技术摘要：ReliaMol-3D

问题陈述

基于口袋条件的三维（3D）分子生成器可以为特定受体产生大量的配体候选物。然而，在**后生成分选（post-generation triage）**阶段仍然存在一个关键瓶颈：即如何确定生成的候选池中哪些候选物在预期的受体坐标系内具有足够的可用性，从而证明其进行下游昂贵过程（如对接精修、合成规划或专家检查）的合理性。

现有的评估信号不足以支持这一特定决策：

• 仅限配体的指标（例如 QED、合成可及性）捕捉了化学上的理想性，但忽略了受体放置的位置。
• 对接评分（例如 Vina、GNINA）提供了类似于亲和力的估计，但可能与应变几何、碰撞或坐标不一致性并存。
• 物理有效性检查（例如 PoseBusters）验证了内部合理性，但无法对存活的候选物进行排序，也无法考虑受体特定的上下文环境。

核心挑战在于，如何在不将选择过程与亲和力预测混淆，且不将外部预言机（如对接评分）作为隐藏输入的情况下，根据计算受体框架下的可用性对固定的生成候选池进行排序。

方法论：ReliaMol-3D

ReliaMol-3D 是一个可审计、与生成器无关的后生成重排序工作流，旨在基于**无分数的证据（score-free evidence）**来优先处理候选物。该工作流将生成、选择和验证的角色进行了分离。

1. 坐标治理与审计

该工作流始于严格的受体坐标溯源审计。候选物是在精确的受体坐标系（具体为精确的 CrossDocked 重原子受体坐标）中进行评估的，而非近似的公开结构。这防止了坐标溯源错误被误认为是生成器的失败。

2. 无分数特征提取

主要模型使用一个由三个化学可解释家族衍生的 41 特征向量，明确排除了对接评分、生成器身份、直接失败指标和 PoseBusters 的结果：

• 配体化学： 分子量、logP、TPSA、QED、可旋转键数量、环计数、杂原子计数、形式电荷、稀有元素计数以及原子类型比例。
• 内部 3D 几何： 姿态原子计数、姿态半径以及最近邻距离分位数（5%–90%）。
• 配体-口袋上下文： 相对于受体口袋的配体与口袋最小距离分位数以及壳层占据比例（0–2Å, 2–4Å 等）。

3. 可靠性终点定义

目标变量是一个二元计算受体可靠性标签（$y_i$）。只有当候选物同时通过五个预设的失败指标时，才被视为可靠：

1. 化学有效性 ($z_{chem}$)
2. 内部几何合理性 ($z_{geom}$)
3. 口袋接触存在性 ($z_{pocket}$)
4. 无受体碰撞 ($z_{clash}$)
5. 合成复杂度限制 ($z_{syn}$)

该标签不同于结合亲和力或生物活性；它作为一个可审计的终点，用于衡量“在受体框架内的可用性”。

4. 重排序模型

• 主要模型 (RF-ReliaMol)： 一个随机森林分类器，用于预测通过可靠性标准的概率。它是透明、可重复的，并专为后生成分选设计。
• 变体： HGB-ReliaMol（直方图梯度提升），用于性能确认；MLP-ReliaMol 和 RCEF（可靠性校准证据融合），作为诊断模型来测试特征组的敏感性和校准度。
• 外部工具： 对接评分（Vina/GNINA）和 PoseBusters (PB) 被视为独立的对比基准或可选的严格资格门槛，而不是主要重排序器的输入。

5. 选择协议

候选物在每个口袋内根据预测的可靠性概率 ($\hat{p}_i$) 进行排序。选择一个固定预算的精选名单（例如前 10%）。可以应用可选的严格 PB 门控策略，即仅对通过 PB 检测的候选物进行重排序，若池中候选物不足则不进行回填。

关键结果

主要基准 (DiffSBDD)

在来自 100 个精确 CrossDocked 口体的 10,000 个候选物上进行评估：

• 可靠性： 在 10% 覆盖率下，RF-ReliaMol 实现了 0.9990 的前 10% 可靠性（在不同种子下标准差为零），而 QED/SA 基准为 0.9660。HGB-ReliaMol 达到了 0.9993。
• 消融实验： 增益主要由内部 3D 几何和配体-口袋上下文驱动。仅使用配体描述符时，可靠性提升至 0.9727，但加入口袋几何后提升至 0.9990。
• 鲁棒性： 模型在 20% 和 50% 覆盖率水平下保持高可靠性（0.9959–0.9988），并且在坐标扰动（0.25 Å）和噪声证据下保持稳定。

应力测试与迁移

• 生成器偏移： 在留出的 CVAE 生成器拆分集（以高失败率著称）上，RF-Relia的模型将可靠性从 0.7868 (Vina-minimize) 提升至 0.9800。
• 留出生成器测试： 在跨生成器评估中，RF-ReliaMol 实现了 0.9950 的可靠性，展示了其在不同生成器家族（TargetDiff, Pocket2Mol, AR）之间的可迁移性。
• 受控失败 (DUD-E)： 在注入了失败样本的 DUD-E 应力测试中，MLP-ReliaMol 的 ROC-AUC 达到 0.9981，显著优于 Vina (0.5966)。

化学实用性与多样性

ReliaMol 在提高可靠性的同时并未导致化学多样性坍塌：

• 骨架多样性： RF-ReliaMol 在每个口袋中保留了 9.88 个独特的 Murcko 骨架（相比之下，QED/SA 为 9.90）。
• 药物化学： 被选中的候选物保持了较高的 Lipinski/Veber 通过率和较低的 PAINS 警示率。
• PB 门控： 当结合严格的 PoseBusters 门控时，所选集合实现了 1.0000 的可靠性和 1.0000 的 PB 通过率。

重要性与主张

论文将 ReliaMol-3D 定位为一种注重可重复性的、角色分离的筛选层，而非新的分子生成器或亲和力预测器，用于基于结构的药物设计 (SBDD)。

1. 可审计的分选： 它定义了一个特定的“受体框架可靠性”终点，区别于亲和力，从而实现了候选物选择与下游验证之间的清晰分离。
2. 无分数证据： 通过从主要模型中排除对接评分和生成器身份，它防止了循环论证，并确保选择是基于可解释的化学和几何证据。
3. 生成器无关性： 该工作流在多种生成器家族（包括那些具有较高失败率的生成器，如 CVAE）中均有效，使其成为异构生成池的鲁棒过滤器。
4. 实用工作流： 它提供了一个具体的协议，用于在昂贵的重评分或合成之前优先处理候选物，弥合了高通量生成与专家检查之间的鸿沟。

作者得出结论，虽然现代生成器能产生看似合理的候选物，但解决下游瓶颈——即选择可用子集的关键——在于一个专门的、可审计的重排序层，该层通过无分数的、化学可解释的特征来显式建模受体框架下的可用性。