没有蛋白结构，也没有预定义口袋：Ptarmigan-1 的超大规模虚拟筛选路线

文献来源

论文题目： Structure-free, site-resolved contrastive learning extends small-molecule discovery beyond the reach of structure-based modeling

作者： William E. Fondrie、Daniele Canzani、Lillian Tatka、J. Sebastian Paez、Anastasiya Prymolenna、Andrea Gutierrez、Julia Robbins、Brian McEllin、Evan Hubbard、Kyle Siebenthall、Lindsay K. Pino、Alexander J. Federation

研究机构： Talus Bioscience

发布时间： 2026 年 7 月 30 日

发表形式： bioRxiv 预印本，尚未经同行评议

DOI： 10.64898/2026.07.28.741295

论文类型： 方法论文，同时包含虚拟筛选基准、结合位点定位、隐蔽口袋识别和专利化合物回顾性验证。

导读

现代基于结构虚拟筛选通常先构建蛋白–配体三维复合物，再依据预测构象进行打分。这条路线适合具有稳定结构和明确口袋的靶标，却难以覆盖隐蔽口袋、非正构位点和内在无序蛋白，也难以经济地扩展到数十亿化合物。Talus Bioscience 提出的 Ptarmigan-1 选择了完全不同的计算路径：模型只读取蛋白序列和配体 SMILES，将每个蛋白残基与整个小分子嵌入共享的 256 维空间，并把两者的余弦相似度解释为残基级结合倾向。经过一次性化合物编码和近似最近邻索引后，虚拟筛选由逐对构建复合物变成向量检索。论文显示，该模型在传统靶标上虽未超过 Boltz-2，但能够以更低成本获得具有竞争力的活性富集，并在共价、隐蔽和无序位点上展现出结构方法不易获得的覆盖能力。

 为什么这篇论文值得关注？

过去几年，分子对接与蛋白–配体共折叠模型不断提高三维复合物预测精度。AlphaFold 3、Boltz、Chai-1 等模型使从序列和分子结构直接预测复合物成为可能。

但这并不意味着虚拟筛选中的核心问题已经解决。

因为绝大多数结构方法都隐含了一个共同前提：

蛋白与配体之间的识别，必须先经过一个显式三维复合物。

对接方法需要提前指定结合口袋，再搜索配体的平移、旋转和内部扭转；共折叠模型虽然可以盲预测复合物，却仍要为每一个蛋白–配体组合生成完整三维结构。这个前提带来三类限制。

第一，计算成本随蛋白–配体组合数近似线性增长。当化合物库达到数十亿规模时，即使每个体系只需要几十秒，也会转化为难以承受的总计算量。

第二，模型可以学习的数据被三维复合物表示限制。许多化学蛋白质组学实验只能告诉我们某个小分子修饰了哪个残基，却不会给出复合物坐标。这类数据无法直接监督一个只输出三维构象的模型。

第三，结构数据库天然偏向稳定、可结晶、具有经典口袋的蛋白。转录因子、内在无序区、瞬时形成的浅表沟槽及非正构位点，在 PDB 和传统亲和力数据库中的覆盖远低于激酶 ATP 口袋等经典体系。

论文指出，在约 2 万个人类蛋白中，只有 704 个是获批药物靶标，另有 1904 个具有高效小分子配体，其余约 87% 尚无获批药物或强效小分子配体。Ptarmigan-1 试图解决的，正是这些结构先验不足、口袋不明确且化学空间极大的场景。

2. 研究背景：虚拟筛选为什么长期依赖三维结构？

2.1 分子对接：先给口袋，再找构象

传统分子对接以蛋白三维结构和预定义口袋为输入，通过搜索配体的位置、朝向和可旋转键，生成一组候选结合构象，再使用经验、物理或机器学习打分函数进行排序。

其优势在于结果具有明确的空间解释：

• • 配体位于哪里；
• • 哪些原子形成氢键；
• • 是否存在疏水配对；
• • 是否发生空间冲突；
• • 哪些取代基可以进一步优化。

但对接通常无法发现未被预先指定的结合位点。面对隐蔽口袋和高度柔性的无序区域，搜索空间也会迅速扩大。

2.2 共折叠模型：不指定口袋，但仍要构建构象

蛋白–配体共折叠模型进一步放宽了口袋前提。模型可以读取蛋白序列和配体结构，直接预测复合物的三维坐标。

然而，共折叠没有消除显式构象这一步，只是把构象搜索交给了神经网络。每个待筛选化合物仍需要单独运行模型，生成并评估一个复合物。

这意味着共折叠模型更适合：

• • 少量候选分子的精细结构预测；
• • 结合模式分析；
• • 结构假设生成；
• • 后期优先级排序。

它并不天然适合对数十亿分子进行全量筛选。

2.3 传统无结构 DTI 模型：速度快，但空间分辨率不足

另一类方法直接从蛋白序列和分子指纹预测药物–靶标相互作用。例如 ConPLex 将整条蛋白压缩成单个向量，再与分子向量比较。

这类方法虽然快速，却存在明显的信息瓶颈：

一条数百甚至数千个残基的蛋白被压缩成一个向量后，模型很难回答配体究竟结合在哪个区域。

Ptarmigan-1 的关键改动，是不再把蛋白整体压缩成单个表示，而是保留每个残基的独立嵌入。

3. 这篇论文瞄准的核心缺口

Ptarmigan-1 的设计建立在一个核心假设上：

小分子是否结合某个蛋白，以及它可能作用于哪些残基，不一定需要通过显式重建原子级三维复合物才能判断；这些关系也可能编码在蛋白序列与二维化学共同形成的统计空间中。

这个假设使模型可以绕开三维构象预测，直接学习三类关系：

1. 1. 某个配体是否与整条蛋白发生结合；
2. 2. 某个配体更可能作用于哪些残基；
3. 3. 哪些化合物在共享嵌入空间中最接近目标蛋白的高响应残基。

因此，Ptarmigan-1 并不是另一种更快的分子对接算法。

它不搜索配体的平移、旋转和扭转角，也不输出三维结合构象。它完成的是结构无关的残基级分子识别与候选检索。

4. Ptarmigan-1 的核心思想

模型同时构建两个编码器：

• • 蛋白编码器：把蛋白序列编码为逐残基向量；
• • 配体编码器：把分子的 SMILES 编码为单个分子向量。

随后，两个编码器的输出被投影到同一个 256 维空间。

在这个空间中：

• • 与某个配体发生作用的残基，应靠近该配体；
• • 不相关的残基或蛋白，应远离该配体；
• • 残基–配体余弦相似度越高，预测结合倾向越强。

因此，对于长度为 L 的蛋白和一个候选化合物，模型会得到 L 个相似度值，而不是一个完整复合物。

这些值可以形成一条沿蛋白序列分布的结合图谱：

其中  表示第  个残基嵌入与配体嵌入之间的余弦相似度。

高分区域对应模型预测的潜在结合位点。

5. 方法细节：Ptarmigan-1 到底是怎么做的？

5.1 任务定义与输入输出

输入

模型只需要两类信息：

• • 蛋白质的氨基酸序列；
• • 候选化合物的 SMILES。

模型不需要：

• • 实验蛋白结构；
• • AlphaFold 预测结构；
• • 预定义口袋；
• • 配体初始三维构象；
• • 蛋白–配体复合物模板。

输出

Ptarmigan-1 可以输出三类结果。

残基级结合分数

对蛋白中的每个残基，给出其与候选化合物发生作用的概率或相似度。

蛋白级结合分数

将残基分数聚合为整条蛋白与化合物的结合概率，用于虚拟筛选排序。

候选化合物列表

从预先建立的化合物向量索引中，检索最接近目标蛋白高响应残基的化合物。

它不能直接输出：

• • 配体三维结合姿势；
• • 原子对相互作用；
• • 构象 RMSD；
• • 氢键几何；
• • 结合自由能；
• • 共价键形成后的准确几何结构。

5.2 蛋白表示：ESM-C 保留逐残基信息

蛋白编码器采用具有约 6 亿参数的 ESM Cambrian，简称 ESM-C。

给定长度为 L 的蛋白序列，ESM-C 最后一层会输出：

每个  对应一个残基的上下文表示。

这里的关键点是：Ptarmigan-1 不对所有残基做全局平均池化。

因此，模型保留了：

• • 残基种类；
• • 邻近序列环境；
• • 长程序列依赖；
• • 蛋白语言模型在预训练中学到的家族、功能和潜在结构信息。

但它没有显式保留：

• • 残基的三维坐标；
• • 溶剂暴露度；
• • 原子级空间邻接关系；
• • 口袋体积和形状；
• • 构象变化；
• • 水分子、金属离子和辅因子状态。

长蛋白处理

训练时，蛋白输入长度上限为 768 个残基。超过这一长度的序列会被切分成相互重叠的窗口，使长蛋白不同区域都有机会进入训练。

推理时，模型不再拼接窗口，而是在设定的长度上限内一次编码。论文中的基准测试使用 1400 个残基上限，超过上限的残基不会被评分。

这意味着超长蛋白、巨大多结构域蛋白和部分长异构体可能存在信息截断。

5.3 分子表示：ChemBERTa 将 SMILES 压缩成单个向量

配体编码器采用 ChemBERTa。

模型读取 SMILES token 序列，并使用分类 token 对整个分子进行池化，得到单个分子表示：
这种表示能够编码：

• • 原子与键的二维连接关系；
• • 官能团组合；
• • 环系与取代模式；
• • 部分立体和化学语法信息；
• • 与训练化学空间相关的统计规律。

但单个 SMILES 向量无法显式表示：

• • 多构象分布；
• • 蛋白环境中的诱导构象；
• • 配体应变；
• • 质子化和互变异构平衡；
• • 三维形状互补；
• • 定向氢键和电荷相互作用。

这也是 Ptarmigan-1 与对接、共折叠模型之间最根本的能力边界。

5.4 共享的 256 维残基–配体空间

蛋白残基向量和分子向量来自不同的基础模型，维度与分布均不相同。

作者分别使用一个线性投影头，将二者映射到共享的 (D=256) 维空间：

投影后的向量进行  归一化。因此，残基与配体的点积等价于余弦相似度：

这个设计有两个直接好处。

第一，相似度计算只需要矩阵乘法，不需要复杂的交叉注意力或结构迭代。

第二，蛋白和化合物可以分别预计算并缓存，避免每次查询都重新运行完整的蛋白–配体联合模型。

5.5 从相似度转化为残基结合概率

对于第 r 个残基，模型将相似度转换为结合概率：

其中：

• •  是残基–配体余弦相似度；
• •  是模型学习的偏置；
• •  是学习得到的温度参数；
• •  是 Sigmoid 函数。

温度参数控制概率随相似度变化的陡峭程度，偏置决定从不结合到结合的大致判定位置。

蛋白级聚合

模型还需要将多个残基分数汇总为整条蛋白的结合分数。

作者采用温度缩放的 softmax pooling，使少数高分残基对最终蛋白级判断产生主要影响，而不会让蛋白长度本身主导结果。

直观上，这近似于一种可微的最大值操作：

• • 普通平均会稀释局部口袋信号；
• • 直接最大值容易不稳定；
• • softmax pooling 可以在二者之间调节。

论文没有在正文中完整写出这一聚合公式，因此不宜进一步推断其具体数学形式。

5.6 参数高效微调：冻结基础模型，只训练 LoRA

作者没有完整微调 ESM-C 和 ChemBERTa，而是冻结两个 Transformer 主干，在注意力层和前馈层中插入 LoRA 适配器。

LoRA 参数为：

• • rank：32；
• • ：64；
• • dropout：0.1。

两个编码器分别拥有独立的 LoRA 参数，并与蛋白、配体投影头共同训练。

这样做的逻辑是：

1. 1. 尽量保留基础模型已经学到的蛋白和化学表征；
2. 2. 使用少量可训练参数完成跨模态对齐；
3. 3. 降低训练显存和计算成本；
4. 4. 减少在有限蛋白–配体数据上的灾难性遗忘。

5.7 混合分辨率训练数据

Ptarmigan-1 的一个重要贡献并非网络结构本身，而是它能够同时使用不同标签粒度的数据。

论文共使用约 260 万个蛋白–化合物相互作用样本。

对于 PDB 复合物，作者把距离配体 5 Å 以内的残基标记为结合残基。

对于 BindingDB、KIBA 和 LCIdb，亲和力优于 10 μM 的蛋白–化合物对被标记为结合，否则标记为不结合。

对于部分竞争性 ABPP 数据，高竞争残基作为阳性，低竞争残基可作为真实的残基级阴性；其他 ABPP 数据只提供阳性残基。

内部数据来自 Talus Bioscience 的 regulome profiling 化学蛋白质组学平台，是论文中大部分残基级标签的来源。该数据不公开。

5.8 四类训练目标

作者将四类损失以相同权重组合。

1. 残基级对比损失

对于具有明确结合残基标签的样本，将真实结合残基拉近其配对化合物，同时将其与批次中的其他化合物拉远。

这与 CLIP 的跨模态对比学习类似，只是图像和文本被替换为蛋白残基与小分子。

2. 蛋白级对比损失

模型构建一个批次内的蛋白–化合物得分矩阵。

真实配对位于矩阵对角线，其他组合被视作批内负样本，并采用对称交叉熵优化。大量只有蛋白级标签的生物活性数据主要通过这一目标进入训练。

3. 残基配对损失

论文把 residue-pair term 列为第四类目标之一，但没有在方法正文中单独给出明确的数学定义。这是方法可复现性上的一个信息缺口。

4. 概率校准损失

作者使用二元交叉熵，使真实蛋白–配体对由实测标签监督，非对角组合被设为零。

其目标是让蛋白级输出不仅能够排序，还具有一定概率解释，而不只是任意尺度上的相似度。

值得警惕的是，批次中的非对角组合不一定都是真实不结合关系。对于广泛存在多靶点效应的小分子，其中可能包含未被测量的真实相互作用，形成假阴性。

5.10 从逐对打分转变为近似最近邻检索

这是 Ptarmigan-1 最有实际意义的工程设计。

传统虚拟筛选的计算形式是：

每个组合都要单独预测。

Ptarmigan-1 则先对化合物库编码一次，把每个分子的 256 维向量存入 LanceDB，并建立 IVF-PQ 近似最近邻索引。

面对一个新靶标时：

1. 1. 编码蛋白序列，得到逐残基向量；
2. 2. 对每个残基查询最邻近的分子向量；
3. 3. 合并各残基返回的候选；
4. 4. 根据残基相似度和蛋白级聚合分数重新排序；
5. 5. 输出最可能结合的化合物。

同一个化合物索引可以被所有蛋白重复使用。

反过来，也可以预先编码整个人类蛋白组，对一个小分子查询其最接近的蛋白和残基，从而进行：

• • 潜在脱靶预测；
• • 选择性分析；
• • 多药理学分析；
• • 蛋白组范围的逆向筛选。

需要强调的是，论文所谓的 34 亿化合物全蛋白组筛选，并非精确枚举所有约  个组合，而是依靠压缩向量索引进行近似最近邻检索。

5.11 方法流程小结

第一步： 输入蛋白序列和分子 SMILES。

第二步： 使用 ESM-C 输出逐残基向量，使用 ChemBERTa 输出分子向量。

第三步： 通过两个线性投影头，将二者映射到归一化的 256 维共享空间。

第四步： 计算每个残基与配体的余弦相似度，形成残基级结合图谱。

第五步： 使用 softmax pooling 将局部残基信号汇总为蛋白级结合分数。

第六步： 通过残基级和蛋白级对比学习，同时利用结构复合物、ABPP、化学蛋白质组学和传统活性数据。

第七步： 将化合物向量预先存入 ANN 索引，新靶标的筛选转化为向量检索。

6. 实验设计与关键结果

6.1 在传统结构化靶标上：有竞争力，但没有超过 Boltz-2

作者首先在 LIT-PCBA 的五个具有结构方法结果的靶标集上比较，主要结果为：

Ptarmigan-1 的平均 adjusted logAUC 排名第二，高于所比较的传统对接及其他共嵌入模型，但仍明显低于 Boltz-2。

这说明它在稳定、经典口袋上的优势主要是速度和无需结构，而不是最高的排序精度。

同时，作者指出 Boltz-2 等模型的训练数据可能包含部分 LIT-PCBA 活性靶标，因此该比较也不能被视为完全严格的未知靶标测试。

6.2 能否从序列中找到真实结合残基？

共价抑制剂

COValid 包含 874 个共价活性化合物，覆盖 9 个靶标和 10 个已实验确定的反应性半胱氨酸位点。

结果显示，在 9 个靶标中的 8 个上，真实共价半胱氨酸位于模型预测残基的前 1%。

其中 JAK3、KRAS G12C、BMX 和 ITK 未出现在模型训练中，但定位精度与训练中见过的靶标接近。

非共价复合物

在 PoseBusters 的药物样小分子子集上，作者把晶体配体 5 Å 内的残基定义为真实口袋，再检验 Ptarmigan-1 是否把这些残基排在其他残基之前。

结果为：

• • 全体复合物中位 pocket-vs-rest AUROC：0.99；
• • 未见蛋白中位 AUROC：0.98；
• • 最高分残基位于真实配体 5 Å 内的比例：92%。

但必须注意：

找到正确口袋比生成正确配体姿势容易得多。

论文将 92% 位点恢复率与 Vina、DiffDock、AlphaFold 3 和 Boltz-2 的姿势成功率放在一起讨论，但作者也明确承认二者不是同一种任务，不能进行直接数值比较。

配体交换后，位点恢复率从 92% 降至 77%。这说明预测确实受到具体配体影响，但仍有相当一部分信号来自蛋白自身的通用配体结合倾向。

仅使用公开数据重新训练后，未见蛋白上的中位 AUROC 为 0.96，完整模型为 0.98，表明残基定位并不完全依赖内部数据。

6.3 计算速度：真正改变的是成本结构

在单张 NVIDIA H100 上：

• • Ptarmigan-1 对 EGFR 的 5488 个配体完成完整运行需要 55.5 秒；
• • 平均约 10.1 ms/配体；
• • Boltz-2 对同一靶标的 50 个配体需要 44.6 分钟；
• • 平均约 53.5 s/配体。

二者吞吐量相差约 5000 倍。

作者进一步使用 OnePot CORE 的 34 亿化合物库，对 20,431 个人类蛋白进行检索，总成本约为 20 H100 GPU-hours。

这个结果的重要性不只是一次筛选变快。

当化合物嵌入已经计算并建立索引后，新增靶标只需要：

• • 编码一次蛋白；
• • 对残基向量执行 ANN 查询；
• • 对返回候选重排序。

因此，成本不再随每次筛选完整重复。

6.4 对新蛋白与新化学骨架的泛化

作者构建了包含 100 个靶标的留出测试集，其中 33 个靶标的蛋白序列从未出现在训练中。

结果显示：

• • 33 个未见靶标中，32 个获得高于随机的活性富集；
• • 未见靶标中位 adjusted logAUC 为 0.31；
• • 训练中出现过的靶标中位值为 0.65；
• • 同时处于低蛋白相似性和低化学相似性区域的 6 个靶标，平均 adjusted logAUC 仍为 0.13。

随着训练集中同源蛋白和相似化合物增多，模型性能持续提高。这表明模型具有泛化能力，但训练覆盖度仍是影响性能的重要因素。

对最具新颖性的配体，adjusted logAUC 约为 0.21；对最接近训练化学空间的配体，则升至 0.43。

6.5 共价、非正构和无序靶标

在作者构建的共价筛选基准中：

在经典正构位点上，两种方法接近。

在无序靶标上，Ptarmigan-1 保留了正向富集，而 Boltz-2 接近或低于随机。

不过，非正构类别仅有 KRAS 和 XPO1 两个靶标，而且两者表现方向不同：

• • 在 XPO1 上，Ptarmigan-1 更好；
• • 在结构研究充分的 KRAS switch-II 口袋上，Boltz-2 更好。

因此，不能仅凭两个靶标得出 Ptarmigan-1 普遍优于结构方法的结论。无序靶标测试集又来自内部专有数据，这进一步限制了独立验证。

6.6 XPO1：已知口袋先验对结构模型非常重要

针对 37 个选择性核输出抑制剂和 1684 个性质匹配 decoy：

• • Ptarmigan-1 无结构、无口袋输入：AUROC 0.90；
• • Boltz-2 不指定口袋：AUROC 0.71；
• • Boltz-2 预先指定共价位点：AUROC 0.91。

这个实验说明，Boltz-2 并非无法识别这些化合物，而是容易在盲条件下找错位点。

Ptarmigan-1 的优势更接近于：

不需要先知道该往哪里看。

此外，Boltz-2 对接近已有 XPO1 共晶化合物的分子排名较好，而对更新颖类似物表现下降；Ptarmigan-1 在两类分子上的差距较小。

6.7 从配体识别进一步得到隐蔽口袋

作者没有专门训练 Ptarmigan-1 做口袋预测。

他们从 OnePot 库中选取 20 万个多样化分子，将每个残基对整个探针库的结合倾向进行边缘化，得到与具体单个配体无关的残基可配体化分数。

在 CryptoBench 的 199 个可评估 apo 结构上：

• • Ptarmigan-1：每蛋白 AUPRC 0.27；
• • P2Rank：每蛋白 AUPRC 0.22。

P2Rank 可以直接读取 apo 三维结构，而 Ptarmigan-1 只读取序列。

但在具有稳定正构口袋的 COACH420 上：

• • P2Rank：0.63；
• • Ptarmigan-1：0.58。

这组结果很好地说明了两类方法的互补关系：

• • 稳定、几何明确的口袋适合结构方法；
• • apo 构象中尚未打开的隐蔽位点，序列–化学统计信息可能提供额外信号。

论文还引用了 CryptoBench 自身监督模型 0.36 的结果，但该结果采用 pooled micro-AUPRC 和不同的可评估子集，不能与上述每蛋白 AUPRC 直接比较。

6.8 STAT6 专利抑制剂回顾性验证

作者选取两项 Pfizer 专利中的 40 个 STAT6 抑制剂，并与性质匹配 decoy 比较。

在三种方法共同成功评分的 597 个 decoy 上：

• • Ptarmigan-1：AUROC 0.94；
• • 指定 SH2 口袋的 smina：0.58；
• • 不指定口袋的 Boltz-2：0.58。

在全部 826 个 decoy 上，Ptarmigan-1 为 0.92，smina 为 0.62。Boltz-2 有 229 个较重的 decoy 未能成功共折叠，若把这些失败分子分别视为最好或最差排名，其 AUROC 范围约为 0.42–0.69。

Ptarmigan-1 还把这些专利活性分子的高响应区域集中到 STAT6 的 SH2 结构域，即残基 517–632。

对具有实验结构的阳性对照 AK-1690，模型最高响应位于残基 566，落在已知 SH2 磷酸酪氨酸口袋中。Boltz-2 则把专利化合物预测到远离 SH2 结构域的卷曲螺旋和 DNA 结合区域。

不过，专利系列本身没有公开共晶结构。因此，Ptarmigan-1 对其具体结合位点的判断仍属于模型预测，而非实验验证。

7. 带来的技术启发

7.1 虚拟筛选不一定必须是逐对计算

Ptarmigan-1 把蛋白–配体筛选从逐对模型推理改写成了向量数据库查询。

这与搜索引擎的逻辑更接近：

• • 文档预先编码；
• • 查询到来时只编码查询；
• • 使用索引快速召回；
• • 再用更昂贵的模型精排。

对于超大规模虚拟筛选，这种预计算、索引和复用可能比单纯提高单次模型速度更重要。

7.2 标签粒度可以不同，模型输出必须与数据形态匹配

传统结构模型主要围绕复合物坐标和亲和力构建。

Ptarmigan-1 的残基级表示则可以直接利用：

• • PDB 中的口袋残基；
• • ABPP 标记的反应性残基；
• • 化学蛋白质组学中的位点级 engagement；
• • 只有整体结合标签的生物活性数据。

这说明，模型架构不应只围绕最理想的数据设计，也要考虑现实中大量不完整、混合分辨率的数据。

7.3 无序蛋白问题可能首先是数据与表示问题

对于内在无序蛋白，强行预测一个确定三维复合物可能会引入错误的结构确定性。

序列–化学共嵌入没有尝试重建唯一构象，而是学习实验中哪些序列环境倾向于被哪些化学类型识别。

这可能更适合作为无序靶标的早期候选检索器，但还不能解释真实的构象选择与诱导折叠过程。

7.4 位点定位可以成为结构优化的上游条件

Ptarmigan-1 不输出姿势，却可以输出高概率残基区段。

这些残基可以进一步用于：

• • 限定对接盒子；
• • 条件化扩散对接；
• • 指导共折叠模型；
• • 构建局部结构模板；
• • 降低盲对接搜索空间。

因此，它更适合充当结构模型的上游定位器，而不是取代结构模型。

7.5 蛋白组逆向查询可能与正向筛选同样重要

共享嵌入空间允许同时回答：

• • 哪些化合物可能结合这个靶标；
• • 这个化合物还可能结合哪些蛋白；
• • 它更可能作用于这些蛋白的哪些残基。

这为早期选择性设计和多药理学分析提供了统一表示。

8. 局限性

8.1 结构无关指的是输入与推理，不代表训练完全不使用结构信息

Ptarmigan-1 不需要三维结构作为模型输入，但其训练数据包含 PDB 复合物，结合残基也是通过配体 5 Å 邻域从实验结构中定义的。

因此，更准确的描述是：

结构自由推理，而非完全脱离结构知识的学习。

此外，蛋白语言模型本身也会从海量序列中隐式学习与结构相关的规律。

8.2 结合倾向不等于结合亲和力

Ptarmigan-1 学习的是 engagement 概率和相对排序，不是严格意义上的结合自由能。

模型也没有显式处理熵、去溶剂化、构象应变和质子耦合等热力学因素。

8.3 无法提供原子级结合模式

没有三维姿势意味着模型不能回答药物化学中许多关键问题：

• • 哪个取代基指向溶剂；
• • 哪个杂原子形成氢键；
• • 共价 warhead 的进攻几何是否合理；
• • 是否存在不可接受的空间冲突；
• • 手性中心如何影响结合；
• • 水网络是否被破坏；
• • 金属配位是否正确。

因此，它可以发现候选，却不能独立支持后续的结构优化。

8.4 批内负样本可能包含大量未知阳性

蛋白–小分子相互作用矩阵极为稀疏。没有观测到相互作用，通常不等于已经证明不结合。

把批次内非对角组合设为负样本，可能压低真实但未被检测的：

• • 脱靶相互作用；
• • 同家族交叉活性；
• • 弱结合；
• • 条件依赖结合；
• • 共价反应性。

这会影响共享空间的校准和蛋白组选择性预测。

8.5 内部专有数据限制了完整复现

内部化学蛋白质组学数据约包含 22.9 万个蛋白–化合物对和 31.2 万个结合残基，并构成大部分残基级标签。

论文表明：

• • 非共价性能对内部数据不敏感；
• • 共价活性 top-5% 召回率从公开数据模型的 45% 提升至完整模型的 56%；
• • 无序靶标基准来自内部数据。

因此，论文最具差异化的一部分能力，也恰好是最难由外部团队独立复现的一部分。

文中只承诺发布评估集标识符、标签、decoy 分配和作图数据，并未明确承诺公开模型权重和完整训练代码。

8.6 部分比较并非完全同任务、同指标

需要特别区分：

• • 残基位点恢复率与配体姿势 RMSD；
• • per-protein AUPRC 与 pooled micro-AUPRC；
• • 指定口袋的结构方法与盲预测方法；
• • 不同模型训练截止时间和数据覆盖；
• • 内部靶标集与公开基准。

论文大体上主动披露了这些差异，但读者仍不应把所有数字理解为严格排行榜。

9. 对 AI 制药未来发展的意义

9.1 构建分层式超大规模虚拟筛选漏斗

Ptarmigan-1 最合理的应用方式不是独立完成整个药物发现流程，而是位于筛选漏斗最上游：

结构无关模型负责广度，结构模型负责精度。

这种分工可以让昂贵的结构模型把计算预算集中到更小、更有希望的候选集合。

9.2 与扩散对接模型结合

Ptarmigan-1 输出的高分残基区域可以作为扩散对接模型的条件：

• • 约束配体初始中心；
• • 构建局部口袋；
• • 调整平移扩散的先验分布；
• • 对候选位点分别采样；
• • 避免共折叠模型反复落入熟悉的正构口袋。

这可能形成一条更加稳健的路线：

序列模型发现位点，扩散模型生成姿势，物理模型完成精修。

9.3 从单靶标筛选转向蛋白组选择性设计

传统虚拟筛选通常只关心目标靶标。

共享残基–配体空间则允许在候选生成早期就进行蛋白组反筛：

• • 保留目标蛋白高相似度；
• • 压低关键安全靶标相似度；
• • 控制同家族选择性；
• • 主动设计多靶点作用谱。

这对转录因子、共价抑制剂和多结构域蛋白尤其重要。

9.4 化学蛋白质组学可能成为结构 AI 的重要补充数据源

PDB 提供高分辨率但规模有限的结构样本。

化学蛋白质组学则提供：

• • 原生细胞环境；
• • 蛋白组覆盖；
• • 位点分辨率；
• • 共价和非经典结合区域；
• • 与传统结构数据库不同的靶标分布。

未来模型可能不再只追求更多复合物结构，而是联合学习：

• • 结构坐标；
• • 残基 engagement；
• • 蛋白级活性；
• • 细胞表型；
• • 选择性与毒性。

9.5 虚拟筛选可能越来越像可持续更新的检索系统

传统对接中，每次新增靶标都意味着一次新的大规模计算任务。

在共享嵌入体系中：

• • 新化合物只编码一次；
• • 新蛋白只编码一次；
• • 新实验结果用于继续调整空间；
• • 所有历史查询都可以从改进后的空间中受益。

这使虚拟筛选从一次性任务逐渐转向持续积累和更新的分子知识索引。

总结与推荐理由

Ptarmigan-1 最重要的贡献，不是证明三维结构不再重要，也不是在所有虚拟筛选任务上超过对接或共折叠模型。

它真正证明了三点。

第一，蛋白–配体识别可以在不显式生成复合物的条件下实现残基级定位。

第二，通过预计算嵌入和近似最近邻索引，十亿级筛选可以从逐对建模转化为可复用的向量检索。

第三，化学蛋白质组学和位点级 engagement 数据能够覆盖传统结构数据库较少涉及的共价、非正构和无序区域。

但论文尚未证明共享嵌入能够替代原子级结构建模，也没有完成新命中化合物的前瞻性实验闭环。Ptarmigan-1 的部分关键优势依赖专有数据和规模较小的挑战性基准。

因此，更准确的定位是：

Ptarmigan-1 提供了一种面向超大化学空间和困难靶标的高速上游检索器。它负责发现哪些化合物和哪些蛋白区域值得投入更昂贵的结构计算，而不是独立回答分子究竟如何结合。