2026年10月12日,《Nature Reviews Drug Discovery》发表对话栏目文章“Filling the massive AI drug discovery data gap”。

文章由科学记者Asher Mullard采访牛津大学结构生物信息学教授、OpenBind项目联合负责人Charlotte Deane,讨论人工智能为何尚未在小分子药物发现中复制AlphaFold的成功,以及大规模、标准化、开放的蛋白质—小分子结合数据如何成为下一轮技术突破的基础。文章的核心判断是:现阶段限制结构型AI药物发现的主要因素,已经不是缺乏更复杂的模型,而是缺乏数量充足、分布合理且同时包含结构和结合强度的数据。
AlphaFold成功背后的数据前提
AlphaFold 2的成功常被视为AI改变生命科学的典型案例,但其能力并非只来自算法创新。模型训练依托蛋白质数据库在数十年间积累的大约13万种实验解析蛋白质结构。稳定的结构标准、持续的数据提交以及覆盖不断扩大的蛋白质空间,为模型学习氨基酸序列与三维折叠之间的关系提供了基础。
药物发现希望沿用这一思路:输入蛋白质和小分子,预测两者是否结合、以什么构象结合、结合强度如何,以及对分子作何种修改能够提高活性、选择性和成药性。与单独预测蛋白质结构相比,这一任务涉及蛋白质构象变化、配体柔性、溶剂效应、质子化状态、熵和焓的共同作用。结构看似接近的两个化合物,可能因一个取代基或微小构象变化表现出数量级不同的亲和力;反过来,多个不同姿态又可能产生相似的实验结合强度。
现有模型可以生成视觉上合理的蛋白质—配体复合物,但“看起来合理”并不意味着符合物理规律。部分系统会产生原子重叠、异常键长或不稳定配体姿态,在与训练数据相似的靶点上表现不错,面对新蛋白、新口袋或新化学骨架时却迅速失效。模型可能记住数据库中的相似复合物,而没有真正掌握决定结合的物理化学规则。
Deane将问题概括为“瓶颈现在是数据”。这并不是说算法研究已经完成,而是当训练材料过少、偏斜或缺乏实验一致性时,单纯扩大参数量难以获得可靠的外推能力。正如语言模型在拥有海量、多样文本时才能学习语言规律,药物AI也需要覆盖不同蛋白家族、结合口袋、化学骨架和亲和力范围的实验样本。
公共数据库为何仍不够用
蛋白质数据库已经收录大量生物大分子结构,但真正适合训练小分子结合模型的数据只是其中一部分。许多条目只提供蛋白质结构,不包含小分子;部分复合物虽然有三维坐标,却缺乏可比的亲和力数据;另一些数据来自不同实验体系,检测方法、缓冲液、温度、构建体和数据处理方式并不一致。
药企拥有规模更大的内部活性数据,但多数不公开,而且同样可能缺少与每个活性测量一一对应的高质量复合物结构。传统药物项目还具有明显的选择偏倚:研究团队通常围绕少数成功化学系列进行优化,并优先发表活性较高或具有明确结合模式的化合物。未结合、弱结合、姿态异常和实验失败的数据往往被忽略。
这种数据分布容易使模型形成一种过度乐观的认识:数据库中的化合物似乎大多能够结合,而且经常以清晰、单一的姿态占据口袋。现实中,大量候选分子根本不结合,或虽然在某种实验中显示活性,却不能获得稳定结构。对机器学习而言,这些“失败”不是无价值记录,而是划定适用边界、识别错误机制和校准预测置信度所必需的负样本。
数据密度也是关键。大量蛋白质各配一个或两个配体,适合展示结构多样性,却不一定能帮助模型理解精细的构效关系。若要学习“一个甲基为何使亲和力提高十倍”“取代基变化为何导致结合姿态翻转”,就需要围绕同一蛋白和同一化学系列获得成组结构,并配套一致条件下的亲和力测量。稠密数据可以让模型区分真正的因果变化与不同实验体系造成的噪声。
OpenBind要解决什么问题
OpenBind的目标是建设世界上规模最大的开放蛋白质—小分子相互作用数据集。项目并非简单汇总已有文献,而是从实验设计阶段就面向机器学习需求,系统生成结构、亲和力和必要的实验元数据。公开规划提出,项目将在五年内生成超过50万个经实验验证的蛋白质—配体复合物结构,相当于将现有公开数据规模提高约20倍。
项目将Diamond Light Source的高通量X射线晶体学设施、自动化微升级化学、纳升级合成、结合实验与计算建模整合为一条流水线。研究人员可以先进行大规模片段筛选,再围绕命中骨架合成后续化合物,同时测定晶体结合姿态和亲和力。数据经过标准化处理后,以适合机器学习的格式公开,用于模型训练、微调、基准测试和误差分析。
OpenBind尤其关注三类信息量较高的数据:公共资源中代表不足的蛋白靶点;现有算法难以处理的结合口袋和化学系列;能够暴露模型系统性错误的成组实验结果。这种策略与传统“越多越好”的数据积累不同,更强调单位实验能够为模型提供多少新的学习信号。
目标选择也兼顾全球健康价值。商业回报较低的传染病和被忽视疾病通常难以获得药企持续投入,但开放的结构和亲和力数据可以降低早期研究门槛,使高校、公益机构和中小型公司共享同一数据基础。AI若能减少反复试错和实验筛选成本,最重要的影响之一可能不是让热门靶点更加拥挤,而是让原本缺乏商业动力的疾病获得可行的药物发现工具。
首批数据验证了实验流水线
OpenBind首批公开数据聚焦肠道病毒A71的2A蛋白酶,以高度相近的柯萨奇病毒A16 2A蛋白酶作为实验替代系统。2A蛋白酶参与病毒多聚蛋白加工,并切割宿主翻译和抗病毒信号相关因子,是具有潜在成药性的抗病毒靶点。该数据集包含来自699种化合物的925个晶体学结合事件,其中601种化合物具有配套的解离常数测量。它不是相互独立的复合物集合,而是包含片段筛选命中物及其后续类似物,可以分析相关化合物如何保持、改变或失去关键相互作用,以及局部结构变化能否被亲和力模型正确识别。
这一规模对于单一蛋白靶点而言已属于大型公共数据集。更重要的是,所有数据来自相对一致的实验流程,将结合构象、亲和力和化合物关系连接起来。研究者因此可以分别检验对接、共折叠预测和亲和力预测:预测姿态是否接近晶体结构;模型是否能识别同系列化合物的细微差异;在新化学骨架上是否仍然可靠;经过针对性微调后能否减少物理上不合理的结果。
项目还提供当前方法的参考基准,但目的不是建立永久排行榜。只在单一测试集上追求分数,容易使模型再次围绕已知数据过拟合。更有意义的评价方式是开展盲测:在实验结构公开前提交预测,随后与真实结果比较。盲测可以减少测试集泄漏,也更接近药物发现中的实际情形。
开放数据为何具有战略意义
高质量数据只有在能够被广泛访问、复核和重新使用时,才可能形成类似蛋白质数据库的长期效应。开放数据使学术团队能够开发和检验新算法,使药企可以在统一基准上比较内部方法,也让资源较少的研究机构不必首先建设昂贵的结构实验平台。
开放还可以提高结果的可审计性。当前许多药物AI模型在专有数据上训练,外界难以判断性能提升究竟来自算法创新、数据规模,还是测试集与训练集之间存在隐性相似性。公开的实验协议、数据处理方法和基准任务使不同模型可以在相同条件下比较,并暴露哪些靶点、化学类型和结合模式仍是盲区。
不过,开放数据并不会自动解决全部问题。模型仍需处理蛋白质动态性、溶剂和离子效应、共价结合、变构口袋以及实验不确定性。晶体结构也只是结合体系的一种观测结果,并不等同于细胞内的完整状态。结构和亲和力预测需要与药代动力学、毒性、细胞通透性及疾病生物学结合,才能真正支持候选药物决策。
从更强模型转向更好的数据循环
这篇访谈传递的更深层信息,是AI药物发现需要改变资源配置方式。近年来,行业注意力主要集中在新架构、更大模型和生成式设计上,但模型性能最终受制于训练数据能够表达的科学信息。如果数据只覆盖熟悉靶点和成功化合物,再复杂的模型也可能只是更熟练地复述已有化学空间。更有效的路径是建立“模型—实验—再训练”的循环:模型首先指出不确定性最大的靶点、化学骨架或结合模式;实验平台据此生成最有信息量的数据;新数据再用于纠正模型并提出下一轮实验。这样,实验不只是验证预测,也主动塑造模型的学习边界。
OpenBind因此不仅是一个数据仓库,更是一项面向AI设计的实验基础设施。它试图把几十年来分散、异质且偏向成功案例的数据积累,转变为主动规划、标准化生产和持续公开的知识体系。如果这一模式能够扩展到更多靶点和化学系列,结构型AI才可能从“生成看似合理的复合物”迈向“在未知靶点上可靠预测结合姿态和亲和力”。
AlphaFold的启示不应被简化为“大模型可以解决生物学问题”。更准确的经验是:长期开放的数据基础、明确的科学任务和算法进步共同促成了突破。对小分子药物发现而言,下一次跃迁可能首先发生在实验数据生产方式上,而不是神经网络结构中。
参考链接:
https://www.nature.com/articles/d41573-026-00137-y
--------- End ---------
内容中包含的图片若涉及版权问题,请及时与我们联系删除



评论
沙发等你来抢