Learning Universal Representations of Intermolecular Interactions with ATOMICA

本文介绍了 ATOMICA，一种基于几何深度学习的通用模型，它通过训练超过 200 万种复合物数据，成功构建了涵盖蛋白质、小分子、金属离子、脂质和核酸五种模态的原子级相互作用表示，并在结构功能预测、暗蛋白质组配体发现及实验验证中展现出卓越性能。

要点

这篇论文介绍了一个名为 ATOMICA 的人工智能模型，它就像是一个**“分子世界的超级翻译官”和“万能拼图大师”**。

为了让你更容易理解，我们可以把生物体内的化学反应想象成一场盛大的**“宇宙舞会”**。在这个舞会上，不同的分子（蛋白质、药物、DNA、金属离子等）需要互相认识、牵手、拥抱，才能完成生命活动（比如治病、传递信号）。

1. 以前的模型像什么？

以前的 AI 模型有点像**“单科状元”**：

• 有的只懂蛋白质（像只认识穿西装的人）。
• 有的只懂药物（像只认识穿运动服的人）。
• 有的只懂DNA（像只认识穿校服的人）。

如果让“蛋白质专家”去分析“药物和 DNA 的互动”，它往往就懵了，因为它没学过这种跨界的语言。而且，很多复杂的互动（比如蛋白质和金属离子的结合）因为数据太少，这些“单科状元”根本学不会。

2. ATOMICA 是什么？

ATOMICA 是一个**“全能型外交官”。它不再只盯着某一种分子看，而是直接观察“分子们握手的地方”**（也就是界面）。

• 核心能力：它学习了超过 200 万 种不同的分子互动案例。无论是蛋白质抱蛋白质、药物抱蛋白质、还是金属离子抱 DNA，它都见过。
• 它的视角：它不看分子“长什么样”（比如是圆是方），而是看它们**“怎么接触”**。就像它不看你是穿西装还是穿运动服，而是看你们握手时手掌的温度、力度和角度。

3. 它是如何学习的？（两个小游戏）

为了学会这种“万能语言”，科学家给 ATOMICA 设计了两个训练游戏：

1. “蒙眼复原”游戏（去噪）：把两个分子的位置稍微打乱（比如旋转一下、扭动一下），让 ATOMICA 猜它们原本是怎么完美契合的。这让它学会了分子之间的空间几何关系。
2. “猜猜我是谁”游戏（掩码预测）：把分子界面上的某一块（比如一个氨基酸或药物片段）遮住，让 ATOMICA 根据周围的环境猜出这块是什么。这让它学会了化学性质。

通过这两个游戏，ATOMICA 建立了一个**“通用思维空间”**。在这个空间里，所有分子都被转化成了数字代码（向量）。神奇的是，性质相似的分子，在这个空间里的距离就很近，哪怕它们属于完全不同的类别。

4. 它有什么超能力？（实际应用）

A. 破解“暗物质”蛋白的密码

人体里有很多蛋白质，科学家知道它们长什么样，但完全不知道它们是干什么的，这些被称为**“黑暗蛋白质”**（Dark Proteome）。

• ATOMICA 的做法：它看着这些“黑暗蛋白质”的口袋形状，就能猜出：“嘿，这个口袋长得像专门用来抓‘血红素’（一种重要的辅因子）的！”
• 结果：它成功预测了 2600 多个黑暗蛋白质的功能，并且科学家在实验室里真的验证了其中 5 个，发现它们确实能结合血红素！这就像是一个侦探，仅凭脚印就猜出了嫌疑人的职业，并且抓到了真凶。

B. 药物设计的“指南针”

在寻找能阻断蛋白质互动的药物（抑制剂）时，ATOMICA 能帮大忙。

• 比喻：想象蛋白质 A 和蛋白质 B 正在谈恋爱（相互作用）。我们要找一种药（抑制剂）来拆散它们。
• ATOMICA 的作用：它能发现，虽然药物和蛋白质 B 长得完全不一样，但在“拥抱的姿势”上，药物和蛋白质 B 非常像。这意味着药物能精准地插进去，把原来的“情侣”挤走。

C. 超越现有的 AI

在测试中，ATOMICA 在预测 RNA 功能和蛋白质结合位点方面，表现比很多专门针对单一任务训练的大模型还要好，而且它只需要很少的计算资源（参数少），却能达到和那些“巨无霸”模型（参数量大几十倍）一样的效果。

总结

ATOMICA 就像是一个通晓所有分子方言的翻译官。它不再把蛋白质、药物、DNA 看作孤立的个体，而是把它们看作一个互动的整体。

• 以前：我们要为每种互动单独造一个翻译机。
• 现在：ATOMICA 造了一个万能翻译机，只要把分子的结构给它，它就能告诉你它们会怎么互动、有什么功能，甚至能帮我们发现那些被遗忘在“黑暗”中的生命秘密。

这项技术为未来设计新药、理解生命机制打开了一扇全新的大门。

技术摘要

这篇论文介绍了一种名为 ATOMICA 的新型几何深度学习模型，旨在学习跨多种分子模态的分子间相互作用（Intermolecular Interactions）的通用表示。以下是该论文的详细技术总结：

1. 研究背景与问题 (Problem)

• 现有模型的局限性： 目前的分子表示学习模型通常存在两种局限：
  1. 单模态关注： 大多数模型（如蛋白质语言模型、小分子编码器）专注于单一实体（如仅蛋白质或仅小分子），忽略了配对相互作用伙伴作为主要预训练信号，导致不同模态间的相互作用特征无法对齐。
  2. 特定任务训练： 现有的相互作用模型通常针对特定的模态对（如蛋白质 - 蛋白质、蛋白质 - 配体）构建，缺乏通用性。扩展到新模态往往需要重新设计编码器和监督信号。
• 核心挑战： 分子相互作用（如酶催化、药物结合）本质上是由原子在空间中的排列和非共价相互作用决定的。如何构建一个基于 3D 界面几何和局部化学特征的通用模型，能够跨越蛋白质、小分子、金属离子、脂质和核酸等多种模态，是一个未解决的关键问题。

2. 方法论 (Methodology)

A. 数据集构建

• 数据来源： 整合了剑桥结构数据库 (CSD) 和蛋白质数据库 (PDB) 中的 Q-BioLiP 数据。
• 规模： 包含 2,037,972 个相互作用复合物。
• 模态覆盖： 涵盖五种分子模态：蛋白质、小分子、金属离子、脂质和核酸，共涉及八种相互作用类型（如蛋白 - 蛋白、蛋白 - 小分子、蛋白 -RNA 等）。
• 界面定义： 将距离另一分子 8 埃（Å）以内的原子定义为相互作用界面。

B. 模型架构：ATOMICA

• 核心设计： 一种全原子（All-atom）的几何图神经网络（GNN），采用 SE(3)-等变（Equivariant） 架构（基于 Tensor Field Networks）。
• 分层图表示： 为了捕捉原子级细节和高级化学结构，模型使用两层图结构：
  1. 原子层 (Atom-level)： 节点代表原子（元素类型 + 3D 坐标）。
  2. 块层 (Block-level)： 原子被分组为化学上有意义的“块”（如氨基酸、核苷酸、小分子功能基团）。
• 消息传递： 在分子内（Intramolecular）和分子间（Intermolecular）的边上进行消息传递，分别连接 k 个最近邻节点。
• 输出： 生成原子、块和整个复合物（图级）的多尺度嵌入（Embeddings）。

C. 自监督预训练目标

模型通过以下两个自监督任务进行预训练，无需人工标注：

1. 去噪 (Denoising)： 对复合物中的一个分子实体施加刚体 SE(3) 变换（旋转/平移）和随机二面角扰动，要求模型重构原始坐标。这迫使模型学习相对空间关系和局部化学环境，而非绝对坐标。
2. 掩码块身份预测 (Masked Block Identity Prediction)： 随机掩码界面处的化学块，要求模型预测其身份。这类似于 BERT 在 NLP 中的掩码语言建模，用于学习化学特征。

3. 主要贡献 (Key Contributions)

1. 首个跨模态相互作用表示模型： ATOMICA 是第一个能够统一学习蛋白质、小分子、离子、脂质和核酸之间相互作用的几何深度学习模型。
2. 共享潜在空间： 模型学习到的潜在空间能够反映不同分子类别间共享的物理化学特征，实现了跨模态的零样本（Zero-shot）迁移。
3. 可解释性工具 (ATOMICA SCORE)： 提出了一种基于掩码的评分机制，用于量化界面中特定残基对相互作用的贡献，能够零样本识别关键接触残基。
4. 暗蛋白质组（Dark Proteome）应用： 利用该模型为缺乏功能注释的“暗蛋白质”口袋预测配体（离子/辅因子），并进行了实验验证。

4. 实验结果 (Results)

A. 基准测试性能

• RNA 任务 (RNAGlib)： 在四个 RNA 结构 - 功能基准任务（蛋白结合位点预测、小分子结合位点预测、RNA 功能注释、口袋配体识别）中，ATOMICA 均取得了最佳性能，超越了现有的 RNA 结构编码器和 RNA 语言模型。
• 蛋白口袋配体分类 (MaSIF-ligand)： 在预测蛋白口袋结合的 7 种常见小分子任务中，ATOMICA 超越了现有的专用口袋编码器（如 MaSIF），性能与大型蛋白质语言模型（如 ESM-2, ESM-3, ProstT5）相当，但参数量仅为 750 万（远小于百亿级 PLM）。

B. 跨模态泛化能力

• 缩放定律 (Scaling Laws)： 实验表明，在多模态数据上预训练显著提升了在低数据模态（如蛋白-DNA、蛋白-RNA）上的表现。例如，在蛋白-DNA 界面上，多模态预训练将掩码块预测的 AUPRC 从 0.24 提升至 0.71（提升 190%）。
• 正交 PPI 抑制剂分析： 在共享嵌入空间中，正交 PPI 抑制剂（小分子）的嵌入与天然蛋白 - 蛋白界面的嵌入高度相似。实验证明，抑制剂嵌入相似度高的区域，在 3D 结构上确实靠近天然结合位点。

C. 暗蛋白质组与实验验证

• 预测： 对 33,482 个暗蛋白质簇中的 2,646 个口袋进行了配体预测。
• 实验验证： 针对预测的血红素（Heme）结合蛋白，选取了 9 个候选者进行重组表达和光谱分析。
• 结果： 5 个候选蛋白被实验证实具有血红素结合能力（通过 Soret 带红移确认）。
  • 特别值得注意的是，其中一个候选蛋白 (V5BF69) 不包含典型的 CXXCH 血红素结合基序，但 ATOMICA 仅基于 3D 口袋几何结构成功预测了其结合能力，展示了模型超越序列基序的几何推理能力。

5. 意义与展望 (Significance)

• 统一表示学习： ATOMICA 证明了基于界面几何的预训练可以构建统一的生物分子相互作用表示，打破了传统模型按模态分割的局限。
• 知识迁移： 通过共享嵌入空间，模型能够将高数据模态（如蛋白 - 蛋白）学到的知识迁移到低数据模态（如蛋白 - 核酸），解决了结构数据库中某些相互作用类型数据稀缺的问题。
• 药物发现与功能注释： 该模型为“暗蛋白质组”的功能注释提供了强有力的工具，能够预测未知的结合位点和配体，加速了新药靶点的发现。
• 未来方向： 论文指出，结合序列信息（进化信息）与结构信息（ATOMICA 的几何表示）的联合预训练可能是未来的重要方向，以进一步提升在蛋白质口袋配体分类等任务上的性能。

总结： ATOMICA 是一个基于几何深度学习的通用模型，通过大规模多模态相互作用数据的自监督预训练，成功构建了跨物种、跨分子类型的统一相互作用表示空间。它在多个基准测试中表现出色，并成功指导了实验发现，为理解分子相互作用和药物设计开辟了新途径。