9.2 小分子配體（Ligands）與藥物對接的挑戰#

蛋白質結構預測的成功，最初讓人相信了一個簡化的願景：只要把每個目標蛋白的三維形狀算出來，藥物設計便只剩下「把分子塞進口袋」這個幾何題。事實上，藥物發現最困難的部分從來不是形狀，而是能量。小分子是否結合、結合得多緊、結合得是否可逆，取決於一個複雜的熱力學現實，而這個現實包含幾百萬種化學構形的競爭、溶液離子的屏蔽、以及只有毫秒尺度卻足以改變結果的受體構形變化。AlphaFold 3 的重要性，不在於它把形狀問題做得更好——它確實做得更好——而在於它第一次讓「形狀」與「化學」在同一個生成模型裡相遇。本節要處理的，是這個相遇之前，人類花了五十年仍未真正解決的問題：藥物對接（docking）。

對接的半世紀：從幾何拼接到物理假設#

「對接」這個詞的本義來自航海：兩艘船在港口外海靠攏以轉移貨物。1981 年，Isaac Kuntz 與 Tom Blundell 在《Nature》發表把這個概念轉譯到分子世界的著名工作「DOCKING: a tool for docking", 用立體化學的形狀互補性來配對蛋白質與小分子的三維構形。接下來的三十年間，這個領域發展成一門有明確分歧的學科：所謂「經驗打分的對接」（empirical scoring docking）用大量已知的結合構形訓練一套計分函式，典型代表是 Kuntz 團隊的 DOCK 系列；所謂「物理導向的對接」則建立於力場之上，把配體與受體的原子間作用拆解為凡得瓦力、靜電作用、去溶劑化成本與配位項，再以線性組合求得分。1997 年 Warren 和 Andrews 發表的 AutoDock 3.0 用 Lamarckian 基因演算法優化構形，確立了「自動對接」在藥物開發實務中的地位；同年的 GOLD 以半實驗的力場與口袋偵測模組，在基準測試上取得領先；此後 FlexDock、Glide（Schrödinger）、ICCD、LeDock 等工具各擅勝場，形成一個市值數十億美元的商業軟體產業。

但所有這些方法共享一個根本的架構性弱點：它們多以「已知口袋」為前提，並且往往以「剛性受體」（rigid receptor）作為預設。也就是說，蛋白質在對接過程中被視為一堵靜止的牆，配體則是一顆被丟進牆上的彈珠，演算法負責找出一個撞進凹槽、且得分最高的落點。這套流程能撐起三十年的產能，卻解釋不了為何許多在對接中取得高分姿態的分子，在生化實驗中毫無活性。

誘導契合、構形選擇，以及「不存在鎖鑰」#

答案的雛形在 1950 年代便已出現。1958 年，Daniel Koshland 提出「誘導契合」（induced fit）機制：受體並非以一組預先挖好的口袋等待配體，而是在配體靠近時，透過局部構形變化把配體「夾」進正確的立體化學構形。這個概念立刻解決了鎖鑰模型（lock-and-key， Emil Fischer, 1894）的僵硬問題，也解釋了酵素的催化效率：受體可以主動塑形，使過渡態被過渡態模擬物穩定化。

但 Koshland 的模型在 1990 年代被挑戰了。1997 年，Koshland 本人與Boechens 合作提出「構形選擇」（conformational selection）：蛋白質在沒有配體時，本來就以多種構形共存於動態平衡之中，所謂的「口袋」其實是既有構形集合中的一個成員；配體的作用不是改造受體，而是從既有構形集合中「挑」出與自己互補的那一個，並藉由結合能降低該構形的自由能、使平衡位移。2001 年 Boechens 與 Koshland 在《Science》發表的綜述，把這兩個模型統一為「擴展的誘導契合」（extended induced fit）：構形選擇決定了結合的「入口」，誘導契合決定了結合的「精度」，兩者同時運作。

這段歷史對計算生物學具有決定性後果：既然受體在未結合時就是構形異質的，而演算法通常只拿到一個靜態結構，那麼對接的失敗率便不是某個函數寫得不夠好，而是資訊本身的缺失。2018 年的基準研究顯示，傳統物理打分對接在盲測中的 pose 預測成功率（RMSD ≤ 2 Å）偏低於 20%；2021 年 Warren 等人的系統性評估更直接地指出，物理打分在真正的盲測集上，其表現甚至可能不如經驗打分。這是一個令人尷尬的結論：物理直覺與經驗學習，兩條路線都沒有真正解決「姿態是什麼」這個問題。

化學多樣性：一個沒有辭彙表的語言#

第二重挑戰來自化學本身。蛋白質只面對 20 種胺基酸，而小分子配體的化學空間在 1970 年代估計是 10^60 個可能分子，即使加上熱力學合理性約束後仍有 10^36 量級——這意味著「從頭枚舉配體並評分」在計算上永遠不可能。與此同時，配體的化學類型構成了一門幾乎沒有統一語法的語言：氫鍵給體與受體、π–π 堆疊、疏水效應、鹽橋、偶極–偶極作用、與金屬離子的配位、與胺基酸殘基形成共價鍵（開環反應的親電子體、以及不可逆抑制劑如阿斯匹靈或青黴素）、以及金屬與配體之間的三元複合物。每一種作用模式都要求計分函式裡有一個對應的項，而這些項的權重若靠少數已知結構去擬合，勢必在化學空間的邊緣失效——因為訓練集中根本沒有那些罕見的作用模式。

更麻煩的是構形異質性（conformational heterogeneity）。單一藥物分子在溶液中通常以數十到數百種構形存在；藥效團（pharmacophore）只保留空間上的功能排列（例如一個氫鍵給體、一個芳香環、一個疏水中心），卻丟棄了構形的細節。當我們把配體「簡化」為剛性或柔性鏈段時，所謂的「對接」實際上是在一個被嚴重簡化的世界裡求解。實驗結構往往只提供電子密度足以支持的最低解析度構形，有時甚至同一個晶體單元中出現兩種構形——這使得「哪個構形才是生物學上正確的」本身就是一個未解的問題。

第三重挑戰是環境。蛋白質口袋裡不是真空：其中有結構化水分子（structure waters），它們可以作為氫鍵的橋樑，被稱為「水介導的氫鍵」在配體結合能中貢獻可觀的比例；還有金屬離子（Zn²⁺、Mg²⁺、Ca²⁺、Fe²⁺/³⁺）、氯離子、以及各種缓冲液成分（鹽類、DMSO、甘油、二硫蘇糖醇）。許多配體實際上是與金屬中心配位，或是以水為橋接。忽略這些「配角」的對接，即使姿態 RMSD 很小，也是錯的。

結構預測不等於親和力預測#

這是本節最需要反覆強調、卻在實務上最常被混淆的一個命題。結構預測回答的是「這個配體坐在哪裡、以什麼姿態」，是幾何問題；親和力預測回答的是「這個配體結合得多緊」，是統計熱力學問題。兩者之間隔著一道鴻溝：結合自由能 \(\Delta G_{bind}\) 依賴結合前後的自由能差，而結合前後還牽涉到配體與受體各自的構形熵損失、去溶劑化的非線性效應、以及結合態與溶劑態間的競爭。更麻煩的是，即使 \(\Delta G\) 預測完美，藥理活性仍取決於細胞內的實際表現——膜通透性、代謝穩定性、溶解度、選擇性、以及細胞內的有效濃度。

實驗上，親和力是以 \(K_d\) （解離常數）或 \(IC_{50}\) （半數抑制濃度）來量測的，不同的量測條件（底物濃度、時間、溫度、是否為可逆結合）會給出不同的數值；同一個化合物在不同實驗室報出的數字常常相差一個數量級以上。因此，任何宣稱能「預測 \(IC_{50}\) 」的模型，在基準測試中都必須回答一個極其嚴苛的問題：在真正的盲測（時間切分的時間盲測集）上，它對未知化合物的排序能力是否優於簡單的描述符模型？2024 年前的諸多基準研究（包括 GOST（2022）、LP-PKDB（2022）與 Polaris（2024））的結論並不樂觀：機器學習模型在真正的時間盲測上普遍未能穩定超越基於指紋與描述符的簡單方法。這意味著，AF3 輸出的配體姿態，即使姿態準確度高達 RMSD 1 Å 級別，也不會自動變成一個更好的先導化合物。

深度學習介入：2020–2023 的進展與其架構分歧#

儘管如此，2020 年之後的幾年裡，深度學習確實為這個問題帶來了實質進步，而且進步的來源並非「更好的計分函式」，而是「放棄物理計分，改為生成對策」。這是一個典型的范式轉移：既然評分函式難以窮舉化學空間，那麼就直接讓神經網路在配體座標空間中「生成」最可能的結合姿態。

2022 年發表的兩篇代表性工作體現了兩條不同的技術路線。DeepDock（Zhavoronkov 等人，Nature Machine Intelligence, 2022）把物理先驗與圖神經網路結合，先用物理導向的蛋白質—配體圖建構 3D 網路，再用知識蒸餾把物理模型中的能量資訊灌入一個深度預測器，目標是把傳統打分轉換成機器學習可用的表示。EquiBind（Stärk 等人，ICML 2022）則更為激進：它完全不預測 pose，而是用等變幾何圖神經網路直接預測配體原子的座標，並引入蛋白質與配體間的鍵連接資訊來處理拓撲。這是一個重要的概念轉折——「直接生成座標」取代了「預測座標再評分」，正是 AlphaFold 3 一年後在蛋白質—配體世界所採取的同一條路線。

第三條路線是擴散模型。DiffDock（Corso 等人，ICLR 2023）觀察到，分子對接本質上是一個「把配體從隨機位置搬到口袋」的擴散過程，因此把它直接建模為擴散模型：輸入蛋白質結構、配體構形與口袋位置作為條件，在配體的座標空間中進行去噪，並且刻意不使用任何物理作用力作為網路的輸入特徵，只給模型一個「隨機初始的配體」與「蛋白質表面」。DiffDock 在 PDBBind 基準上的盲測姿態預測大幅超越傳統方法，並且能處理「先驗姿態未知」的挑戰——這正是真實藥物發現中最常見的情況。

同一時期，E3Bind（Zhang 等人，Nature Computational Science, 2023）以等變圖網路加上知識蒸餾進一步提升了姿態精度，並且把蛋白質的可摺疊性與配體生成結合起來。整體而言，2022 至 2023 年間最重要的共識是三點：第一，姿態預測與親和力預測必須分開評估；第二，時間盲測是唯一誠實的基準；第三，姿態預測的成功並不保證虛擬篩選的富集因子（enrichment factor）會提高，因為後者是一個排序問題而非幾何問題。也正是在這樣的認識下，AF3 的配體部分並不只做「更好的對接」，而是做了兩件更具野心的事：把配體生成擴散化，以及直接嘗試生成從頭設計的分子。

從「猜姿態」到「設計分子」：虛擬篩選的起點#

在沒有結構的年代，虛擬篩選只能依賴配體本身的描述符與已知活性配體之間的相似性，這種「藥效團相似」的搜尋效率極低。一旦有了可靠的受體結構，篩選便可以改成「幾何過濾」：先用口袋的形狀與化學特徵（例如 fpocket、P2Rank 等工具偵測出的子口袋與隱藏口袋）排除掉無法置入的化合物，再由對接評分排序。AF3 這類模型在這個流程中的真正位置，是在「已知結構」與「需要被預測的配體」之間提供一個更完整、包含蛋白質動態口袋與水/離子環境的起點。

更激進的一步是「反向」使用：與其從資料庫裡篩選，不如從口袋出發生成分子。RFdiffusion（Watson 等人，Nature, 2023）示範了蛋白質的從頭設計；配體端也出現了類似的嘗試，例如用擴散模型在口袋內生成化學合理的配體骨架，再以分子設計模型進行後續優化。AF3 的「配體擴散生成模型」（convolutional diffusion generative model, CDGM）正是這條路線的整合版本：它不僅能對接已知配體，更能在給定的蛋白質口袋中直接生成新的小分子。這意味著虛擬篩選的上游被改寫了——原本的起點是「化合物資料庫」，新的起點是「一個三維口袋的化學空間」。

這裡必須加上一個冷靜的註腳：生成化學上合理的分子，與生成有活性的分子之間，隔著同樣一道「結構不等於親和力」的鴻溝。2024 年之後的多項獨立評估，特別是在針對 AF3 配體能力的第三方盲測中，都顯示模型生成的分子在化學上可用，但在親和力與選擇性上仍不可靠。這也解釋了為什麼 AF3 論文本身在報告配體能力時，把重點放在「能生成結構合理的 pose 與分子」而非「能預測 \(IC_{50}\) 」——一種在方法學上相當克制的表述。

對接問題的真正形狀#

回顧這一段歷史，可以把藥物對接的問題重新表述成三個層次。第一層是姿態幾何：配體原子在空間中如何排列；第二層是化學相容性：這些排列是否被恰當的氫鍵、疏水、靜電與金屬配位所穩定；第三層是熱力學：這種排列相對於所有替代構形（包括配體自身的替代構形與受體的替代構形）在自由能上是否佔優。傳統對接方法在第一層取得進展，在第二層以手工設計的計分項勉強處理，在第三層則基本上放棄了——因為窮舉構形集合在當時的算力下不可行。AF3 的擴散架構改變的，正是第一層與第三層之間的關係：擴散模型把「從千千萬萬種構形中挑出正確的一個」變成了一個可以學習的分佈取樣問題，而分佈取樣天然地包含了對構形集合的隱式處理。

下一節將進入 AF3 的技術核心：37 種原子 token、跨鏈擴散、配體擴散生成模型，以及那場至今仍在進行中的知識產權之爭。