3.3 基于配体的设计与虚拟筛选：从旧分子找新线索

3.3 基于配体的设计与虚拟筛选：从旧分子找新线索

本节摘要：当靶点结构缺失或不可靠时，已知的活性分子本身就是图纸。本节讲药效团抽象（活性分子共享的相互作用模式）、QSAR 的建模纪律（训练测试分离、适用域、交叉验证）、相似性检索的边界，以及千万级虚拟库的分级筛选流水线——每一级都在淘汰不同的东西。

库房里的旧分子是资产

接本章主线：项目组的激酶家族化合物档案里，躺着上百个测过活性的旧分子——有的活性好但毒性差，有的活性弱但骨架新颖。没有共晶结构时，这批数据就是设计拍的全部依据。基于配体的设计（LBDD）的哲学：活性分子之所以有活性，是因为它们共享某些决定结合的特征；把这些特征提出来，就得到了设计的坐标系。

第一种抽象是药效团：一组空间排列的特征点——氢键供体、氢键受体、带电基团、疏水中心——加上它们之间的距离约束。把多个已知活性分子叠合，找出它们共同满足的最小特征集合，就得到药效团模型。它像一个三维的锁孔模板：新分子若能把特征点"对上"，就有活性潜力。药效团的价值在于可解释——每个特征对应一个物理相互作用，化学家能直接读懂。

第二种抽象是QSAR（定量构效关系）：把分子转成描述符向量（1.4 节的第二张数据卡），用统计模型学习"描述符 → 活性数值"的映射。它输出的是一个数字（预测活性），价值在于排序与优化方向。

QSAR 的建模纪律

QSAR 是被玩坏过很多次的工具，坏法几乎都一样：训练集上拟合得漂亮，上了新分子一塌糊涂。纪律五条：

一次规范的 QSAR 会话（示例数值）：
数据: 96 个同系列分子，活性 pIC50 范围 4.2 – 8.1（负对数）
描述符: 42 个（拓扑、电性、疏水性）
切分: 72 训练 / 24 测试（按骨架分层，不让同骨架跨集）
交叉验证（训练集内五折）:
  交叉验证 R²(q²) = 0.61   ← 诚实指标
外部测试:
  预测 R² = 0.57, 平均误差 0.48 个对数单位
适用域检查: 新分子与训练集描述符空间的距离在阈值内才出预测

红线对照：
  只报训练 R² = 0.93、不报 q²       → 过拟合，不可信
  随机切分让近似分子同跨两集         → 泄漏，测试虚高
  给适用域外的分子硬出预测           → 外推，等于掷骰子
​

q² 与外部测试 R² 的差值就是"水分"。适用域概念尤其重要：模型只在训练分布附近有效，一个与训练集骨架完全无关的新分子，预测值没有意义——这与 2.3 节基因组选择"跨群体预测衰减"是同一条定律的化学版：模型不预言它没见过的世界。

图：分级虚拟筛选流水线

相似性：便宜但要有边界

最简单的配体方法是不建模：拿一个已知活性分子当探针，用分子指纹在全库算相似度，取最像的一批。它便宜、快、不依赖任何假设，是"库里可能已有类似物"这类问题的首选。边界也清楚：相似性检索天然收敛于已知骨架——你找到的永远是"探针分子的近亲"，跳不出化学型。要新骨架，靠药效团（保留相互作用模式、放开具体骨架）或下一节的从头生成。品种线的类比很有意思：相似性检索像在骨干种质里选（快但多样性有限），药效团像按性状规格在全球种质库里搜（慢但可能带来全新来源）——第 1.2 节的多样性逻辑在化学库里同样成立。

虚拟筛选的账本与命中率

把流水线放进第 1.1 节的账本：虚拟筛选拍省的是合成拍的无效分子。高质量虚拟筛选把实验命中率（测试分子中有活性的比例）从随机盲筛的百分之零点几提到百分之几到几十，意味着同样的合成预算能覆盖更多活性机会。但命中率不是唯一指标——骨架多样性同样重要：全库高打分分子若都是同一家族的变体，等于把鸡蛋放进一个化学型的篮子里，后期毒性一旦集中爆发，整个系列报废。所以流水线最后一站是"顶层加多样性代表"的组合挑选，工程上这称为集合选择问题。

⚠️ 常见坑：训练集混入"仅活性分子"。活性数据值钱，但负样本同样值钱——模型要学的是区分，只有正例的模型学不会边界。档案里测过没活性的分子，一条都不能丢。

💡 关键直觉：LBDD 的本质是"从历史数据里学规律"，它的可信度上限等于数据质量——混杂不同测定体系的活性值、不加清洗地混用单位，是模型失灵的头号原因，先洗数据再建模。

常见追问

没有已知活性分子时怎么办？ LBDD 的原料是活性数据，冷启动的项目有三条路：先跑基于结构的方法（3.2 节，需要结构或可靠模型）；用近亲靶点的活性数据做迁移（家族保守口袋的抑制剂常可作起点，再优化选择性）；或做一次小规模多样性筛选（几百到几千个代表分子）人为制造"已知活性"——数据是方法的前提，没有就先花小钱造一点。

QSAR 模型多久重训一次？ 触发式而非日历式：新增一批实测数据（尤其覆盖了原适用域外的新骨架）时重训；发现预测系统性偏差时重训（比如某新系列实测普遍低于预测两倍以上，说明模型在该区域失真）。每次重训保留旧模型做对照——新模型必须在保留测试集上赢过旧模型才允许上线，这条纪律防止"越训越差"的倒退悄悄发生。

药效团模型和 QSAR 会打架吗？ 会，而且打架是有价值的信号。药效团说"特征点必须对上"，QSAR 说"这个描述符与活性正相关"，两者对同一分子给出相反判断时，通常意味着存在未建模的因素（诱导契合、水分子介导的结合、活性构象差异）。此时最优动作不是投票，而是挑几个分歧分子做实验——分歧点就是新知识的藏身处。

虚拟筛选的产出管理也值得一句提醒：每轮筛选的"命中清单"与"淘汰原因"都要按 5.3 节的轮次登记存档。三个月后没人记得"这批分子为什么没进合成队列"，下一轮就会把同样的分子再筛一遍——虚拟筛选的复筛成本虽低，但合成验证的名额被反复占用才是真浪费；一个命中分子被独立提名三次而三次都被淘汰，它自己就是一份值得阅读的失败档案。

本节要点回顾

• 两种抽象：药效团给出可读的相互作用模板，QSAR 给出可排序的预测值；一个定性一个定量，常配合使用。
• 五条纪律：分层切分、报 q²、外部测试、适用域、不外推——QSAR 的可信度全在纪律里。
• 三级漏斗：规则初筛淘汰明显不合格、药效团粗排淘汰特征不符、对接精筛淘汰姿态冲突；数量级逐级坍缩。
• 多样性挑选：顶层高打分加骨架代表，化学型的篮子风险要用组合选择对冲。
• 数据卫生：活性档案先统一测定体系与单位，负样本保留入库。

已知分子的世界里捞完了，新骨架从哪里来？下一节让生成模型亲手造分子，再用 ADMET 双闸把守出口。