Programming Biomolecular Interactions with All-Atom Generative Model

本文提出了名为 AnewOmni 的统一生成框架，该框架基于 500 多万个生物分子复合物训练，通过原子级组装和可编程图提示，成功实现了从化学小分子到生物大分子（如肽和纳米抗体）的跨模态功能设计，并在 KRAS G12D 和 PCSK9 等挑战性靶点上取得了显著成果。

要点

这篇论文介绍了一个名为 AnewOmni 的超级人工智能模型，它就像是一位**“全能分子建筑师”**。

为了让你更容易理解，我们可以把细胞里的生命活动想象成一场巨大的**“锁与钥匙”游戏**。

• 锁：是细胞里负责各种功能的蛋白质（比如 KRAS、PCSK9）。
• 钥匙：是我们需要设计的药物分子（小分子、肽、抗体等），它们必须形状完美才能插入锁孔，从而开启或关闭细胞功能。

过去，科学家设计不同类型的“钥匙”（比如设计小药丸、设计蛋白质药物）就像是在用完全不同的工具箱和不同的语言，彼此之间互不相通。

而 AnewOmni 的出现，彻底改变了游戏规则。以下是它的核心亮点：

1. 它是怎么工作的？（原子级的乐高积木）

想象一下，以前的设计模型像是在画整张图纸，或者只关注大概的轮廓。
AnewOmni 则像是一个精通所有“原子级乐高积木”的大师。

• 它把小分子、蛋白质、DNA 等所有生物分子，都拆解成了最基础的“原子积木块”。
• 它学习了超过 500 万 种真实的“锁与钥匙”结合案例（就像看了 500 万本教科书）。
• 它不再区分这是“小药丸”还是“大蛋白”，而是把它们都看作是由原子组成的3D 结构。它学会了这些积木块之间通用的物理和化学规则（比如怎么吸在一起，怎么排斥）。

比喻：以前，造房子（设计小药）和造大桥（设计大蛋白）是两拨人，用不同的图纸。现在，AnewOmni 是同一个超级建筑师，它知道无论是造小房子还是大桥梁，核心的力学原理（原子间的相互作用）是相通的。

2. 它的超能力：可编程的“魔法指令”

这个模型最酷的地方在于，你可以像给 AI 下**“魔法指令”**一样控制它的设计过程。

• 想要环状结构？ 告诉它：“把首尾连起来！”（就像把一条项链扣上）。
• 想要特殊的化学键？ 告诉它：“这里必须加一个硫磺桥！”
• 想要从现有的骨架上长出新东西？ 告诉它：“保留这部分，把另一部分往深处延伸！”

比喻：以前的设计像是“盲盒”，扔进去一个目标，出来什么看运气。现在，你可以给 AnewOmni 一张**“定制菜单”**，它不仅能做，还能严格按照你的口味（化学结构、形状、大小）来烹饪。

3. 它做到了什么惊人的事？（实战演练）

论文里展示了两个真实的“战场”测试，证明它真的能干活：

战场一：攻克“癌症之王”KRAS

KRAS 是一个著名的“坏蛋”蛋白，导致很多癌症，但它表面太光滑，很难找到地方下手（被称为“不可成药”）。

• AnewOmni 的表现：它同时派出了三路人马去攻击同一个弱点：
  1. 小分子（像微型导弹）：设计出了全新的化学结构，以前没人见过，成功抑制了癌细胞。
  2. 肽（像短绳）：设计出了能卡住锁孔的短链。
  3. 纳米抗体（像微型钩子）：设计出了能精准抓住坏蛋的微型蛋白。
• 结果：在没有大规模筛选的情况下，它设计的分子很多都真的有效！特别是纳米抗体，成功率高达 75%。

战场二：降胆固醇的 PCSK9

这是一个负责调节胆固醇的蛋白，我们需要阻止它工作。

• AnewOmni 的表现：
  1. 正攻法：设计肽直接堵住它的嘴（正位结合）。
  2. 侧攻法（绝活）：它甚至发现了一个以前没人注意到的“后门”（变构位点），并设计了一种小分子去攻击这个后门。
• 结果：这种小分子不仅结合了，而且通过细胞实验证明，它能像药物一样有效降低胆固醇。更神奇的是，科学家后来用 X 光晶体衍射（相当于给分子拍高清 CT）验证，AI 设计的形状和真实结合的形状几乎一模一样（误差只有 0.92 埃，比头发丝还细得多）。

4. 为什么这很重要？（未来的意义）

• 打破界限：它证明了，无论分子大小，只要掌握了底层的物理规律，就能用同一个大脑去设计。
• 从“试错”到“创造”：以前设计新药像是在大海捞针，需要试成千上万个。现在，AI 能直接“生成”出最有可能成功的分子，大大缩短了研发时间。
• 探索未知：它能设计出人类从未想过的化学结构（比如非天然的氨基酸），甚至在没有足够数据的情况下（比如针对 RNA 病毒），也能靠推理设计出有效的药物。

总结

AnewOmni 就像是药物研发领域的“通用人工智能（AGI）”雏形。
它不再是一个只会模仿的“复印机”，而是一个懂得物理原理、能举一反三的“创造者”。它告诉我们：未来，只要给 AI 一个目标（比如“我要治这个病”），它就能自动从原子层面开始，为你“打印”出各种形态（小药丸、大蛋白、特殊结构）的完美药物。

这不仅是技术的进步，更是人类探索生命奥秘方式的一次范式转移。

技术摘要

这是一篇关于AnewOmni的学术论文摘要，这是一个统一的、基于全原子（All-Atom）的生成式基础模型，旨在通过原子分辨率的构建模块组装，实现跨分子模态（小分子、肽、抗体/纳米抗体等）的生物分子相互作用编程与设计。

以下是对该论文的详细技术总结：

1. 研究背景与问题 (Problem)

• 核心挑战：生物分子相互作用是细胞生命活动的核心，涵盖从小分子到核酸和蛋白质等多种模态。然而，现有的设计策略通常将不同模态（如小分子、肽、抗体）视为独立的问题，使用不同的表示方法、规则和协议。这种分割反映了化学和生物技术的历史分歧，而非分子识别的基本物理机制。
• 现有局限：
  • 大多数生成式模型依赖于特定模态的表示（如小分子用原子，蛋白质用氨基酸残基），限制了跨模态的泛化能力。
  • 现有方法难以处理训练数据分布之外的非典型化学结构（如非 canonical 氨基酸、环状支架、翻译后修饰等）。
  • 像 AlphaFold3 这样的模型虽然在结构预测上表现优异，但在生成式分子设计（Generative Molecular Design）方面仍显不足。
  • 缺乏一个统一的框架，既能保留原子级的相互作用物理原理，又能保留不同模态特有的结构先验（Structural Priors）。

2. 方法论 (Methodology)

AnewOmni 是一个在超过 500 万个生物分子复合物上训练的全原子生成式基础模型。其核心架构包括：

• 统一表示与原子块分解 (Atom-to-Block Decomposition)：
  • 将不同模态的原子组织成具有化学意义的“构建块”（Building Blocks）。
  • 标准单元（如氨基酸、核苷酸）被保留；小分子和非标准氨基酸被分解为从 ChEMBL 挖掘的频繁片段（Fragments）。
  • 这种表示法平衡了原子级分辨率和结构化化学先验。
• 全原子变分自编码器 (All-Atom VAE)：
  • 建立全原子几何结构与低维块级潜在空间（Latent Space）之间的可逆映射。
  • 通过上下文感知的嵌入，将原子压缩为包含局部原子结构和环境的潜在点云。
• 潜在空间扩散模型 (Latent Diffusion Model)：
  • 在压缩的潜在空间中执行扩散过程，生成合理的潜在点云。
  • 该过程同时保留了可迁移的原子相互作用几何形状和启发式结构先验。
  • 推理时，生成的潜在点通过 VAE 解码回全原子几何结构。
• 可编程图提示 (Programmable Graph Prompts)：
  • 引入基于图的提示机制，允许用户在生成过程中显式控制化学组成、拓扑结构和几何约束。
  • 约束通过化学图或空间坐标作为节点级或边级提示注入，支持：
    • 肽环化（二硫键或头尾连接）。
    • 非 canonical 氨基酸（ncAA）的插入。
    • 共价相互作用设计。
    • 基于现有支架的分子生长（Fragment Growing）。
    • 连接子（Linker）设计。

3. 关键贡献 (Key Contributions)

1. 首个全尺度统一生成框架：AnewOmni 是首个成功在单一框架内实现从微小化学实体（小分子）到大型生物大分子（纳米抗体）功能分子设计的模型。
2. 跨模态迁移学习：证明了在不同分子模态之间迁移相互作用模式和物理约束的可行性。联合训练不仅没有降低单一模态的性能，反而通过共享物理原理提升了所有模态的生成质量。
3. 可编程性与灵活性：通过图提示机制，实现了对化学、拓扑和几何约束的细粒度控制，能够设计训练数据中未见的非典型化学结构。
4. 零样本泛化能力：模型在未见过 RNA/DNA/糖基化位点等数据的情况下，仍能生成具有结合能力的分子，展示了强大的泛化性。

4. 实验结果 (Results)

A. 计算基准测试 (In Silico Benchmarks)

• 性能超越：在小分子、肽和抗体的生成任务中，AnewOmni 在物理合理性、结合能和相互作用保真度等指标上均优于现有的特定模态 SOTA 模型。
• 交互模式迁移：跨模态训练使得小分子和抗体能学习到更多样化的相互作用模式（如小分子更多地利用疏水相互作用，类似抗体）。
• 零样本预测：在未见过的 RNA-小分子结合数据集上，模型仅凭生成似然（Generative Likelihood）就能区分结合与非结合对（AUC = 0.7765），证明了其强大的泛化能力。
• 大分子生成：模型能够生成分子量远超传统小分子范围（>400 Da）的分子，且保持高物理有效性。

B. 湿实验验证 (Experimental Validation)

研究团队在两个极具挑战性的靶点上进行了实验验证：

1. KRAS G12D (Switch II 口袋)

• 背景：KRAS G12D 是著名的“不可成药”靶点，结合口袋浅且缺乏深口袋。
• 小分子：设计了全新骨架的小分子（与已知抑制剂 MRTX1133 相似度仅 0.12-0.15）。3 个合成化合物中，2 个显示出抑制活性（IC50 分别为 24 µM 和 36 µM）。
• 肽：设计了线性和环状肽。线性肽成功率为 23%（IC50 低至 2.37 µM），环状肽成功率为 35%（IC50 低至 11 µM）。环状肽的成功证明了模型对训练数据中不存在的拓扑结构的编程能力。
• 纳米抗体 (Nanobody)：结合 AlphaFold3 进行筛选，成功率为 75%（基于 scRMSD 过滤）或 33%（基于似然筛选）。最佳结合剂 Kd 达到 587 nM。

2. PCSK9 (正构与变构抑制)

• 正构肽设计：针对 PCSK9 与 LDLR 相互作用界面设计肽。7 个合成肽中，4 个结合（Kd < 10 µM），成功率 57%，最佳 Kd 为 3.19 µM。
• 变构小分子设计：利用 AlphaFold3 预测发现了一个隐蔽的变构口袋（位于 C 端结构域）。AnewOmni 设计了靶向该口袋的小分子。
  • 晶体结构验证：合成的 PCSK9-compound-3 与 PCSK9 共结晶，实验测得的结合构象与模型预测的构象高度一致，RMSD 仅为 0.92 Å。
  • 功能验证：细胞实验显示，该小分子能有效抑制 PCSK9 分泌，从而上调 LDLR 表达，效果与临床阶段药物 AZD0780 相当。

5. 意义与展望 (Significance)

• 范式转变：AnewOmni 证明了通过适当的表示粒度（原子级构建块），跨模态的联合生成训练可以带来相互的性能增益和超越训练分布的泛化能力。
• 通用分子推理引擎的基石：该工作推动了从特定模态的流水线向通用分子推理引擎的转变，使得在数据稀缺和人类直觉有限的领域（如非典型化学、隐蔽口袋）进行分子设计成为可能。
• 药物发现加速：通过低通量验证即获得高成功率（23%-75%），表明该框架能显著减少传统高通量筛选的需求，加速先导化合物的发现。

总结：AnewOmni 通过统一原子级表示和可编程生成机制，成功打破了小分子、肽和生物大分子设计的壁垒，不仅在计算指标上领先，更在多个高难度靶点的湿实验中取得了突破性成果，特别是其原子级预测的高精度（RMSD < 1 Å）为基于结构的药物设计树立了新的标杆。