从事蛋白设计的研究者大概都有类似体验：借助 RFdiffusion、BindCraft 等工具生成一批候选结合子已不算困难，真正的难题在于——合成之前，到底该相信哪个？
长期以来，这个问题缺乏系统性的答案。大家通常依赖一些经验性的启发式规则对候选进行排序，比如观察 pLDDT 是否够高、ipAE 是否够低，但很少有人在大规模统一数据集上认真比较过这些指标的预测效能。
这项研究恰好填补了这一空白。数据集涵盖 3,766 个具有实验结合数据的 de novo 结合子，涉及 15 个靶点、4 套结构预测工具，每个设计提取了 200 多个结构、能量、置信度与序列特征——简而言之，这是一次大规模的“赛马”分析，旨在找出哪个指标（或哪些指标组合）能最有效地提前告知哪些候选值得投入合成。
速览
直接给出核心发现：AlphaFold3 提供的 ipSAE_min 是当前表现最稳定、区分能力最强的单一指标，其平均精度（AP）约为常用指标 ipAE 的 1.4 倍。如果再结合一些正交的物理化学界面描述符，比如 Rosetta 的 ΔG/ΔSASA、界面形状互补性，预测性能还能进一步提升。不过，一个有意思的结论是：简单的线性模型用好少数几个特征就足够了，堆砌特征、添加交互项，甚至换成 XGBoost，都没有带来额外收益。
| 关键数字 | 值 |
|---|---|
| 汇总结合子总数 | 3,766 |
| 靶点数 | 15 |
| 真实结合子（阳性） | 436（11.6%） |
| 每个设计的特征数 | 200 |
| 结构预测工具 | 4 |
| 靶点长度范围（残基） | 60–621（均值174，中位101） |
| 流水线提速 | 每个设计1802 s → 230 s（↓87%） |
1. 背景：为什么“筛选”才是真正的瓶颈
过去两年，RFdiffusion、BindCraft、AlphaProteo 等方法已经能够仅凭靶点结构、无需天然模板，直接生成高亲和力的结合子。这在治疗、诊断和基础研究中得到了广泛应用。
但真正的成本并不在“生成”步骤，而在后续环节。设计软件通常一次输出成百上千个候选，而真正能在体外实验中结合的往往只有个位数。如果每个候选都去合成、做 BLI 或细胞分选，时间和经费都难以承受。因此in silico 预筛成为整个流程中最核心、也最棘手的部分——尤其当候选池彼此高度相似时，要从中分出优劣，难度可想而知。
一个关键的转折点是 Bennett 等人（2023）的工作，他们发现基于深度学习的结构预测（特别是 AlphaFold2）可以在实验前有效排序候选，显著提高成功率。由此衍生出的置信度指标——pLDDT、ipAE、ipTM——被证明能预测体外结合，甚至优于传统的 Rosetta 物理能量。
但目前依然存在三个明显的缺口：
- 没有公认标准：设计成功率高度不稳定，缺乏跨研究通用的候选优先级判定准则；
- 新模型未被系统评测：AF2 之后涌现了 AlphaFold3、Boltz-1、Boltz-2、Chai-1 等模型，在“预测体外结合”这一任务上谁能胜出，尚缺乏大规模比较；
- 泛化性存疑：层出不穷的新指标，能否跨大规模、多样化数据集泛化，并不清楚。而且多数 de novo 项目只产出极少量验证过的结合子，往往还聚焦在相关靶点上，很难在规模上做 benchmark。
这项研究正是针对这些缺口而来。
2. 数据集：3,766 个结合子 / 15 个靶点
作者从多篇已发表研究中汇总数据，构建了一个跨靶点类别、跨设计协议的大规模数据集。靶点涵盖：
- 受体酪氨酸激酶（RTK）：EGFR、LTK、FGFR2、胰岛素受体（InsulinR）、TrkA
- 病原体来源抗原：SARS-CoV-2 RBD、VirB8
- 细胞因子受体 / 免疫调节因子：IL2Rα、IL7Rα、IL10Rα、PD-L1
- 其他：原癌蛋白 MDM2、蛇毒短链 α-神经毒素（sntx）、两个肽-MHC 复合物（pMHC）
将真实结合子的相互作用残基映射回靶点结构后可以看到，结合位点高度保守（Fig. 1A）。
2.1 数据来源（节选汇总）
| 数据来源 | 代表靶点 | 结合判定方式 |
|---|---|---|
| Adaptyv Bio R1 & R2（2025） | EGFR | BLI 测得 K_D < 10,000 nM |
| Bennett et al.（2023） | LTK、IL10Rα、IL2Rα | 细胞分选 Sc50 < 4000 nM，部分 BLI 验证 |
| Cao et al.（2022） | VirB8、InsulinR、TrkA、FGFR2、EGFR、IL7Rα、SARS-CoV-2 RBS | Sc50 < 4000 nM |
| Watson et al.（2023，RFdiffusion） | PD-L1、IL7Rα、TrkA、InsulinR、MDM2 | BLI 响应 > 阳性对照 50%（10,000 nM） |
| Johansen et al.（2025） | 两个 pMHC（NY-ESO / SILSY） | 分选前后 log2FC，无单一阈值，部分 BLI |
| Torres et al.（2025） | sntx | 酵母展示分选，部分 BLI |
2.2 数据集的两个关键特征（也是后续分析的难点）
- 极度不平衡：仅 436 个（11.6%）为真实结合子，且各靶点的测试数与阳性比例差异极大（Fig. 1B）。这直接决定了后文用平均精度（AP）而非 AUROC 作为主评价指标。
- 标签噪声不可忽视：结合判定未跨研究标准化——亲和力阈值与检测形式（BLI、酵母/细胞分选 Sc50、log2FC 等）各不相同（见 Table 1）。
为了排除数据冗余带来的偏倚，作者对靶点与结合子序列相似性都做了评估（Fig. S1）：除两个 pMHC 靶点之间、以及 pMHC NY1 结合子内部存在预期内的相似性外，整体序列多样性都很高——结论不是被冗余撑起来的。此外，对 Bennett 与 Cao 的数据按非结合子∶结合子 = 10∶1 进行了下采样，Adaptyv 数据中的抗体类结合子被剔除，以保持“纯 de novo”聚焦。
3. 打分流水线与提速
3.1 流水线设计（Fig. 2A）
输入是各设计工具产出的结合子–靶点复合物 PDB（binder = 链 A，target = 链 B），配一个 CSV 指定靶点子链范围与 MSA 设置。不同工具的处理方式不同：
- AF2 initial guess：用输入 PDB 固定靶点结构，仅重预测结合子（为高通量而生，作为本研究的参照基线）；
- ColabFold / Boltz-1 / AF3：提取结合子序列 + 相关靶点子链，重预测整个复合物；每条唯一靶点链用 MMseqs2 生成一次 MSA 并复用，再转成各模型所需格式。
随后从各模型输出中抽取置信度分数，并统一计算 ipSAE、pDockQ、pDockQ2、ipAE、LIS（AF2 initial guess 除外），再对最高置信复合物计算一系列结构指标及模型间两两 RMSD——合计 200 多个特征/设计。
3.2 三档配置与提速结果（Fig. 2B–D）
为了压缩“结构预测耗时”这一主要瓶颈，作者在 56 个真实结合子（覆盖 15 个靶点 + 3 个额外靶点；其中 12 个有实验解析结构）上测试了三档配置：
| 配置 | MSA 策略 | 模型数 | 每个设计总耗时 | AF3 耗时 |
|---|---|---|---|---|
| Maximum | 各工具默认成对 MSA | 5 | 1802 s | 1441 s |
| Intermediate | 仅靶点单一 MSA，复用 | 5 | 282 s（↓84%） | 33 s（↓97%） |
| Minimal（最终采用） | 仅靶点单一 MSA + 减 recycle | 3 | 230 s（↓87%） | 29 s（↓98%） |
AF3 的提速最为显著，主要是因为跳过了基于 JackHMMER 的 MSA 生成。关键是：用 12 个实验结构验证发现，ipAE（模型质量）与 DockQ（结构吻合度）在三档之间没有显著下降——也就是说，提速几乎不以精度为代价。因此后续分析全部采用 Minimal 配置（运行于单张 NVIDIA L40S）。
4. 核心指标：ipSAE 是什么，为什么 _min 最强
要理解本文的核心结论，需要先厘清几个置信度指标的差异。
4.1 ipSAE 的设计动机与公式
ipSAE（interaction prediction Score from Aligned Errors）由 Dunbrack（2025）提出，可以看作对 ipTM 的“界面聚焦式”修正：
- 它与 ipTM 算法相似，但只纳入 pAE < cutoff（默认<10）的链间残基对；
- 它按界面规模动态调整 d0（d0 随界面残基数的平方根增大）。
其计算形式为（A→B 方向）：
ipSAE(A→B) = max over i∈A [ mean over j∈B, PAE_ij < cutoff ( 1 / (1 + (PAE_ij / d0)^2) ) ]
直观含义就是：只统计那些真正自信的界面接触，并对“小而自信”的界面打折——因为很短的界面在物理上不太可能形成真实结合。这使得 ipSAE 比 ipAE 更具一致性、更不依赖具体靶点。
4.2 _min 的由来
由于 A→B 与 B→A 不对称，作者保存了两个方向的最大与最小值：
- ipSAE_max：标准实现，取较大值；
- ipSAE_min：取较小值——“最弱的一环”最能反映结合状态。
作者还探索了在 A 维度上把 max 算子替换为 avg/min 的变体（ipSAE_avg、ipSAE_min_in_calculation），以及若靶点有多个子链则在“有实际相互作用残基”的方向上取均值。
4.3 核心指标速查表
| 指标 | 含义 | 计算于哪些模型 |
|---|---|---|
| pLDDT | 每残基置信度 | 全部 |
| ipAE（pae_interaction） | 结合子链到其他链的平均链间 pAE | 全部 |
| ipTM | 界面预测 TM-score（链相对位置置信度） | 全部 |
| ipSAE / ipSAE_min | ipTM 的界面聚焦修正，pAE<10，d0 动态；_min 取双向最小 | AF3 / ColabFold / Boltz-1 |
| LIS | 链间接触（pAE<12）反转后取均值（0–1） | AF3 / ColabFold / Boltz-1 |
| pDockQ / pDockQ2 | 由 pLDDT + 界面预测的 DockQ | AF3 / ColabFold / Boltz-1 |
| DockQ | 与参考结构的界面相似度（此处以输入结构为参考） | 全部 |
| interface_ΔG | Rosetta 估计的界面结合能 | 输入 + 各模型 |
| interface_ΔG/ΔSASA | 结合能按界面大小归一（惯例×100） | 输入 + 各模型 |
| interface_sc | 界面形状互补性 | 输入 + 各模型 |
| ΔSAP（sap_delta） | 空间聚集倾向差值，疏水性强 | 输入 + 各模型 |
| RMSD_binder（input vs AF3） | 对齐靶点后，输入与 AF3 预测结合子的 Cα RMSD | 跨模型对比 |
4.4 四个工具的角色对比
| 工具 | 版本 | 处理方式 | 备注 |
|---|---|---|---|
| AF2 initial guess | dl_binder_design v1.0.0 | 固定靶点，仅重预测结合子 | 高通量参照基线；不计算 ipSAE/LIS |
| ColabFold | localcolabfold v1.5.5（AF-multimer） | 重预测整个复合物 | MMseqs2 MSA |
| AlphaFold3 | v3.0.1 | 重预测整个复合物 | 综合最佳 |
| Boltz-1 | Boltz-1x v1.0.0 | 重预测整个复合物 | 开源 AF3 类模型，最接近 AF3 但仍略逊 |
5. 哪些特征最能预测结合
5.1 单特征：全数据下的最佳是 AF3 ipSAE_min
用 AP 衡量各特征区分结合/非结合的能力，各模型的最佳单特征为：
- AF3 / ColabFold / Boltz-1：ipSAE_min、ipSAE_max、LIS——全部是基于 pAE 矩阵、且仅捕获高置信界面的分数；
- AF2 initial guess：ΔSAP。
全数据下的最佳单一指标是 AF3 ipSAE_min。 作者也提醒：部分数据此前已用 AF2 initial guess 的 ipAE/pLDDT 预筛过（Fig. S9、S10），可能人为压低了这两个指标在本数据上的表观预测力。
5.2 交互特征：置信度 × 物理化学描述符
作者进一步引入交互项（两特征的乘积 f_i × f_j）。结果显示，加入交互项后各模型预测力都一致提升，最佳组合为：
| 模型 | 最佳交互组合 |
|---|---|
| AF3 | ipSAE_min × interface_ΔG/ΔSASA |
| ColabFold | ipSAE_min × input_interface_shape_complementarity |
| Boltz-1 | LIS × input_ΔSAP |
| AF2 initial guess | DockQ × input_ΔSAP |
规律很清晰：除 AF2 initial guess 外，最优组合都是“界面聚焦的置信度分数 + 物理化学界面描述符”——说明二者捕获的是正交、互补的信息。整体而言，AF3 在单特征与交互特征上都全面胜出，说明它给出的置信度与复合物结构最准确。
5.3 跨靶点稳健性：换个视角看“中位 AP”
由于数据按靶点不平衡，作者改用跨 15 个靶点的中位 AP（削弱个别靶点的离群影响）重排。各模型 top 单特征：ipSAE_min（AF3、Boltz-1）、actifpTM（ColabFold）、pAE_interaction（AF2）。其中AF3 ipSAE_min 仍然最突出；叠加物理化学描述符（AF3 加形状互补性、Boltz-1 加 ΔG/ΔSASA 等）同样能稳定提升 AP。
6. 靶点依赖性：为什么有的靶点天生难预测
这是本文最有“降温”意味、也最诚实的一节。
- 跨靶点波动极大：AF3 ipSAE_min（及其与 ΔG/ΔSASA 的组合）在不同靶点上的 AP 从 0.1 一路到 1.0；真结合子很少的靶点常是离群点，多半反映统计波动（Fig. 3B）。
- 阈值稳定，但精度不稳定：让 ipSAE_min 的 F1 最大化所对应的阈值，在多数靶点落在 0.5–0.8；但对应的精度仍在 0.1–1.0 间剧烈波动（Fig. 3C）。各靶点的 top 特征也相当不同（Fig. S11）。
- 什么样的靶点更好预测？（Fig. S12）
- ΔSAP（疏水性）与 AP 的相关性仅在 AF2 ipAE 上成立（Pearson r ≈ −0.68，p = 0.005）；
- 但在 AF3 ipSAE_min 上不成立（r ≈ −0.04，p = 0.89）——说明 ipSAE_min 不依赖疏水埋藏，捕获的是不同维度的界面质量；
- AF3 ipSAE_min 的 AP 反而与界面氢键比例正相关、与 ΔG/ΔSASA 负相关——即“界面能量越密集的靶点越好预测”。但这些相关都偏弱、未达显著，且主要由少数靶点驱动。
7. 阈值策略：回顾性分析 + 交叉验证
候选筛选最终要落到“卡哪个阈值”。作者用留一靶点交叉验证（每次留出一个靶点，阈值在其余靶点上选定），对最佳单特征与交互特征做了回顾性评估，并以常用的 AF2 ipAE 与 AF3 ipTM 作基线。三种实用阈值策略对应：recall = 0.2 / recall = 0.4 / 最大化 F1（Fig. 3E）。
结论：
- AF3 ipSAE_min 及交互特征 AF3 ipSAE_min × interface_ΔG/ΔSASA、AF3 LIS × input_interface_shape_complementarity 在所有阈值下都优于 AF2 ipAE；
- AF3 ipTM 在 recall 0.4 与 max F1 时被超越，但在 recall 0.2 时排第二，且 IQR 更小——说明 ipTM 在“宁缺毋滥”的低召回区依然稳健。
精度-召回曲线（Fig. 3F）给出的 F1 最大化阈值：
- AF3 ipSAE_min：0.61
- AF3 ipSAE_min × interface_ΔG/ΔSASA：−1.5（越小越可能结合）
- AF3 LIS × input_interface_shape_complementarity：0.42
此外，对 ipSAE_min 做的“逐步增加训练靶点”分析（Fig. S13）表明：阈值很快稳定，精度与 F1 随训练靶点数增加而稳步提升。
8. 线性模型与贪婪特征选择：多特征真的更好吗？
作者进一步检验：把多个特征线性组合（而非乘积），能否跨靶点提升表现？方法是逻辑回归 + 贪婪前向特征选择 + 嵌套留一组交叉验证（15 个靶点逐一留出）：
- 所有数值特征 z-score 标准化；类别不平衡用 class_weight="balanced" 处理；
- 内层用 l1 惩罚逻辑回归（liblinear），以中位 AP 选特征，AP 增益 < 0.005 即早停，防过拟合；
- 分别对每个工具的“单特征”“单特征 + top50 交互项”以及“跨模型合并”做了实验。
结果（Fig. 4A，Fig. S14–S15）：
- 没有任何模型超过最强基线 LIS × input_interface_shape_complementarity（中位 AP = 0.58，IQR 0.33–0.66）；
- 但用 AF3 单特征训练的模型中位 AP = 0.57（IQR 0.40–0.66，方差更小），超过了最佳单特征 ipSAE_min（≈0.54）；
- 内层平均只选了 2–5 个特征就停止改进；
- 跨模型合并特征 → 不提升（像是引入噪声）；加交互项 → 不提升（选入更少，说明多数交互项不跨靶点泛化）；换 XGBoost → 仍不提升（Fig. S15）。
特征重要性（AF3 单特征模型，Fig. 4C）：ipSAE_min 在所有折中均被选中，稳健性再次得到印证；之后选择频率与系数断崖式下降。值得注意的是，两个结构对比类特征频繁入选——RMSD_binder（对齐靶点后输入 vs AF3）与 RMSD_complex（整复合物 输入 vs AF3）；此外 input_interface_shape_complementarity 与 interface_ΔG/ΔSASA 也常被选中。
三特征模型（Fig. 4D）：取 top-3 特征 AF3 ipSAE_min + RMSD_binder + input_interface_shape_complementarity 重训逻辑回归，同时加这两个特征比只加其中之一带来的 AP / 精度 / F1 提升都更大——即少量补充特征确实能进一步抬升实验成功率。
9. 落地建议：可直接复用的筛选 SOP
作者把上述发现凝练成两套可直接执行的筛选策略（任选其一或组合）：
方案 A — 单刀直入，卡一个阈值（三选一）
AF3 ipSAE_min > 0.61
AF3 ipSAE_min × interface_ΔG/ΔSASA < -1.5 # 越小越可能结合
AF3 LIS × input_interface_shape_complementarity > 0.42
方案 B — 先粗筛，再排序（推荐用于大批量）
Step 1 预筛选（作用于“设计的输入结构”，无需折叠即可执行）：
input_interface_shape_complementarity > 0.62
RMSD_binder < 3.73
Step 2 对通过者按 AF3 ipSAE_min 取 Top-K
几条值得记住的实操要点（Fig. 4E–F）
- 形状互补性这个滤镜很值：它作用在输入结构上，无需等复合物折叠完即可应用，在小 K（约 1–20）时尤其能提升平均精度；
- 仅用 ipSAE_min（或再加形状互补性），每个靶点只取 10 个候选，就能为全部 15 个靶点各召回至少 1 个真结合子；
- RMSD_binder 滤镜需谨慎：它有时过于严格——在两个靶点上、所有 K 值下都一个都没召回。它能增强预测力，但可能误杀。
10. 局限性与展望
作者对局限性相当坦诚：
- 数据稀疏：多数靶点的测试设计有限、真结合子常为个位数，限制了模型泛化；
- 标签噪声：各研究的检测方法与“结合”定义异质，引入噪声；
- 亲和力缺失：亲和力数据仅小部分可得，未纳入分析。
展望与呼吁：
- AF3 持续领先，与既往“AF3 在 PPI 预测上更优”的结论一致；但 Boltz-2、Chai-1 等更新模型值得继续评估；
- 该领域真正需要的，是更标准化、公开的“结构 ↔ 亲和力”数据集，以提升预测力并深化对蛋白–蛋白相互作用的理解。
如果说过去两年 de novo 设计解决了“怎么造”，那么“造出来之后该信谁、该挑谁”一直缺一个有规模支撑的答案。这篇覆盖 3,766 个样本的 meta 分析，第一次在足够大的尺度上把这件事讲清楚，并给出了简单、可解释、可复现的落地方案。
对任何还在为“挑哪个 binder”头疼的实验室，这都是一份兼具方法学深度与工程实用性的参考指南。
