Harmonic Torsional Diffusion for Protein-Ligand Flexible Docking

技术摘要：用于蛋白质-配体柔性对接的调和扭转扩散模型 (Harmonic Torsional Diffusion)

问题陈述
分子对接需要对配体构象和蛋白质柔性进行联合推理。虽然近期的扩散模型推动了该领域的发展，但大多数模型在预测扭转更新时使用通用的欧几里得头部（Euclidean heads），忽略了角度变量的周期性几何结构。这种不匹配在柔性对接中尤其具有局限性，因为配体构象与口袋侧链需要协同演化以形成结合复合物。现有的深度学习方法通常依赖于基础的黎曼生成机制，无法利用构象自由度中固有的丰富几何结构，特别是源于 $\chi$ 二面角旋转的蛋白质侧链离散旋转异构态（rotameric states）。

方法论：Harmony
作者引入了 Harmony，这是一个调和扭转扩散框架，旨在解决这些几何不匹配问题。其核心创新在于将配体和侧链的扭转得分场（score fields）参数化为圆周上学习到的调和势能（harmonic potentials）的导数，而非直接预测角度更新。

1. 环面上的方差爆炸（VE）扩散： 该方法采用了 VE-SDE 框架，其中前向加噪过程在环面上表现为热流（heat flow）。对于圆周 $\mathbb{T}$ 上的扭转角 $\vartheta$，噪声以包裹高斯（wrapped Gaussian）的形式施加。作者证明了这一过程与环面上的热核（heat kernel）一致，满足一个具有随时间变化的扩散系数的热方程。
2. 调和参数化： 利用热半群（heat semigroup）在傅里叶基（圆上 Laplace-Beltrami 算子的特征函数）上是对角化的特性，Harmony 使用有限傅里叶展开来表示扭转得分场：
   $$\psi_e(\vartheta) = \sum_{k=1}^K [a_{e,k} \cos(k\vartheta) + b_{e,k} \sin(k\vartheta)]$$
   模型通过神经网络预测调和系数 ($a, b$)。随后，通过对角度进行微分，可以解析地导出得分场。
3. 频率感知归纳偏置： 热半群阻尼因子 $\exp(-\frac{1}{2}k^2\sigma^2(\lambda))$ 被显式地构建在得分函数中。这确保了高频角度结构在高噪声水平下被抑制，并随着噪声水平降低（$\lambda \to 0$）而逐渐重新显现。这种构造使周期性变得显式，并提供了针对旋转异构运动的频率感知归纳偏置。
4. 架构： Harmony 利用了一个异质 SE(3)-等变图神经网络（基于 e3nn），处理配体原子、受体残基（C$\alpha$）以及结合口袋内的受体原子。该网络共同预测刚体得分（平移/旋转）以及配体扭转和柔性口袋侧链扭转的调和系数。

核心贡献

• 几何对齐： 本文提出将得分参数化与扩散过程的内在几何结构（即环面）相对齐，而不是强行将扭转角放入欧几里得空间。
• 解析得分公式： 通过使用调和势能，该方法推导出了一个解析得分函数，该函数自然地遵循扭转角的周期性以及对噪声水平的依赖性。
• 联合建模： 该框架能够自然地模拟配体构象与蛋白质侧链取向之间的耦合关系，捕捉对于诱导契合（induced fit）至关重要的多频率运动特征。

结果
作者在 PDBBind 基准测试（使用 ESMFold 预测的 apo 结构）和 PoseBusters 集上对 Harmony 进行了评估。

• PDBBind 性能： Harmony 实现了 64.2% 的配体成功率（L-RMSD < 2 Å），较之近期柔性对接方法如 FlexDock (41.7%) 和 DiffDock-Pocket (32.4%) 有显著提升。它还将口袋全原子重建（AA-RMSD < 1 Å）从 41.7% 提高到了 47.3%。
• PoseBusters： 在测试物理有效性的 PoseBusters 基准上，Harmony 优于基线模型，在化学有效性、内部位阻减少和配体应变方面均表现出改进。
• 案例研究： 该方法在挑战性靶点上展示了鲁棒的行为：
  • EBNA1 (6NPP)： 在一个宽大的结合位点中成功维持了包围环结构，而基线模型在此处失败。
  • KRAS G12D (6GJ8)： 在一个浅且高度暴露的结合位点中恢复了准确的构象，而基线模型在此处产生了较大的构象误差。
• 消融实验： 实验证实，少量的调和模态（$K=4$）是最优选择，且显式的频率阻尼项对性能至关重要。此外，同时对配体和侧链应用调和学习比仅对其中之一应用能获得更好的结果，验证了联合表示的益处。

意义与主张
论文声称，其主要贡献在于证明了“将得分参数化与扩散过程的几何结构相对齐，是提升柔性对接性能的一个简单且有效的手段”。作者断言，尊重扭转运动的内在流形结构不仅是一个建模细节，更是实现准确扩散对接的关键要素。

结果表明，Harmony 在无需依赖其他方法（如 FlexDock）所需的辅助弛豫模块或后处理步骤的情况下，提高了配体构象精度和口袋重建质量。作者总结道，该方法为分子结合核心的特定自由度提供了一种自然的表示，从而带来了更高的结构有效性和物理合理性。源代码已公开，以促进进一步的研究。