Nat. Commun. | 突破分子活性预测盲区: 首个活性悬崖感知图学习框架

准确预测分子的生物活性与药物相关性质，是先导化合物发现、虚拟筛选和结构优化的重要基础。然而，结构高度相似的分子有时会因极小的取代基变化而表现出数十倍甚至数百倍的活性差异，这类现象被称为活性悬崖。活性悬崖破坏了传统定量构效关系模型和图神经网络通常依赖的平滑性假设，使模型容易将结构相近但功能不同的分子映射到潜在空间中的相邻区域，从而产生较大的预测误差。

结果表明，活性悬崖感知能够持续减少潜在空间中的悬崖排序冲突，形成更连贯的活性梯度，并降低局部标签不一致性。该方法适用于多种图神经网络骨干，在固定超参数条件下仍能稳定改善预测表现。在30个大样本混合骨架数据集中，ACANET不仅优于未使用活性悬崖感知的图模型，而且整体超过多种基于分子指纹的传统机器学习方法。该策略还可扩展至活性悬崖分类和ADMET性质变化预测，说明显式建模结构—性质关系中的非加和性与突变现象，有助于提高分子图学习的准确性、鲁棒性和化学可解释性。

分子性质预测模型通常假设化学结构与生物活性之间存在相对连续的对应关系，即结构越相似，性质也应越接近。传统定量构效关系方法通过分子描述符、片段贡献或指纹相似性建立这种联系，现代图神经网络则通过聚合原子及其邻域信息，直接从分子图中学习表示。虽然图神经网络具备较强的结构建模能力，但在部分分子活性预测任务中，其表现仍可能落后于支持向量机、随机森林等基于扩展连接指纹的方法，其中一个重要原因就是模型未能有效处理活性悬崖。

活性悬崖并不只是由传统相似度阈值所定义的少数异常分子对。许多具有实际药物化学意义的悬崖来自同一骨架内部的微小修饰、侧链重排、立体化学变化或局部官能团替换。这些改变可能引起结合构象、溶剂化、氢键网络或蛋白口袋适配方式的显著变化，最终造成明显的活性跃迁。因此，活性悬崖本质上反映了结构—活性关系的非加和性：局部结构改变产生的效果无法通过各片段贡献的简单叠加进行解释。

对于仅以回归误差为目标的图神经网络而言，分子表示在很大程度上仍受结构相似性支配。结构相近的分子容易被放置在潜在空间的相邻区域，即使它们的活性差异很大；相反，活性相近但骨架略有差异的分子可能距离较远。这样的表示空间会形成标签混杂和局部不连续，使模型在面对未见分子、跨骨架化合物或真正的悬崖样本时缺乏可靠的外推能力。研究人员因此认为，与其依赖固定的指纹相似度规则预先标记所有悬崖，不如在模型训练过程中动态发现当前表示空间中最需要纠正的结构—活性冲突。

研究人员构建了活性悬崖感知网络ACANET，将小分子表示为包含原子节点和化学键边的图，并分别采用图卷积网络、图同构网络、图注意力网络和主邻域聚合网络作为骨干。模型经过多层图卷积和全局最大池化后获得分子潜在向量，再通过全连接层预测活性或其他性质。训练时，每个批次首先根据真实性质差异，为一个锚分子选择性质接近的正样本和性质差异较大的负样本，形成候选活性悬崖三元组。模型随后依据当前潜在向量之间的距离，筛选出尚未满足正确相对排序的高价值三元组。最终训练目标同时考虑常规回归误差与三元组对比约束，使锚分子靠近性质相似的正样本，并远离性质差异显著的负样本。不同三元组采用由真实性质差异决定的自适应间隔，而不是统一的固定间隔。两个悬崖阈值控制正、负样本的性质差异范围，感知权重则调节回归学习和悬崖学习之间的平衡。研究覆盖9个小样本窄骨架活性数据集、30个大样本混合骨架活性数据集、3个匹配分子对悬崖分类数据集和10个ADMET性质变化数据集，并通过交叉验证、外部测试、骨架留出测试及严格相似性排除测试评估模型的泛化能力。

在没有活性悬崖感知时，模型主要通过降低单个分子的回归误差进行学习，无法直接判断潜在空间中的相对距离是否符合真实活性关系。一个结构上与锚分子十分相似、但活性明显不同的负样本，可能仍然比活性相近的正样本更接近锚分子。加入活性悬崖感知后，模型同时优化预测值与潜在空间几何关系，从而逐步纠正这种错误排序。

训练过程中，高价值活性悬崖三元组的数量可被视为表示空间中尚未解决的悬崖冲突程度。仅使用回归损失时，这些冲突在多个训练周期内基本保持不变；加入活性悬崖感知后，其数量持续下降，说明模型不是简单记忆活性标签，而是在逐步修复潜在空间。以PPARδ数据集为例，两种模型最终的训练回归误差差异有限，但活性悬崖感知模型在验证集和测试集上的误差明显更低，显示潜在空间优化提高了外部泛化能力。

图1｜活性悬崖感知损失与ACANET整体框架。

图2｜52个数据集及四类分子性质预测任务概览。

图3｜加入和未加入活性悬崖感知时的训练行为、三元组变化及预测性能。

研究人员进一步将该方法分别应用于主邻域聚合网络、图注意力网络、图卷积网络和图同构网络。所有骨干都表现出相似趋势：未使用活性悬崖感知时，高价值三元组长期维持在较高水平；加入该约束后，训练集中的冲突迅速下降，并同步改善验证集和测试集的表示关系。

在PPARδ数据集上，四种骨干加入活性悬崖感知后，测试误差分别下降约5.81%、5.48%、4.63%和6.62%。研究人员还在全部30个大样本混合骨架数据集上采用相同的悬崖阈值和感知权重进行训练，避免针对不同模型或数据集进行特殊调参。结果显示，活性悬崖感知模型在绝大多数数据集上仍优于对应基线，说明性能提升并非来自某一特定网络结构或精细的超参数搜索。

图4｜活性悬崖感知在四种图神经网络骨干上的通用效果。

消融实验表明，悬崖阈值首先决定一个批次内能否形成足够的条件三元组。当阈值设置不合理、无法挖掘三元组时，对比学习部分实际上失效，模型退化为普通回归网络，预测性能也明显下降。随着可用三元组数量增加，验证误差总体呈下降趋势，说明充分覆盖具有信息价值的性质差异关系，是活性悬崖感知发挥作用的重要条件。

感知权重决定模型对三元组约束的重视程度。适当提高权重可以增强模型对活性不连续区域的关注，并改善验证集表现；但权重过大时，模型可能过度集中于少量困难三元组，牺牲整体回归精度。不同数据集中的悬崖密度和活性分布并不相同，因此最优权重也存在差异。对于悬崖较多、预测难度较高的数据集，更强的感知约束通常更有利；对于活性关系相对平滑的数据集，过强约束则可能造成过拟合。

研究还比较了平均绝对误差与均方误差作为基础回归目标的情形。加入活性悬崖感知后，两者均得到改善。以均方误差训练的模型提升幅度更大，可能是因为均方误差会放大悬崖样本造成的大误差，而悬崖感知恰好能够针对这些异常偏差进行纠正。不过，从最终整体性能看，平均绝对误差与悬崖感知的组合通常更加平衡。

图5｜悬崖上下限和感知权重对三元组数量及模型误差的影响。

在BRAF窄骨架数据集中，研究人员选择了两组具有代表性的活性悬崖三元组。每组均包含一个锚分子、一个活性相近的正样本，以及一个结构相似但活性差异显著的负样本。普通图神经网络不能稳定保持正样本更接近锚分子的关系，说明其潜在空间仍主要反映拓扑结构相似性。加入活性悬崖感知后，负样本被推离锚分子，正样本则保持在邻近区域，潜在空间中的距离关系更加符合实际活性变化。

研究人员使用标签不一致指数定量衡量每个分子与其近邻之间的活性差异。BRAF原始指纹空间的指数为0.490，普通图神经网络潜在空间下降至0.290，而加入活性悬崖感知后进一步降至0.199，相较普通模型改善31.4%。在全部30个混合骨架数据集中，活性悬崖感知潜在空间的标签不一致程度普遍低于分子指纹空间和普通图模型。二维投影也显示，普通模型形成的活性分布较为破碎，而感知模型产生了更平滑、连续的活性梯度。

图6｜BRAF化学空间及加入和未加入活性悬崖感知时的潜在空间比较。

在30个大样本混合骨架数据集上，研究人员将ACANET与多种图模型、SMILES模型以及基于扩展连接指纹的机器学习方法进行比较。评估同时考察完整测试集和专门由悬崖分子组成的测试子集。ACANET在两类测试中均取得更低的总体误差，并在70%至76%的数据集上优于分子指纹模型。

与表现最强的指纹支持向量机相比，ACANET在30个数据集上的平均完整测试误差由0.671降低至0.646，悬崖子集误差由0.742降低至0.711。在单独数据集层面，ACANET分别在23个完整测试集和21个悬崖子集上超过支持向量机。进一步的骨架留出测试显示，活性悬崖感知在全部30个靶点上均优于非感知基线；当研究人员排除所有与训练集高度相似的测试分子，构建悬崖比例较高的严格独立测试集时，该方法仍在30个靶点中的28个上获得更低误差，说明其能够泛化到训练阶段未出现的新型悬崖。

图7｜ACANET与图模型、SMILES模型及指纹机器学习方法的性能比较。

图8｜训练集和测试集中标签不一致指数随训练过程的变化。

图9｜混合骨架训练集在普通模型与活性悬崖感知模型中的潜在空间投影。

图10｜混合骨架测试集在普通模型与活性悬崖感知模型中的潜在空间投影。

研究人员将活性悬崖感知扩展至匹配分子对分类任务。对于已知共享核心骨架的两个分子，模型不仅判断它们是否形成活性悬崖，还通过对比约束拉开悬崖分子对的表示，并缩小非悬崖分子对的表示距离。在黑皮质素受体4、μ阿片受体和凝血酶三个数据集中，加入该策略后，相关系数分别由0.373提高至0.462、由0.451提高至0.550，以及由0.487提高至0.510，并在其他分类指标上同样优于普通图卷积模型和多种指纹方法。

在ADMET任务中，ACANET并未直接学习分子对之间的性质差值，而是先预测每个分子的绝对性质，再由两个预测值计算变化量。尽管这一任务更具挑战性，模型在三个吸收数据集上仍达到与现有方法相当的水平，并在其余七个涉及分布、代谢、排泄和毒性的任务中获得最低或统计上相当的误差。这说明活性悬崖感知并不局限于生物活性，而可以推广到更广泛的分子性质悬崖。

活性悬崖长期以来被视为定量构效关系建模中的异常现象，但本研究表明，它们更适合被看作分子机器学习必须显式处理的核心结构。普通图神经网络虽然能够学习复杂的分子拓扑，却容易将“结构相似”误认为“功能相似”。当小幅结构修改引起非线性的活性变化时，仅依赖回归误差无法为潜在空间提供足够明确的修正信号。

活性悬崖感知的关键优势在于，它不要求预先使用单一指纹阈值定义所有悬崖，而是根据真实性质差异生成候选三元组，再利用模型当前的潜在空间动态筛选最有价值的冲突样本。随着训练推进，已经满足正确排序的简单三元组不再产生主要梯度，模型可以集中学习仍未解决的困难区域。这种机制兼顾了计算效率和数据适应性，也避免严格结构过滤丢弃具有重要构效信息的分子关系。

该方法仍依赖适当的批次规模、悬崖阈值和感知权重。小批次可能无法形成足够丰富的三元组，不合理的阈值会使训练缺乏有效样本，过高的感知权重则可能导致模型过度关注少数悬崖。因此，在不同性质、实验体系和数据分布中，仍需根据标签范围和悬崖密度调整训练设置。

总体而言，活性悬崖感知提供了一种不改变图神经网络主体架构、但能够显著改善表示空间的通用策略。它将结构—性质关系中的突变和非加和性直接转化为训练信号，使模型学习到更符合功能差异的潜在几何结构。未来，这一思想可进一步应用于多任务分子性质预测、蛋白质—配体亲和力建模、选择性与毒性悬崖分析，以及面向性质优化的生成模型，从而提高人工智能辅助药物设计在真实化学空间中的可靠性。

GitHub：https://github.com/shenwanxiang/ACANet

安装：https://pypi.org/project/clsar

Cui, C., Su, X., Zhang, Z. et al. Activity-cliff awareness enables robust graph learning for molecular property prediction. Nat Commun (2026). 

https://doi.org/10.1038/s41467-026-75713-2