可逆功元动力学实现快速苗头化合物筛选,同时揭示AI共折叠方法的记忆偏差
- 虚拟筛选常因快速但近似的评分函数而产生假阳性,而能够筛除这些假阳性的高精度自由能计算方法,对于常规高通量应用而言成本仍然过高。
- 作者提出了CTMD(基于c(t)的元动力学)方法,利用源自若干条独立、短时的阱势增强元动力学轨迹的非平衡可逆功估计量c(t)对结合稳定性进行排序,无需获得收敛的结合自由能。
- 在多种靶点和化学型上的测试表明,CTMD在保持快速、可迁移且几乎无需参数调整的同时,实现了稳健的早期富集效果。
- 作者还对AI共折叠方法进行了基准测试,发现Boltz-2的富集效果与其训练集相似度成正比,即便对活性位点进行大幅改造后仍是如此,提示其表现可能部分源于"记忆"而非真实的结合物理。
- CTMD被定位为介于快速对接/共折叠筛选与昂贵自由能计算之间的开源中间方案,旨在减少药物发现项目中人力和资金的浪费。
💡 要点
对接和全套FEP计算之间,一直缺一个分诊环节,这个方法正好补上了这块空白。单靠对接打分来决定合成优先级太粗糙,而对每一个虚拟筛选命中都跑FEP,无论预算还是周期都吃不消。CTMD用短时、独立的元动力学轨迹加c(t)估计量,恰好卡在这个位置上,真有可能改变我们最终送去合成的化合物——而且不需要一整个计算集群。开源、基本不用调参,意味着不用专人盯着也能用起来。 Boltz-2那个发现是我会提醒团队的一点:哪怕对活性位点做了改造,富集效果依然跟训练集相似度挂钩,这说明它很可能是在对已知化学型做模式匹配,而不是真正在评估结合物理。这对我们正在追的那些新颖骨架来说,恰恰是个陷阱。
Early-Enrichment Hit Discovery via Reversible-Work c(t) Estimation in Metadynamics (CTMD) ↗