Learning the All-Atom Equilibrium Distribution of Biomolecular Interactions at Scale

本文提出了名为 AnewSampling 的生成式基础框架，该框架利用包含超过 1500 万构象的大规模自构建数据库及新颖的商空间生成方法，首次实现了在原子级别上对生物分子相互作用平衡分布的高保真采样，其性能显著超越现有生成式方法并有效克服了传统分子动力学在采样耦合运动方面的局限。

要点

这篇论文介绍了一个由字节跳动（ByteDance）AI 药物研发团队开发的名为 AnewSampling 的突破性人工智能模型。

为了让你轻松理解，我们可以把药物研发想象成在茫茫大海中寻找一把能完美打开特定锁孔（疾病靶点）的钥匙（药物分子）。

以下是用通俗语言和生动比喻对这篇论文的解读：

1. 以前的难题：只拍“定妆照”，不懂“动态舞”

在以前，像 AlphaFold 这样的超级 AI 模型，就像一位顶级的静态摄影师。它能非常精准地给蛋白质（锁孔）和药物分子（钥匙）拍一张高清的“定妆照”，告诉你它们静止时长什么样。

但是，现实世界是动态的：

• 蛋白质不是僵硬的石头，它们像跳舞的人，一直在扭动、呼吸、变形。
• 药物分子也不是死板的积木，它们在结合过程中会不断调整姿势。
• 传统的模拟方法（分子动力学，MD） 就像是用慢动作摄像机去记录这场舞蹈。虽然准确，但太慢了！要拍完一场完整的舞蹈，可能需要超级计算机跑几个月甚至几年，这在药物研发中根本来不及用。
• 以前的 AI 模型 要么只能拍静态照片，要么虽然能猜几个动作，但猜出来的动作不符合物理规律（比如人突然瞬移了），或者只能猜出一种姿势，猜不出所有可能的舞蹈动作。

2. 新方案：AnewSampling —— 一位“懂物理的舞蹈编排大师”

AnewSampling 的出现，彻底改变了游戏规则。它不再只是拍照片，而是一位能瞬间生成无数种真实舞蹈动作的“大师”。

• 核心能力： 它不仅能生成蛋白质和药物结合的“照片”，还能生成它们所有可能的动态姿势（平衡分布）。它生成的每一个动作，都严格符合物理定律，就像真的在跳舞一样。
• 数学魔法（商空间生成）： 想象一下，如果两个人跳舞，他们一起转圈（整体移动）其实不重要，重要的是他们相对彼此的手怎么牵、脚怎么踩。AnewSampling 发明了一种数学方法，自动忽略那些无意义的“整体转圈”，只专注于学习“牵手和踩脚”的微妙细节。这让它的预测既准确又高效。
• 海量训练数据： 为了学会跳舞，它看了1500 万张由超级计算机模拟出来的“舞蹈视频”（蛋白质 - 药物轨迹数据）。这是目前人类拥有的最大规模的此类数据库。

3. 它有多厉害？（三大成就）

A. 它是“全能冠军”

在测试中，AnewSampling 在预测蛋白质如何扭动、变形方面，全面碾压了之前所有的 AI 模型。

• 比喻： 如果以前的模型是只会做广播体操的机器人，AnewSampling 就是能跳出各种高难度街舞、芭蕾、现代舞的艺术家，而且跳得和真人（真实物理模拟）一模一样。

B. 它能捕捉“微妙的化学反应”

药物研发中，给药物分子加一个小小的甲基（就像给钥匙加个小齿），可能会让锁孔（蛋白质）的形状发生巨大变化。

• 比喻： 以前的模型像是一个死板的模具，不管你怎么改钥匙，它都以为锁孔还是原来的样子。AnewSampling 则像有灵性的橡皮泥，它能敏锐地感觉到：“哦，钥匙变了，锁孔为了配合它，悄悄把形状调整了一下。”它能精准预测这种细微的“诱导契合”。

C. 它能“穿越高墙”（增强采样）

这是最惊人的地方。在真实的物理模拟中，有些舞蹈动作（药物结合模式）因为能量太高，就像被一堵高墙挡住了，普通摄像机（传统模拟）根本拍不到，只能拍到墙这边的动作。

• 比喻： AnewSampling 虽然只看了墙这边的视频，但它学会了物理规律的本质。它不仅能看到墙这边，还能直接“瞬移”到墙那边，发现那些被传统方法遗漏的、极其重要的结合姿势。
• 案例： 在 CDK2（一种抗癌靶点）的测试中，它成功发现了两种截然不同的结合方式，而传统模拟只能看到其中一种。这意味着它能帮科学家发现以前看不见的“新钥匙”。

4. 这意味着什么？（对未来的影响）

• 速度飞跃： 以前需要超级计算机跑几个月的模拟，现在 AnewSampling 几秒钟就能生成同样质量的“舞蹈视频”。
• 降低成本： 药物研发不再需要盲目地试错。科学家可以先用 AnewSampling 快速筛选出成千上万种可能的药物形态，找出最有希望的几个，再去进行昂贵的实验验证。
• 设计更精准： 它能帮助科学家设计出更灵活、更适应人体环境变化的药物，提高治愈率，减少副作用。

总结

AnewSampling 就像是给药物研发装上了一双**“透视动态的眼睛”**。它不再把生命分子看作静止的雕像，而是看作充满活力的舞者。它用 AI 的速度，还原了自然界最真实的物理规律，让科学家能以前所未有的速度和精度，去设计拯救生命的药物。

简单来说：以前我们只能看“定妆照”猜药效，现在 AnewSampling 让我们能直接看“高清连续剧”，看清药物和病毒是如何在微观世界里“跳舞”互动的。

技术摘要

这是一份关于 ByteDance AI Drug Discovery 团队发布的论文《Learning the All-Atom Equilibrium Distribution of Biomolecular Interactions at Scale》（大规模学习生物分子相互作用的全原子平衡分布）的详细技术总结。

1. 研究背景与问题 (Problem)

• 核心挑战： 生物分子的功能不仅取决于静态结构，更由动态的构象系综（conformational ensembles）决定。现有的模型（如 AlphaFold 系列）在预测静态基态结构方面取得了革命性突破，但难以准确捕捉全原子尺度的平衡分布。
• 现有方法的局限性：
  • 分子动力学 (MD)： 虽然 MD 是研究生物分子动力学的金标准，但其计算成本极高（需要飞秒级时间步长），难以在药物发现的高通量流程中广泛应用，且容易陷入局部能量极小值。
  • 现有生成式 AI 模型：
    • 基于轨迹过渡的模型（如 TimeWarp）难以保证统计收敛性，且对初始帧敏感。
    • 基于平衡分布学习的模型（如 BioEmu）通常简化了化学表示（仅关注主链），忽略了侧链和配体，从而丢失了驱动药物结合的关键原子相互作用。
    • 部分全原子模型（如 Boltz2）存在训练目标与采样过程之间的数学不一致性，导致无法准确恢复真实的平衡系综，常出现模式坍塌（mode collapse）。
• 关键问题： 是否存在一个可迁移的生成式框架，能够在全原子水平上忠实还原 MD 的收敛平衡分布，并具备严格的评估指标来量化原子相互作用？

2. 方法论 (Methodology)

作者提出了 AnewSampling，这是一个专为生物分子复合物全原子平衡分布采样设计的可迁移生成基础框架。

• 数据基础 (AnewSampling-DB)：

  • 构建了迄今为止最大的蛋白质 - 配体轨迹数据库，包含超过 1500 万 个构象。
  • 涵盖 10,297 个独特的蛋白质序列和 27,979 个独特的配体 SMILES。
  • 数据源自 PDBBind、ChEMBL、JACS & Merck 等，通过统一的力场和 REMD（副本交换分子动力学）增强采样流程生成，确保物理一致性。

• 模型架构：

  • 基础架构： 基于预训练的 AlphaFold3 类架构（包含输入嵌入器、MSA 模块和 Pairformer 堆栈）。
  • 混合微调策略：
    • 序列表示模块： 使用低秩适应（LoRA）进行微调，保留预训练的几何推理能力，防止灾难性遗忘。
    • 扩散模块 (Diffusion Module)： 进行全参数微调，以适应从确定性结构预测到随机分布采样的范式转变。
  • 商空间扩散 (Quotient-space Diffusion)： 核心创新点。通过数学因子分解去除刚体自由度（平移和旋转），将生成过程约束在内部形状流形上。这解决了基于对齐训练的数学不一致性问题，确保了玻尔兹曼分布的精确恢复。
  • 基于聚类的模板引导 (Cluster-Based Template Guidance)： 为了模拟遍历性（ergodicity），从不同的构象聚类中随机采样和扰动模板结构，强制模型从任意有效初始状态出发，对平衡系综进行彻底探索。

• 评估策略：

  • 提出了多层次评估体系，包括配体构象（二面角分布）、蛋白质 - 配体相互作用模式（非共价键稳定性）和蛋白质内在动力学（RMSF）。
  • 使用严格的统计指标：JS 散度（配体二面角）、Wasserstein 距离（相互作用距离分布）、Spearman 相关系数（全局 RMSF）。

3. 关键贡献 (Key Contributions)

1. 首个全原子平衡分布生成模型： AnewSampling 是第一个能够在全原子水平上忠实还原 MD 平衡分布的生成模型，不仅包含主链，还精确建模了侧链和配体的动态。
2. 数学一致性与物理保真度： 引入“商空间扩散”框架，从数学上保证了训练和采样的一致性，解决了以往模型在对称性不变性处理上的缺陷。
3. 大规模高质量数据集： 发布了包含 1500 万构象的 AnewSampling-DB，覆盖了广泛的化学空间和蛋白质 - 配体相互作用类型。
4. 超越传统 MD 的增强采样能力： 模型在仅使用标准 MD 数据训练的情况下，展现出了“涌现”的增强采样能力，能够跨越高能垒，捕捉到传统 MD 在有限时间内无法到达的构象状态（如 CDK2 系统中的耦合运动）。

4. 实验结果 (Results)

• ATLAS 单体基准测试：

  • 在 ATLAS 数据集的 13 项评估指标中，AnewSampling 在所有指标上均优于现有的最先进生成式模型（如 BioMD, BioEmu, ESMFlow-MD 等）。
  • 在预测灵活性（Pairwise RMSD, RMSF）和分布准确性（Wasserstein 距离）方面表现最佳，例如 Pairwise RMSD 的皮尔逊相关系数达到 0.85。

• 蛋白质 - 配体动态评估 (Held-out & In-house 数据集)：

  • 配体构象： 在配体二面角分布的 JS 距离上，AnewSampling 的中位数误差（0.2402）与 MD 基准（0.2251）几乎无法区分，远优于静态模型（~0.5）和 Boltz2。
  • 相互作用稳定性： 在蛋白质 - 配体相互作用距离的 Wasserstein 距离上，AnewSampling 中位数为 0.9931 Å，与 MD 基准（1.0561 Å）高度一致，显著优于共折叠模型（~2.0 Å）。
  • 全局动力学： 在蛋白质骨架 Cα RMSF 的 Spearman 相关系数上，AnewSampling 达到 0.8847（均值），成功率为 75%（rs ≥ 0.85），优于 MD 基准本身。

• SAR 系列与构象偏移 (JACS & Merck 数据集)：

  • 在 593 个复合物中，AnewSampling 成功捕捉了由微小化学修饰引起的结合口袋构象变化。
  • 在配体二面角采样成功率（JS ≤ 0.3）上达到 66%，接近标准 MD/REMD 水平，而静态模型几乎无法捕捉动态分布。

• 增强采样案例 (CDK2 系统)：

  • 1h1r 配体： 成功捕捉到苯环翻转的两个不同结合姿态，而传统 MD 被限制在单一势阱中。
  • 1h1s 配体： 成功恢复了配体磺酰胺基团旋转与口袋残基（Gln, Asp）侧链重排之间的耦合运动，这些关键氢键在传统 10ns MD 模拟中完全缺失，但在 REMD 和 AnewSampling 中均被准确重现。

5. 意义与影响 (Significance)

• 范式转变： 将药物设计从“静态结构预测”推向“动态系综感知设计（dynamics-aware design）”。
• 效率与可扩展性： 相比传统 MD，AnewSampling 提供了极高的计算效率，能够在进行昂贵的物理模拟之前快速探索复杂的构象景观。
• 工业应用价值： 能够准确预测诱导契合（induced fit）效应和侧链 - 配体耦合运动，这对于理解构效关系（SAR）、设计适应性抑制剂以及优化结合亲和力至关重要。
• 互补性： AnewSampling 与传统 MD 形成互补：MD 提供训练数据，而 AnewSampling 提供多样化的初始构象候选，帮助传统模拟跳出局部极小值，更高效地探索构象空间。

总结： AnewSampling 代表了生物分子动力学模拟领域的重大突破，它通过创新的数学框架和大规模数据训练，首次实现了全原子尺度上对生物分子平衡分布的高保真、可迁移生成，为加速药物发现和功能性生物分子设计提供了强有力的工具。