🤖 machine learning

TriGlue: a Biology-Inspired Generative Model for Generating Molecular Glue-Induced Ternary Complex

本文介绍了 TriGlue，这是一种受生物学启发的生成式框架，它通过将问题分解为界面估计和界面条件的三元复合物生成，从而同时预测蛋白质-蛋白质相互作用并生成新型分子胶降解剂，解决了设计分子胶降解剂中的计算挑战。

原作者： Yuliang Yan, Shuo Yan, Haochun Tang, Yiqin Sun, Enyan Dai

发布于 2026-07-27

📖 1 分钟阅读☕ 轻松阅读

原作者： Yuliang Yan, Shuo Yan, Haochun Tang, Yiqin Sun, Enyan Dai

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，人体就像一座繁忙的城市，蛋白质是其中的工人、建筑和红绿灯。有时，某个特定的工人（一个“靶蛋白”）会变得不守规矩，引发像疾病一样的混乱。为了修复这个问题，科学家们想要制造一种微小的、定制化的工具，能够悄无声息地潜入城市，找到那个不守规矩的工人，并说服一支清理小组（细胞天然的废物处理系统）将其清除。这就是靶向蛋白质降解的世界。

通常情况下，为了让清理小组抓住不守规矩的工人，你需要一台巨大且复杂的机器（药物）来在两者之间建立物理连接。但有时，大自然会使用一种更简单的技巧：“分子胶水”。把这种胶水想象成一张微小的、粘性的便签纸。它不需要是一台巨大的机器；它只需要同时粘在清理小组和不守规矩的工人身上，重塑它们的表面，使它们自然地粘在一起。一旦它们被胶合在一起，清理小组就会标记并销毁那个不守规矩的工人。问题在于，寻找或发明这些微小且完美的“便签纸”极其困难。在历史上，人类只发现了数百种，且大多是偶然发现，或是通过实验室中多年昂贵且混乱的试错过程得到的。它们就像大海捞针，而这片“大海”是由不断变化的隐形形状构成的。

正是在这里，一个名为 TriGlue 的新研究团队带着一种数字化的解决方案登场了。他们不再通过实验室进行盲目猜测，而是构建了一个受生物学启发的“计算机大脑”，从零开始设计这些分子胶水。论文指出，通过教计算机理解蛋白质如何运动和粘附，我们可以生成新的、有效的分子胶水，并精确预测它们将如何组装成这个“胶合”的三元组（清理小组、胶水和靶点）。他们的模拟结果表明，该方法在创建这些复杂结构方面优于以往的尝试，为加速这类强力药物的发现提供了一种充满前景的新途径。

问题所在：隐形的拼图

设计分子胶水就像是在尝试解决一个三维拼图，你既没有包装盒上的参考图，而且拼图碎片还在不断移动。在常规的药物设计中，科学家通常观察单个具有已知“口袋”（孔洞）的蛋白质，并尝试将药物放入其中。但分子胶水不同。它们通过创造一个新的表面来发挥作用，在这个表面上，原本互不理睬的两个蛋白质突然粘在了一起。

挑战在于，在加入胶水之前，这两个蛋白质是各自漂浮的。你不知道它们会在哪里接触，也不知道胶水需要什么样的形状才能将它们固定在那里。这是一个“鸡生蛋，蛋生鸡”的问题：你需要胶水来确定蛋白质在哪里相遇，但你也需要知道它们在哪里相遇才能设计出胶水。传统的计算机方法无法处理这个问题，因为它们是为观察单个蛋白质而设计的，而不是同时观察三个移动的部分。

解决方案：Tri-Glue 的两步舞步

作者提出了一个名为 TriGlue（意为“三元胶合”，即由三部分组成的胶水）的框架。他们将这个看似不可能完成的任务分解为两个易于管理的步骤，模拟了自然界可能实现的方式。

第一步：猜测相遇点（界面估计）
首先，计算机观察两个独立的蛋白质（清理小组和靶点），并尝试猜测如果存在胶水，它们可能会在哪里接触。由于实际的相遇点是不可见的，TriGlue 使用了一个巧妙的技巧。它想象了一个“虚拟界面”——一组在两个蛋白质之间漂浮的隐形点。为了确保这些点符合几何逻辑，模型将它们包裹在一个被称为椭球体（想象成一个略微扁平的球或蛋形）的数学形状中。这起到了 3-D 指路牌的作用，告诉计算机：“胶水很可能就在这个蛋形区域内的某个位置。”这一步还不会创造胶水，它只是在搭建舞台。

第二步：构建胶水并移动蛋白质（复合物生成）
一旦定义了“蛋形”的相遇区域，TriGlue 的第二部分就开始运作了。这是一个生成引擎，它同时做两件事：

设计胶水： 它创造出一个微小的分子，完美契合进那个虚拟区域。
移动蛋白质： 它计算如何精确地旋转和滑动这两个蛋白质，使它们围绕着新胶水紧密结合在一起。

作者使用了一种叫做**流匹配（Flow Matching）**的技术。想象一条河流，从混乱、杂乱的状态（随机噪声）流向平静、有序的湖泊（完美的药物结构）。模型学习这条河流的“水流”，引导随机噪声一步步演变成有效的分子胶水和稳定的蛋白质复合物。

研究发现

团队在包含超过 22,000 个真实三元结构案例的大型数据集（称为 TernaryDB）上测试了 TriGlue。他们将自己的结果与其他顶尖的 AI 方法进行了对比。

定位更准： 当计算机生成一个新的分子胶水时，TriGlue 能比其他方法更准确地将其放置在正确的位置。生成的胶水与“完美”位置之间的平均距离约为 5.22 埃（Angstroms，原子测量单位），是竞争对手中误差最低的。
粘附力更强： 生成的分子表现出能够与蛋白质紧密结合的强烈迹象，在预测的结合亲和力方面得分很高。
蛋白质对接更好： TriGlue 在确定如何移动两个蛋白质以固定胶水方面也表现得更好。它实现了 35.2% 的“成功率”（即蛋白质正确对接的比例），击败了排名第二的方法（其成功率仅为 30.8%）。
“蛋形”至关重要： 研究人员还测试了如果移除“椭球体”引导（蛋形）或修正蛋白质位置的步骤会发生什么。在没有这些的情况下，模型的表现显著下降：对接成功率降低，且分子的放置位置不够准确。这表明，“蛋形”引导对于帮助计算机理解几何问题至关重要。

核心启示

TriGlue 表明，通过将分子胶水设计的复杂问题分解为“猜测相遇点”和“在移动组件的同时构建胶水”，我们可以创造出更好的候选药物。这篇论文并不声称已经治愈了某种疾病或找到了新药；它展示的是，在计算机模拟中，这种受生物学启发的方案可以比现有方法更高效、更精准地生成化学有效的分子和合理的蛋白质结构。这是一个全新的工具箱，为以更高的速度和精度探索广袤且隐形的分子胶水世界提供了可能。

技术摘要：TriGlue

问题陈述

本文研究了分子胶降解剂（Molecular Glue Degraders, MGDs）的计算设计，这是一类通过在 E3 泛素连接酶、靶蛋白（POI）和小分子“胶水”之间形成三元复合物来诱导靶向蛋白降解的治疗药物。与通常假设在单个蛋白质上存在预定义结合口袋的传统基于结构的药物设计不同，分子胶的设计受控于一个未知的蛋白质-蛋白质界面。

核心挑战是一个三元复合物生成问题，该问题需要同时优化三个紧密耦合的部分：

小分子（配体）： 一种新型类药结构。
蛋白质-蛋白质界面： 配体介导两个蛋白质之间相互作用的具体几何区域。
刚体变换： 将未结合的靶蛋白和已结合的受体组装成连贯的三元复合物所需的旋转和平移。

现有的 AI 方法在很大程度上并不适用，因为它们侧重于二元蛋白质-配体结合或为已知配体预测结构，未能解决配体的 de novo（从头）设计及其与复合物组装的同步问题。

方法论：TriGlue

作者提出了 TriGlue，这是一个受生物学启发的生成式框架，它将复杂的复合物生成任务分解为两个耦合阶段：界面估计（Interface Estimation）和界面条件的复合物生成（Interface-Conditioned Complex Generation）。这种分解方式将计算过程与“胶水介导的界面引导复合物组装”这一生物学机制相对齐。

1. 受生物学启发的因子分解

该问题被公式化为一个条件分布 $p(C | R, \tilde{T})$ ，其中 $C$ 是三元复合物， $R$ 是结合的受体， $\tilde{T}$ 是未结合的靶蛋白。作者将其分解为：
$p(C | R, \tilde{T}) = p(I_R, I_{\tilde{T}} | R, \tilde{T}) \cdot p((R, M, T) | I_R, I_{\tilde{T}}, R, \tilde{T})$
其中 $I_R$ 和 $I_{\tilde{T}}$ 代表界面残基集合。

2. 界面估计模块

由于对于未结合的单体而言界面是未知的，TriGlue 推断出一个**全局虚拟界面（Global Virtual Interface）**并将其与几何先验对齐。

虚拟界面点： 模型通过使用 EGNN 编码的残基特征进行注意力加权聚合，将每个蛋白质映射到一组固定的 $K$ 个虚拟界面点。
椭球参数化对齐： 为了确保几何意义的合理性，预测点的分布被约束为与真实界面的椭球表示相匹配。这是通过最小化预测点与目标椭球之间的一阶矩（质心）和二阶矩（协方差）之间的差异来实现的。这提供了一个受几何约束的结构先验。

3. 界面条件的成分流网络（Interface-Conditioned Ternary Flow Network）

第二阶段使用**流匹配（Flow Matching）**框架，在估计的界面条件下，共同生成分子胶和刚体变换。生成过程被分解为三个独立的流：

刚体变换流 ( $p(R, t | \cdot)$ )： 预测对接靶蛋白所需的旋转和平移。它利用可微 Kabsch 模型根据虚拟界面生成初始变换，随后使用迭代细化模块在李代数空间（$SO(3) $和$ \mathbb{R}^3$）中预测残差更新。
坐标流 ( $p(x | \cdot)$ )： 生成配体原子的 3D 坐标。它首先使用预测的刚体变换对靶蛋白进行预对齐。然后采用双层消息传递网络来去噪坐标，从而捕捉配体内部的几何依赖性以及配体与两个蛋白质之间的相互作用。
原子类型流 ( $p(a | \cdot)$ )： 通过对概率单纯形进行连续流建模，预测配体原子的化学身份。

模型使用**不变点注意力（Invariant Point Attention, IPA）**编码器来创建受体、靶蛋白和配体的统一潜在表示，在确保对输入结构具有不变性的同时，捕捉相互作用。

核心贡献

新颖的问题形式化： 本文研究了分子胶诱导的三元复合物的 de novo 设计，这是一个有别于标准二元对接或单一蛋白质设计的独特问题。
受生物学启发的框架： TriGlue 将生成过程分解为界面估计和界面条件下的生成，模拟了胶水作用的生物学机制。
几何约束： 引入的椭球参数化界面提供了一个具有几何意义的先验，在不需要预定义结合口袋的情况下引导生成过程。
④. 统一的生成模型： 使用**三元流匹配（Ternary Flow Matching）**技术，实现了小分子的同步生成以及蛋白质对接位姿的预测。

实验结果

作者在 TernaryDB 数据集（包含 22,303 个三元复合物）上评估了 TriGlue，并使用了非重叠划分以防止数据泄露。

分子生成： TriGlue 生成的分子具有高度的化学有效性和良好的类药性（QED: 0.67）以及强大的预测结合亲和力。即使在没有获取结合口袋信息的情况下，其配体放置的**平均 RMSD（5.22 Å）**也低于 AR、TargetDiff 和 PocketXMol 等基准模型。
三元复合物重建： 在蛋白质对接质量方面（以 DockQ 衡量），TriGlue 实现了 35.2% 的成功率（DockQ > 0.23），优于 DeepTernary（30.8%），并展示了更稳健的结果分布，减少了长尾失败现象。
界面预测： 椭球界面估计模块在几何感知指标（JSD、Wasserstein-2 距离、Center-L2、LogDet 误差）上显著优于基准模型（PeSTo、ScanNet），证实了该模型捕捉高层界面几何结构的能力。
消融实验： 去除椭球先验或界面修正模块会导致对接性能大幅下降（例如，没有界面修正时，平均 DockQ 从 0.22 降至 0.15），验证了几何约束和修正机制的必要性。

重要性与主张

论文声称，TriGlue 展示了受生物学启发的生成模型在加速分子胶发现方面的潜力。通过显式建模未知的蛋白质-蛋白质界面并将配体生成与蛋白质对接相结合，该框架解决了计算药物设计中的一个关键空白。作者断言，其方法能够产生化学有效的分子和结构合理的三元复合物，为 AI 驱动的靶向蛋白降解提供了新的方向。这项工作强调，将复杂的生物学机制分解为可处理的生成子任务，是设计复杂治疗系统的可行策略。