RL) | ChemLlama (LLM-EA) | GenMol (Diffusion) | Genetic GFN |
|---|---|---|---|---|---|
| 苗头生成 (Hit Avg) | 命中率 (Hit Rate \(\in [0, 1]\)) | 0.548 | 0.443 | 0.082 | 0.126 |
| 先导优化 (Lead Avg) | Top-1 对接得分 (QuickVina DS) | 10.63 | 10.62 | 10.66 | 10.74 |
| 靶点特异性 (Spec Avg) | 结合能差值 (\(\Delta \text{DS} = s_{\text{target}} - s_{\text{off}}\)) | 0.18 | 0.86 | 0.03 | -0.15 |
| 归一化综合 (Normalized Avg) | 加权综合得分 | 0.457 | 0.468 | 0.235 | 0.211 |
注：Normalized Avg 计算公式为 \(\frac{1}{3}(\text{Hit\_Avg} + \frac{\text{Lead\_Avg}}{20} + \frac{\text{Spec\_Avg}}{5})\)。
消融实验：超参数选择策略与泛化性能折损¶
为了探究超参数选择策略对模型在测试任务上实际表现的影响，论文对比了类别内留一迁移（Category-specific Selection）、全验证任务跨类迁移（All-but-me Selection）以及无限制独立调优上限（Per-task Best Ceiling）三种设定下的验证集平均得分：
| 评估任务分类 | 调参选择策略 (Selection Rule) | Saturn | ChemLlama | GenMol | Genetic GFN |
|---|---|---|---|---|---|
| 苗头生成 (Hit Avg) | 类别内留一迁移 (Category-specific) | 0.562 | 0.432 | 0.076 | 0.118 |
| 苗头生成 (Hit Avg) | 跨类别全量迁移 (All-but-me) | 0.428 (-23.8%) | 0.421 (-2.5%) | 0.072 (-5.3%) | 0.118 (0.0%) |
| 苗头生成 (Hit Avg) | 单任务无限制调优上限 (Per-task Best) | 0.584 | 0.485 | 0.124 | 0.134 |
| 靶点特异性 (Spec Avg) | 类别内留一迁移 (Category-specific) | 0.22 | 0.91 | 0.05 | -0.10 |
| 靶点特异性 (Spec Avg) | 跨类别全量迁移 (All-but-me) | 0.11 (-50.0%) | 0.88 (-3.3%) | 0.04 (-20.0%) | -0.10 (0.0%) |
| 靶点特异性 (Spec Avg) | 单任务无限制调优上限 (Per-task Best) | 0.35 | 1.05 | 0.18 | -0.02 |
关键发现¶
- 不存在全能通用模型：各类模型呈现出显著的“场景专精”特性。Saturn 在苗头发现任务中凭借强化学习的高效探索和记忆回放大幅领先（命中率 0.548 对比 GenMol 的 0.082）；而基于 LLM 的 ChemLlama 凭借细粒度上下文提示与进化搜索在极富挑战的靶点特异性任务中独占鳌头（0.86 对比次优 Saturn 的 0.18）；在先导优化场景下，四种方法性能相对接近，Genetic GFN 略占优势。
- 超参数迁移脆弱性高度依赖方法范式：在跨靶点和跨类别超参数迁移中，Saturn 虽然在同类任务间表现出高度一致的泛化对齐性（Pearson \(r \in [0.90, 0.94]\)），但在跨类别迁移时性能大幅下跌（特异性得分下降 50%）；GenMol 的超参数空间极为敏感且在靶点间几乎零相关（\(r \approx 0\)），严重依赖针对特定靶点的单独寻优；Genetic GFN 对任务边界与超参数最不敏感，但整体得分上限受限。
- 严格预算揭示了传统基准隐藏的泛化鸿沟：通过与无限制单任务最佳上限（Per-task Best）对比可见，受限于固定预算且不得利用测试信息调参时，模型实际输出质量存在 \(15\% \sim 60\%\) 不等的泛化性能折损，凸显出此前文献中直接在测试目标上重调参带来的虚高偏差。
亮点与洞察¶
- 填补结构化药物设计评测空白：将传统属性优化的标准化实验协议（固定预言机预算、严格分流调参与评测）扩展至计算开销巨大但真实意义更强的分子对接优化领域，有效终止了此前各方法随意设定靶点与预算的混乱评测现状。
- 首创结合特异性（Selectivity）基准任务：从真实的 JAK 激酶家族选取同源蛋白与别构口袋构建对抗结合场景，要求分子在紧密结合靶点口袋的同时避免对相似口袋产生结合，为规避临床脱靶毒性提供了直观量化的计算评测范式。
- 可复用的超参数迁移与敏感性诊断协议：提出了基于交叉任务散点相关系数矩阵与 Bootstrap 胜率分布的模型敏感度分析体系，为评估黑盒优化算法在小样本预算下的落地可行性提供了完备的统计工具。
局限与展望¶
- 作者承认的局限：预言机目前主要基于 QuickVina（以 exhaustiveness 11/8 为主）进行结合能近似计算，虽然计算效率高且与 AutoDock Vina 高度相关，但对于极度复杂的动力学诱导契合效应仍显粗糙，未来需探索高精度动力学或更精确物理场模拟以防止奖励黑客攻击；此外，基准聚焦于对接结合能与基本类药性质，未全面纳入溶解度、膜穿透性及体内代谢毒性等全流程药代动力学（ADMET）指标。
- 潜在评估偏差：在先导化合物优化任务中，各算法的 Top-1 对接得分差距微小且 Bootstrap 置信区间高度重叠，表明以当前固定预言机预算（\(B=1000\)）和单一相似度阈值（\(\mathrm{sim} \ge 0.6\)）难以充分拉开不同代际模型的技术代差。
- 改进方向：可进一步将自由能微扰（FEP）或冷冻电镜/X-ray 实验验证数据子集引入高阶测试基准，并在搜索空间中引入多构象协同对接与共价抑制剂优化任务。
相关工作与启发¶
- vs PMO (Gao et al., 2022): PMO 是首个确立严格样本效率的分子优化基准，但其评测目标仅限于轻量级 RDKit 属性；PMO-Dock 保留了其严谨评估流程，将优化目标全面升级为基于蛋白质 3D 结构的分子对接打分，更贴合真实药物研发。
- vs TARTARUS (Nigam et al., 2023): TARTARUS 首次将在线对接引入优化回路，但其任务聚焦于单任务独立调优，未提供隔离的跨靶点泛化验证协议；PMO-Dock 显式划分了验证集与测试集，重点衡量超参数向未知靶点的迁移能力。
- vs SMINA Benchmark (Ciepliński et al., 2023): 后者依赖预先训练的代理回归模型（surrogate）指导搜索；PMO-Dock 采用交互式真实预言机实时打分，并首次加入了激酶家族同源结构域的靶点结合特异性任务。
评分¶
- 新颖性: ⭐⭐⭐⭐☆ 首次将严格的泛化调参隔离机制与分子对接、靶点特异性优化深度融合，基准设定具有明确的实际应用导向。
- 实验充分度: ⭐⭐⭐⭐⭐ 涵盖 25 项任务、4 种不同范式的代表性前沿算法，完成了大范围超参数扫面、Bootstrap 统计检验及 PoseBusters 物理构象审计。
- 写作质量: ⭐⭐⭐⭐⭐ 概念清晰，实验协议和任务目标形式化表述严密，图表信息量极其丰富。
- 价值: ⭐⭐⭐⭐⭐ 为计算机辅助药物设计与分子生成模型提供了关键的标准化测试基线与开源代码基础设施。