博文

从晶体学质子位置获取启发：纽约大学AI预测药物分子互变异构体

已有 478 次阅读 2026-9-27 07:32 |个人分类:分享|系统分类:科研笔记

一个氢原子的微小位移，为何困扰药物化学家数十年？

2026年9月，纽约大学（NYU）化学系张英凯（Yingkai Zhang）教授团队在《Chemical Science》发表研究，开发开源AI工具Tautomer‑Predictor，能够在数小时内完成数百万药物类分子的互变异构体稳定性预测^[1]。该工作最巧妙的思路是挖掘剑桥结构数据库（CSD）中实验解析得到的小分子晶体氢原子位置，把晶体中的“质子分布地图”作为监督信号训练图神经网络，以此学习分子最稳定的互变异构形式。

本文解读该研究的方法创新、关键结果，以及它对基于结构药物设计带来的机遇与局限。

一、互变异构体：药物设计中容易被忽视的风险点

互变异构是氢原子在分子骨架上发生迁移，伴随双键同步重排的化学现象，酮‑烯醇、氨基‑亚胺互变都是经典案例。尽管仅发生微观尺度氢迁移，却会显著改变药物分子的实际行为：

• 靶点结合模式改变：不同互变异构体生成完全不一样的氢键网络，直接影响配体对蛋白靶点的结合亲和力；

• 理化性质偏移：pKa、脂水分配系数logP、水溶性等ADMET（吸收、分布、代谢、排泄、毒性）关键属性会随互变异构状态发生明显改变；

• 数据库与计算污染：如果分子库中标注了非优势互变异构体，后续虚拟筛选、分子对接、自由能模拟，全部建立在错误化学输入之上。

正如论文指出：互变异构体分配错误，会损害分子对接、自由能计算、虚拟筛选以及其它基于结构的药物设计任务。

二、传统技术路线的固有短板

长久以来互变异构预测难以规模化落地，现有三类主流方案各有瓶颈：

1. 量子化学计算（例如DFT）：精度高，但算力昂贵

可以定量对比不同互变异构体之间的能量差；面对百万级分子库筛选，计算开销完全无法承受。

2. 溶液实验数据集：样本量稀少，获取成本高

水溶液下实验测定的互变异构平衡数据集通常仅几百个分子，样本规模不足以支撑现代深度学习训练。该团队此前曾使用孪生神经网络（Siamese Neural Network）预测水溶液互变异构比例，同样受限于实验数据规模，普适性存在约束^[2]。

3. 经验规则库（如Tautobase）：速度快，但覆盖有限

依靠人工总结化学规则做枚举，运算速度快；但难以处理少见、复杂的药物分子骨架，预测错误率较高。

三、CSD：一座被低估的质子实验数据宝库

本工作的核心创新：剑桥结构数据库CSD存储大量高分辨率小分子晶体衍射数据，许多结构能够直接实验测定氢原子坐标，这些晶体结构记录了真实观测的互变异构状态，过去很少被大规模用于机器学习训练。

补充区分：蛋白质数据库PDB中绝大多数常规X射线晶体结构分辨率偏低，不足以可靠定位氢原子；少数高分辨中子衍射、NMR解析的PDB结构才可以观测氢位置，不具备大规模提取互变异构标签的条件。

论文第一作者博士后潘晓林（Xiaolin Pan）系统挖掘CSD，构建超过110万互变异构状态的数据集，样本规模比传统水溶液实验数据集高出2‑3个数量级。CSD中互变异构的识别分类早已有前人基础^[3]，但将其作为大规模深度学习训练集，属于本研究的首创。

四、方法学：仅依靠二维分子图的图神经网络（GNN）

基于CSD构建的大规模数据集，团队训练二维图神经网络。该模型的优势：

• 输入简单：仅需要分子二维拓扑信息（SMILES字符串/分子图），无需预生成三维构象，不依赖量子化学计算；

• 输出直接：模型直接输出预测的优势稳定互变异构状态；

• 跨环境迁移潜力：模型从晶体质子位置习得化学规律，在晶体基准、药物分子测试集、水溶液基准上均取得不错结果。

性能指标说明：在晶体来源综合测试集上，模型召回率0.97，精确率0.88。代表模型可以识别绝大多数晶体中观测到的稳定互变异构，同时维持较低假阳性；注意该指标主要来自晶体测试集，不等同于生理水溶液环境性能。

五、真实案例校验：PDBbind配体库中的潜在化学表示问题

研究人员把Tautomer‑Predictor应用于5075个来自PDBbind的蛋白‑配体复合物配体，这些配体均存在多种潜在互变异构。模型提示其中126个案例（约2.5%），数据库原始分配的互变异构形式可能并非优势状态。

针对这126个案例，AI给出新的互变异构候选，新版本可以形成更合理氢键相互作用，减少体系中未被满足的极性原子。

重要提醒：该结果并不否定原始蛋白晶体的实验电子密度结果。问题出在配体的化学结构注释，也就是PDB文件中配体的化学表示方式，实验解析得到的蛋白三维结构本身没有错误。

典型案例中，仅仅氢原子位置微调，就能让配体和周围蛋白残基生成额外氢键，直观体现氢迁移对蛋白‑配体相互作用的巨大影响。

六、吞吐性能：单GPU节点3.2小时处理460万个化合物

Tautomer‑Predictor为开源工具，具备极高吞吐量。测试中，单GPU节点仅耗时3.2小时完成Enamine库约460万个药物分子预测。

限定条件：该耗时仅为互变异构稳定性预测，不含三维构象生成、溶剂化自由能计算等后续步骤。

这一性能，让大规模化合物库互变异构“化学清洗”成为现实，而此前受算力约束几乎无法完成。

七、研究启示与关键局限性

该工作的价值不只是提供工具，更在方法论层面给出示范，同时也存在明确待解决的问题：

1. 已有晶体数据库的二次挖掘

CSD积累数十年高质量小分子晶体数据，埋藏大量实验化学知识。本研究证明：对成熟老数据库深度挖掘，可以为AI化学模型提供大规模高质量监督标签。

2. 晶体环境与生理溶液环境存在固有鸿沟（核心局限）

模型全部训练标签来自晶体环境；晶体内部晶格堆积、分子间作用力会改变互变异构的能量偏好，和水溶液、体内生理环境不完全等价。虽然模型在水溶液基准测试表现尚可，但不能直接把晶体训练得到预测结果直接当作水溶液绝对真值；面向药物发现使用时，仍需要结合溶剂效应、pKa做进一步校验。

3. 对结构药物设计的长远意义

互变异构的正确分配，是分子对接、分子动力学模拟的前置基础。若输入的配体互变异构状态本身不合理，后续再精细的模拟也会偏离真实生理场景。Tautomer‑Predictor提供了一套高效流程，用于批量修正化合物库的互变异构注释。

注释：本文仅用于学术科普交流，不作为临床/工业直接使用依据。

参考文献

[1] Pan X, Han C, Han F, Zhang Y. Deep learning of tautomer stability from crystallographic proton positions. Chem. Sci., 2026, DOI:10.1039/d6sc03714c. https://doi.org/10.1039/d6sc03714c

[2] Pan X, Zhang X, Xia S, Zhang Y. Fast and Accurate Prediction of Tautomer Ratios in Aqueous Solution via a Siamese Neural Network. J. Chem. Theory Comput., 2025, 21(6): 3132‑3141. DOI:10.1021/acs.jctc.5c00041. https://doi.org/10.1021/acs.jctc.5c00041

[3] Cruz‑Cabeza A J, Groom C R. Identification, classification and relative stability of tautomers in the Cambridge Structural Database. CrystEngComm, 2011,13:93‑99. DOI:10.1039/C0CE00123F. https://doi.org/10.1039/C0CE00123F