Site4Drug：用 AI 智能体解决药物靶点发现的上游瓶颈

论文全称：Site4Drug: Predicting Drug-Binding Target Sites with an AI Agent
发表会议：ICML 2026 Workshop on Generative and Agentic AI for Biology（GenBio）
作者：Taehan Kim†（UC Berkeley）、Sarrah Rose Mikhail Leung、Bharat Mekala、Jeongbin Park†（University of Michigan）
代码：https://github.com/winterrykim/Site4Drug_Demo
arXiv：2506.01816

一、背景与动机：一个被忽视的上游瓶颈

1.1 现有流程的缺口

现代计算药物发现流程已高度工具化。从分子对接（docking）、虚拟筛选，到近年兴起的深度学习生成模型，绝大多数方法都有一个隐含前提：结合位点已知。

以下两类代表性工具可以说明这一点：

• • BoltzGen（Stark et al., 2025）：基于扩散模型的结合子设计工具，需要用户预先给定靶点区域；
• • BindCLIP / DrugCLIP（Qiao et al., 2026；Gao et al., 2023）：对比学习式口袋-分子打分模型，同样以预定义位点为输入。

当下游筛选失败时，团队往往无从判断：究竟是结合模型失效，还是位点选错了？这一责任归因困难部分源于"位点选择步骤几乎从不被记录，或完全依赖经验直觉"。

1.2 膜蛋白的特殊困难

膜蛋白是一大类高价值药靶（约 60% 的上市药物靶向膜蛋白），但它们的成药区域分析尤为复杂：

1.3 现有工具的局限

fpocket（Le Guilloux et al., 2009）和 RAPID-Net（Balytskyi et al., 2025）是小分子口袋发现领域的代表工具，前者基于 Voronoi 球填充识别几何空穴，后者用学习的结构表示预测结合位点。两者的共同局限在于：

1. 1. 均以三维结构为必须输入，新靶标往往无结构可用；
2. 2. 只能发现"经典"结合口袋，无法支持抗体表位等替代模态；
3. 3. 不能整合 PTM、保守基序、二硫键等元数据约束；
4. 4. 输出不可解释，失败难以归因。

IEDB 等免疫表位数据库可提供参考，但其收录的表位来自高度专门化的免疫实验（T/B 细胞测定），并非系统枚举全部成药位点，也不是治疗性位点选择的金标准。

论文的核心主张：将靶点区域选择重新定义为一个约束优先、证据整合的决策问题，而非直觉驱动的操作，并通过 LLM 智能体实现推理过程的可审计与可调试。

二、方法：Site4Drug 的架构设计

2.1 问题形式化

输入：一条长度为  的氨基酸序列 （无需三维结构）。

输出：结构化的位点选择报告，包含：

• • 推荐结合模态：，附带置信度与不确定性说明；
• • epitope：抗体/肽类结合子附着位点，通常位于膜蛋白胞外突出区域；
• • pocket：小分子结合口袋，通常在胞内蛋白或膜通道中；
• • other：证据指向非标准或混合模式（如可及性模糊、约束竞争）；
• • 排名候选区域列表 ，每项包含：
• • 可及性/拓扑标签（tmd/restricted 或 outside/exposed）；
• • 证据摘要（疏水性、跨膜重叠、PTM 掩码、基序命中、半胱氨酸/二硫键上下文）；
• • 风险标记（TM-overlap、PTM-overlap、glyco-mask-overlap、disulfide-constrained、motif-overlap 等）；
• • 完整审计日志：记录每一步推理所依据的证据与约束。

2.2 Module 1：证据聚合与区域发现

整个发现引擎的核心在于从序列中提取三类可行性感知信号，构建残基级和区域级证据摘要。

信号 I：粗粒度拓扑 + 疏水性

Site4Drug 使用经典的 Kyte–Doolittle 滑动窗口疏水性剖面（窗口大小 = 19）结合启发式跨膜区域检测器（TM detector），仅从序列推导粗粒度可及性先验：

其中  为 Kyte–Doolittle 疏水指数（如 Ile = 4.5，Arg = −4.5）。检测到的跨膜段被标注为 tmd/restricted，胞外/胞内非跨膜区域标注为 outside/exposed，置信度由疏水性均值与 TM 阈值的差距决定。

信号 II：PTM 预测 + 邻域掩码

PTM 位点通过 MusiteDeep（Wang et al., 2020）后端 + 规则增强获得，覆盖：磷酸化（Ser/Thr/Tyr）、N-连接糖基化、泛素化、N6-乙酰赖氨酸、羟脯氨酸等多种修饰类型。

每个预测的 PTM 位点被扩展为一个类型化局部掩码（例如，位点 211 处的磷酸化 → 掩码覆盖残基 208–214），并记录候选区域与该掩码的重叠情况（重叠计数、PTM 类型分布、局部 PTM 密度）。

PTM 掩码的设计逻辑在于：高度修饰的区域在折叠蛋白的生理状态下往往结构受约束或被屏蔽，是药物接触的不利区域。

信号 III：基序命中 + 半胱氨酸/二硫键代理

• • ScanProsite（De Castro et al., 2006）：检索 PROSITE 数据库，记录功能基序（如 EGF 结构域、N-糖基化位点）的命中区间；与已知基序重叠的候选区域标注 motif-overlap——这类区域往往在进化上高度保守，靶向存在潜在选择性风险；
• • 半胱氨酸计数：作为二硫键约束区域的轻量级代理指标；区域内  个半胱氨酸触发 disulfide-constrained 标记（注意：当前版本不做精确二硫键配对预测，仅作为结构风险代理）。

候选生成与排名

以上三类信号的压缩摘要连同完整氨基酸序列一起送入 LLM，直接以 JSON 格式提议并排名候选区间。每个候选经过合法性过滤后，被系统化地标注拓扑证据、PTM 重叠、基序重叠、半胱氨酸数量、类型化风险标记和启发式得分。

概念上，排名逻辑遵循以下模态特定启发式：

其中：

• • ：基础偏好分（表位模式偏好极性、非跨膜、PTM 稀疏窗口；口袋模式更重视疏水性，PTM 惩罚较弱）；
• • 、、：来自跨膜重叠、PTM 掩码重叠、基序上下文的约束感知惩罚项。

风险向量  则以类型化标记的形式输出，并列于最终报告中。完整的风险标记触发规则见下表：

2.3 多智能体专家评审（Specialist Panel）

候选区域初步排名完成后，系统引入一个多智能体二次审裁层，由四个角色构成：

BioAgent   → 生物可行性审查（拓扑合理性、PTM 约束解读）
ChemAgent  → 化学合理性审查（疏水性、溶解度、成药性）
RiskAgent  → 风险综合评估（安全性、保守性、可及性冲突）
DecisionAgent → 综合三方 claim→evidence→impact 批评，输出最终模态决策与调整后排名

每个专家智能体输出标准化 JSON 格式的评审意见：

{
  "agent": "ChemAgent",
  "modality_votes": {"epitope": 0.2, "pocket": 0.7, "other": 0.1},
  "candidate_adjustments": [
    {"candidate_id": "c_0001", "delta": -0.15, "reason": "高疏水性可能降低表位可及性", "evidence": ["mean_hydropathy=0.97", "hydrophobic_fraction=0.60"]}
  ],
  "risk_flags": ["hydrophobic-core"],
  "summary": "..."
}

DecisionAgent 在综合三方意见时严格限定在已有上下文证据范围内，避免引入新的外部假设，确保推理链条的可追溯性。

2.4 Module 2：模态特定的设计移交

Module 1 的排名输出可直接作为下游设计工具的接口：

表位模式（Epitope Mode）
→ 将 Top-K 表位区间及其拓扑/PTM 风险注释传入肽/抗体结合子生成工具（如 BoltzGen），进行肽段设计；
→ 生成的候选结合子可用 AlphaFold3 进行多聚体结构预测和 LIS（局部相互作用分数）评估。

口袋模式（Pocket Mode）
→ 从 AlphaFold3 结构中提取预测口袋区域的原子坐标，构建局部口袋；
→ 送入 DrugCLIP 进行基于对比学习的虚拟筛选；
→ 必要时使用 Boltz2 做配体-蛋白结合亲和力评估（AlphaFold3 当前不支持通用配体预测）。

此外，Site4Drug 的表位输出也已与 Diffuse Bio Sandbox 集成，支持纳米抗体（Nanobody）和单链可变区（scFv）的结构条件化设计。

三、实验评估：多模态验证框架

3.1 数据集构建

由于靶点位点发现领域缺乏广泛认可的基准测试集，研究者自行构建了一个覆盖三种模态的评估数据集：

验证指标：超几何分布检验（p < 0.05），评估预测区域与参考位点的残基重叠是否显著高于随机期望。提供 Top-1 和 Top-5 两个层级的结果。

3.2 小分子口袋评估（Group S + AS，n = 63）

结果概览：

关键发现：

1. 1. 与 fpocket（AlphaFold3）性能相当：Site4Drug 仅凭序列特征，在不使用任何蛋白质三维结构的前提下，达到了与需要 AF3 结构作为输入的 fpocket 相近的性能，体现了序列级证据聚合的有效性；
2. 2. 激酶偏好的生物学合理性：Top-1 显著预测主要集中在激酶家族（如 DDR1、FGFR1/2、KDR、RET、JAK1/2 等）。这在生物学上是合理的——激酶往往含有高度保守且构象刚性的 ATP 结合口袋，序列特征本身就能提供强烈的位点信号（以普拉替尼/Pralsetinib 为例，其靶向 11 种激酶的多激酶抑制活性正是基于这种保守性）；
3. 3. 消融实验的关键意义：序列-only 基线仅获得 4.8% 的显著案例（vs 完整流程的 31.7%），证明性能提升主要来自显式证据流水线（TM 拓扑、PTM 掩码、基序注释），而非 LLM 对序列模式的隐式记忆；
4. 4. fpocket RCSB 近满分的解读：98.4% 的成绩源于 RCSB 共晶结构本身包含结合配体，口袋几何构象直接由配体定义，构成实质性的信息泄露，不可作为公平基线参考。

3.3 抗体表位评估（Group A，n = 26）

抗体表位评估面临的核心挑战是标注稀疏性：ABCD 数据库中大多数条目仅提供靶标和抗体名称，缺乏序列分辨率的残基级表位注释。最终筛选出 26 个有明确表位标注的案例（部分代表性例子见下表）。

结果：Site4Drug 在表位模式下，Top-1 有 8/26 案例达到 p < 0.05 显著重叠，Top-5 达到 11/26，与口袋模式的显著率相近。考虑到表位注释的稀疏性和该数据集的噪声水平，这一结果具有现实意义。

3.4 结构可信度验证（pLDDT 分析）

尽管 Site4Drug 不直接使用蛋白质结构，研究者利用 AlphaFold3 对 63 个口袋验证案例的预测结构，检验预测位点的局部结构置信度（per-residue pLDDT）：

• • 在大多数案例中，Top-1 预测位点的平均 pLDDT 高于 Top-5 均值（仅 9 个例外）；
• • 这一规律表明：序列级证据聚合可能隐式地恢复了与结构可靠性相关的信号，尽管没有显式引入任何三维坐标信息。

该分析不仅是性能验证，更揭示了一个深层机制：蛋白质序列中的疏水性模式、保守基序分布、PTM 倾向性，本质上与结构稳定性和结合口袋的形成存在内在联系，而 Site4Drug 的证据流水线正是通过显式化这些信号，使得 LLM 能够捕捉到这种关联。

3.5 端到端演示（EGFR 案例研究）

口袋模式（DrugCLIP）

以 EGFR（RCSB: 1XKK，lapatinib 共晶）为例：

1. 1. Site4Drug 从序列预测口袋区域（p 值 = 8.47 × 10⁻⁵）；
2. 2. 从 AlphaFold3 结构中提取该区域原子坐标，输入 DrugCLIP 虚拟筛选；
3. 3. 已知 EGFR 抑制剂（afatinib、canertinib、erlotinib、gefitinib、lapatinib、osimertinib）均不在 DrugCLIP 数据库中；
4. 4. 尽管如此，Top-6 命中化合物在结构上与已知抑制剂高度相似（共享苯环、环己烷等结合相关基团），结构重叠超几何检验 p < 10⁻¹¹；
5. 5. 联合使用 Boltz2 进行结合亲和力验证。

表位模式（BoltzGen + AlphaFold3）

1. 1. Site4Drug 预测 Top-5 EGFR 表位；
2. 2. 通过 BoltzGen 为每个表位生成 50 条肽段候选（12–18 聚体）；
3. 3. 每个表位选取 BoltzGen 最优评分肽段，送入 AlphaFold3 做 5 次多聚体结构预测；
4. 4. 计算中位 LIS（局部相互作用分数）和肽-靶标最近距离；
5. 5. 结果与 Site4Drug 排名高度一致：
• • Rank-1（位点 44–98）：胞外域，是唯一产生可定义 LIS 的候选（PAE < 12）；
• • Rank-2（位点 348–358）：对应 EGFR Domain III，与抗体药 petosemtamab、7D12 的已知靶向区域吻合；
• • Rank-5（位点 712–078）：胞内区域，因 Site4Drug 正确识别其拓扑受限性而排名最末。

四、后训练实验：SFT 的双刃剑效应

论文坦率呈现了一个重要的负面结果。研究者以 Qwen3-235B Instruct 为骨干，在结构化 demonstration 上进行监督微调（SFT），观察到以下现象：

SFT 的正面效果：输出格式更规整，原因描述更简洁（平均 reason 长度从 20.6 词降至 5.5 词）。

SFT 的负面效果（捷径行为）：

这一现象在 AI for Science 领域有普遍意义：格式监督可能与推理质量解耦。SFT 让模型"学会了如何写"，却可能损害了"该写什么"的判断力。论文因此报告了基础模型的定量结果，并将生物学有意义的奖励信号（如基于真实 PTM 注释或已知结合位点的偏好对）视为靶点发现后训练的重要未来方向。

五、局限性的深入分析

论文对局限性的讨论相当克制且诚实，以下进行扩展解读：

5.1 四级结构盲区

当前 Site4Drug 以单链氨基酸序列为输入，但许多重要药靶（如离子通道、G蛋白偶联受体二聚体、整合素）以多亚基四级结构形式行使功能，其结合位点往往位于亚基界面。这一盲区限制了系统对同源/异源多聚体靶标的处理能力。

与 fpocket 和 RAPID-Net 不同（两者也仅处理单链），Site4Drug 的 LLM 核心原则上可通过扩展上下文（如提供多链序列及亚基组成描述）来处理这一问题，具备更好的可扩展潜力。

5.2 结构依赖性与 Token 瓶颈

口袋模式依赖结构上下文（需要 Module 2 的 AlphaFold3 结构）；而 AlphaFold3 本身对超过约 5000 个氨基酸的序列不提供结构预测，这在处理超大蛋白时构成瓶颈。此外，将完整蛋白结构编码为 LLM 输入需要大量 tokens，不适合大规模筛选场景。

5.3 验证集规模与基线比较的公平性

评估数据集规模偏小（89 个靶标），特别是抗体表位组仅 26 个案例，统计功效有限。更严重的问题是数据泄露风险：RAPID-Net 等结构训练模型在 scPDB 数据集上训练，而 scPDB 来源于 RCSB，与验证数据存在显著重叠，因此被排除在基准比较之外。未来工作需要在严格数据分割控制下，与序列级或 apo 结构级 ML 基线进行公平对比。

5.4 浓度依赖性与脱靶效应

靶标接触呈现浓度依赖性：某些化合物在低浓度无活性，但在高浓度下可与特定靶标产生可测量的相互作用。Site4Drug 当前不整合浓度上下文，这在预测多靶标蛋白的优先成药区域时可能引入偏差。

5.5 二硫键建模精度

当前系统以半胱氨酸计数作为二硫键约束的代理，而非精确的二硫键配对预测。UNIPROT 中存在精确的二硫键注释，整合这一信息可显著提升含多个二硫键蛋白（如抗体、生长因子受体）的约束建模精度。

六、与相关工作的定位

6.1 Site4Drug 在工具链中的位置

蛋白序列
    │
    ▼
┌─────────────────────────────┐
│   Site4Drug（本文）          │  ← 上游瓶颈：选在哪里打？用什么打？
│   约束感知靶点区域发现        │
└──────────────┬──────────────┘
               │
      ┌────────┴────────┐
      ▼                 ▼
  表位模式           口袋模式
      │                 │
      ▼                 ▼
  BoltzGen          DrugCLIP / BindCLIP
（肽/抗体生成）     （小分子虚拟筛选）
      │                 │
      ▼                 ▼
  AlphaFold3        Boltz2
（多聚体验证）     （亲和力评估）

6.2 与 AI 科学智能体生态的关联

Site4Drug 的设计理念与近期 AI 驱动科学发现的智能体系统一脉相承：

Site4Drug 的特色在于其决策可追溯性——不仅给出结果，还给出完整的推理链条，这在面向监管审查或实验设计归因时尤为重要。

总结与展望

核心贡献

Site4Drug 对靶点区域选择问题做出了以下方向性贡献：

1. 1. 问题重新定义：将"选哪里"从直觉操作转化为约束优先的结构化决策问题，并通过完整审计日志实现可追溯性；
2. 2. 模态自适应：无需用户预先指定药物类型，同一证据框架支持小分子、抗体、肽药三种模态的统一评估；
3. 3. 序列级可行性：在不依赖结构的条件下实现与结构级基线相近的口袋预测性能，对新靶标场景（无结构可用）尤为重要；
4. 4. 端到端集成：提供了从序列 → 靶点区域 → 分子设计的完整流水线接口，已与多个主流下游工具验证集成；
5. 5. 失败归因能力：审计日志使"筛选失败是结合模型问题还是位点选择问题"这一历史难题变得可分析。

未来方向

• • 生物学奖励信号驱动的后训练：构建基于 PTM 注释、已知结合位点、HDX-MS 数据的偏好对，支持更高质量的 RLHF 或 DPO；
• • 四级结构支持：扩展多链输入处理能力，覆盖通道蛋白、整合素等多亚基靶标；
• • 实验室闭环框架（Lab-in-the-Loop）：整合实际质谱数据，实现 Site4Drug 预测-实验验证-迭代更新的主动学习循环；
• • 集成到自动化发现流水线：与 The Virtual Biotech（Zhang et al., 2026）等多智能体治疗发现框架的深度整合；
• • 大规模基准与公平比较：在严格的数据泄露控制下扩大验证规模，并纳入序列/apo结构级 ML 基线。