TerraBind：粗粒度建模在蛋白质-配体结合预测中的突破

1. 项目概述：TerraBind的创新价值与应用场景

在药物研发领域，蛋白质-配体结合亲和力预测一直是个关键挑战。传统方法主要分为两类：一类是基于物理原理的分子对接工具（如AutoDock Vina），虽然计算速度快但精度有限；另一类是近年兴起的深度学习全原子扩散模型（如Boltz-2），虽然预测准确但计算成本极高。TerraBind通过独特的粗粒度建模思路，在这两个极端之间找到了理想的平衡点。

1.1 核心技术创新点

TerraBind的核心突破在于提出了一个反直觉的假设：全原子分辨率对于准确的结合亲和力预测并非必需。研究团队通过系统实验证实，仅保留蛋白质的Cβ原子（甘氨酸为Cα）和配体的重原子信息，配合精心设计的模型架构，就能获得优于全原子模型的预测精度。这种粗粒度表示带来了三大优势：

1. 计算效率飞跃：相比Boltz-2的27.8秒/复合物，TerraBind仅需1.04秒，实现26倍加速
2. 资源需求降低：模型参数量从509M缩减到30M，训练成本降低2倍
3. 预测精度提升：在CASP16基准测试中Pearson相关系数提升20%，专有数据集上15/18个靶点表现更优

关键提示：这种性能突破并非简单的工程优化，而是源于对"哪些结构信息真正影响结合亲和力"这一科学问题的深刻理解。蛋白质侧链的精细构象在多数情况下对结合自由能的贡献可以通过主链几何特征间接反映。

1.2 典型应用场景

该技术特别适合以下药物研发环节：

• 虚拟筛选：可处理亿级化合物库的快速评估，与Terray的EMMI平台（季度10亿+实验测量）形成互补
• 苗头化合物优化：通过epinet模块的联合分布预测，指导批次化合物的优化方向选择
• 靶点评估：结合不确定性量化，快速判断新靶点的可药性及潜在结合位点特征

在实际测试中，采用TerraBind的"hedged batch selection"策略比传统贪婪方法获得6倍的亲和力提升效率，显著加速了设计-合成-测试-分析（DMTA）循环。

2. 模型架构设计解析

2.1 整体架构概览

TerraBind采用模块化设计，四个核心组件协同工作：

1. 预训练编码器：冻结的COATI-3（配体）和ESM-2（蛋白质）提供初始表征
2. 结构模块：48层Pairformer学习结合口袋的几何关系
3. 构象模块：无扩散优化生成3D坐标
4. 亲和力模块：基于结构特征预测结合强度及不确定性

2.1.1 预训练编码器选择

COATI-3分子编码器的创新之处在于融合了三种化学模态：

• SMILES字符串（Transformer编码）
• 2D分子图（图Transformer）
• 3D构象点云（E(3)-等变神经网络）

这种多模态对比学习在超过10亿化合物的数据集上预训练，使模型能捕捉丰富的分子特征。特别值得注意的是，COATI-3保留了原子级嵌入，为后续结构预测提供了精细的起点。

ESM-2蛋白质语言模型（650M参数）则直接从序列生成包含进化信息和结构倾向的嵌入，避免了耗时的多序列比对（MSA）过程。在实验中，这种序列到结构的直接映射被证明对结合位点预测足够有效。

技术细节：两个编码器始终保持冻结状态，既保护了其泛化能力，又减少了训练内存需求。这种设计也使得模型可以灵活替换或升级编码器模块。

2.2 结构模块实现细节

2.2.1 Pairformer架构优化

TerraBind的Pairformer主干进行了三项关键改进：

1. 输入简化：移除了MSA特征和单序列表示组件，参数从147M降至27M
2. 距离预测：输出64个距离区间的分类分布（2-22Å，共62个均匀区间+2个边界区间）
3. 交互加权：对不同类型原子对（配体-蛋白质、配体-配体、蛋白质-蛋白质）施加不同的损失权重

这种设计使得模型能专注于学习结合界面最相关的几何特征。从实践角度看，有两点特别值得关注：

• 内置不确定性指标HLP：通过配体-蛋白质对的平均距离分布熵，同时评估构象可信度和结合强度
• 局部上下文处理：训练时采用256-token的局部结合口袋片段（典型药物靶点结合位点约200个原子/残基），大幅降低计算复杂度（O(N³)→实际可管理规模）

2.2.2 训练数据策略

团队采用了创新的三级课程学习方案：

特别值得注意的是对蒸馏数据（AlphaFold预测和Boltz-1x生成结构）的创造性使用。这些数据不仅扩充了训练规模，更重要的是引入了未被实验解析但可能存在的合理构象空间，增强了模型的泛化能力。

3. 亲和力预测关键技术

3.1 亲和力模块设计

与大多数结构预测模型不同，TerraBind的亲和力预测不依赖生成的3D坐标，而是直接利用Pairformer的潜在表示和距离分布。这种设计带来了显著的效率优势：

1. 输入特征：

   • 结构Pairformer的128维潜在表示
   • 64维距离分布概率
   • COATI-3原子级嵌入（768维）
   • ESM-2残基嵌入（1280维）
   • 配体全局COATI-3嵌入（768维）

2. 双输出头：

   • 结合概率：sigmoid分类输出
   • 亲和力值：回归预测（log10单位）

实验表明，这种基于距离分布而非具体坐标的预测方式，反而能更好地捕捉结合自由能的关键决定因素。

3.2 不确定性量化创新

TerraBind通过**认知神经网络（epinet）**实现了三大突破：

1. 校准的亲和力不确定性：

   # epinet预测流程示例 z = np.random.randn(256) # 认知索引样本 residual = epinet_mlp(g, z) # 学习残差 final_pred = base_pred + residual # 后验样本

2. 联合分布建模：可同时评估一批化合物的亲和力分布相关性，支持更智能的批次选择

3. 持续学习框架：新实验数据可快速整合，无需全模型重新训练

在模拟DMTA循环中，基于epinet的EMAX采集策略显著优于传统方法：

EMAX = E[max(y₁,...,y_B)] # 预期最大亲和力

3.3 训练技巧与数据管理

团队开发了专门的亲和力批次采样器处理数据挑战：

• 定量数据：均匀采样不同实验，每批次包含同一实验的5个复合物
• 定性数据：每个批次包含1个阳性样本+4个阴性样本
• 结构预过滤：剔除高不确定性（HLP>0.7）但声称高亲和力（<1μM）的不可靠数据

损失函数设计也颇具匠心：

• 分类任务：焦点损失处理类别不平衡
• 回归任务：Huber损失减少噪声影响
• 相对损失：校正不同实验间的系统偏差

4. 性能评估与实战价值

4.1 基准测试结果

在多个权威测试集上，TerraBind展现出显著优势：

特别值得注意的是，即使仅使用196-token的局部口袋上下文（TerraBind Pocket版本），模型仍保持优异性能，这对大规模虚拟筛选至关重要。

4.2 工业应用价值

在实际药物研发中，TerraBind解决了三个关键痛点：

1. 规模瓶颈：使亿级化合物库的亲和力筛选成为可能
2. 可靠性短板：内置的不确定性指标帮助识别潜在假阳性
3. 迭代效率：epinet指导的批次选择加速优化进程

一个典型案例是，在模拟的hit-to-lead优化中，基于TerraBind的策略仅需传统方法1/6的迭代次数就能达到相同亲和力提升，相当于将数月工作压缩至数周。

5. 实施指南与优化建议

5.1 典型工作流程

1. 输入准备：

   • 蛋白质：氨基酸序列（ESM-2嵌入）
   • 配体：SMILES或3D构象（COATI-3编码）

2. 结合位点预测：

   python terrabind.py --protein sequence.fasta --ligand smiles.txt --output predictions/

3. 结果解析：

   • 优先考虑HLP<0.3的高置信预测
   • 对epinet标准差>0.5的结果保持谨慎

5.2 参数调优经验

• 上下文大小权衡：对已知结合位点，196-token局部上下文足够；新靶点建议使用完整蛋白
• 采样策略：虚拟筛选时可采用单样本预测；优化阶段建议10样本+最优选择
• 温度参数：调整epinet采样温度可控制探索-开发平衡

5.3 常见问题排查

在实际部署中，我们建议将TerraBind与实验平台集成，形成闭环学习系统。例如，将每周的新测定数据自动用于epinet微调，可持续提升特定靶点系列的预测准确性。