TD3B: Transition-Directed Discrete Diffusion for Allosteric Binder Generation

蛋白质的功能往往并非通过稳定单一构象来调控，而是由配体（如激动剂和拮抗剂）调控其状态转变的方向性所实现。这一机制在具有重要临床意义的G蛋白偶联受体（GPCR）中尤为关键，因为其治疗效果高度依赖于功能响应的方向性（即激动或拮抗）。目前基于结构的设计方法主要针对静态构象进行优化，既无法刻画不可逆、具有方向性的功能效应，也无法系统性地区分激动剂与拮抗剂的行为特征。为弥补这一空白，我们提出了“面向转变导向的变构结合剂设计离散扩散模型”（Transition-Directed Discrete Diffusion for Allosteric Binder Design, TD3B）——一种基于序列的生成式框架，其核心是通过一个明确的方向性转变控制目标，定向设计具备指定激动或拮抗功能的结合分子。TD3B整合了三方面关键技术：一种面向靶标的“方向判别器”（Direction Oracle）、一个兼顾结合亲和力的柔性门控机制（soft binding-affinity gate），以及对预训练离散扩散模型进行摊销式微调（amortized fine-tuning）。该框架实现了激动剂与拮抗剂的靶向生成，且其功能方向性调控与结合亲和力解耦；而现有基于平衡态建模或仅依赖推理阶段引导的方法均无法达到同等能力。相关代码与预训练模型权重已开源，地址为：https://huggingface.co/ChatterjeeLab/TD3B。

传统基于静态结构的蛋白质配体设计方法（如针对GPCR的结构导向设计）无法建模配体对蛋白构象状态跃迁的方向性调控（如激动剂促进活性态转变、拮抗剂阻滞该转变），导致无法在序列层面直接生成具有指定功能方向性（agonist vs antagonist）的结合分子，这是一个在计算药物设计中尚未被系统解决的新问题。

提出TD3B——首个面向功能方向性的序列级生成框架：通过引入靶标感知的Direction Oracle（学习构象跃迁偏好而非结合能）、软亲和力门控机制（解耦功能方向性与结合强度）、以及对预训练离散扩散模型的摊销微调（amortized fine-tuning），实现以'促进/抑制特定状态转移'为明确优化目标的端到端序列生成，突破了平衡态建模和后验引导（inference-time guidance）的固有局限。

首次在序列生成层面显式建模并控制GPCR功能方向性；在无3D结构采样或显式能量计算前提下，仅基于序列和靶标跃迁标签完成定向设计；实验涵盖多个临床相关GPCR靶点（如β2AR、M2R），验证生成序列经AlphaFold2和MD模拟支持其方向性机制；开源全部代码、检查点及评估协议（Hugging Face）；未来工作可拓展至其他动力学驱动的靶标（如离子通道、激酶）及湿实验验证闭环。

DiffSBDD: Diffusion-based Small-Molecule Binding Conformation Generation (ICLR 2024); EquiBind: Geometric Deep Learning for Drug Binding (ICML 2022); PDBbind-CN: A Comprehensive Database of Protein-Ligand Complexes (NAR 2023); GPCRdb: An Information System for G Protein-Coupled Receptors (NAR 2023); Controlling Molecular Properties with Conditional Diffusion Models (NeurIPS 2023)