先说几个核心判断：AlphaFold2确是一场变革，但其应用边界同样清晰。在基于结构的药物设计（SBDD）中，AF2输出的是单一最优静态结构，构象多样性方面存在天然缺陷。对于GPCR这类具有高度构象动态性的重要药物靶标，这一问题尤为突出。近期一项名为AFsample2T的研究提出了一种富有启发性的解决方案——在不修改AF2网络架构的前提下，通过在MSA输入层面施加局部"遮蔽"，精准释放结合口袋区域的进化约束，从而生成更具多样性的构象集成。

研究背景

AF2的里程碑意义与内在局限

AlphaFold2在CASP14上的表现毋庸置疑——它以近乎碾压的方式超越了所有传统方法。然而，当将其真正应用于基于结构的药物设计时，问题逐渐显现：AF2的训练目标决定了它只会输出那个"最正确"的静态结构。其Evoformer模块通过行向与列向注意力机制，从多序列比对（MSA）中充分挖掘共进化信号，然后将这些信号牢牢"锁定"在预测结构中。结果呢？构象多样性几乎为零。

具体数字很有说服力：结合口袋侧链的RMSF中位值仅为0.15Å，而实验结构集合的RMSF高达0.58Å；骨架RMSF中位值为0.10Å，实验结构则是0.30Å。更直观的是，AF2生成的口袋普遍偏"塌陷"、偏小，平均体积约209ų，而实验结构的均值约为256ų。这就好比用一张照片去捕捉一段舞蹈——定格固然清晰，但动态信息全都丢失了。

GPCR：最重要也最棘手的药物靶标

G蛋白偶联受体（GPCR）是人类最大的膜蛋白超家族，约三分之一的上市药物以其为靶点。但GPCR的结构特征决定了它对构象采样极其敏感：正构结合位点位于跨膜螺旋TM1-7的胞外侧，由于内源性配体包括肽类、小分子、脂质等，口袋形态高度多样；受体本身存在激活态与非激活态两大功能构象，TM6的向外位移是关键标志；再加上胞外环2（EL2）在不同配体复合物中的构象异质性——这种天然的构象多样性，AF2的默认策略根本难以捕捉。多项回顾性评估已明确指出，AF2模型在GPCR虚拟筛选中的表现系统性差于实验结构，根源就在于结合口袋的精细描述不足。

方法设计：AFsample2T的核心策略

MSA列蒙版的原理

所谓MSA列蒙版，逻辑其实很直观：通过随机遮蔽MSA中特定位置的列，削减Evoformer可获取的共进化信息量，让AF2在结构推断时"不得不"走出原有的舒适区，探索偏离进化约束的构象空间，进而产生更高的结构多样性。已有工作（AFsample2，Kalakoti & Wallner, Commun. Biol. 2025）表明，对全MSA施加15%蒙版可增加整体构象多样性，而本篇工作的创新在于将蒙版精确靶向至结合口袋区域。

AFsample2T的靶向设计

蒙版区域定义（针对class A GPCR通用）：

蒙版概率梯度测试了0%（仅dropout）、10%、20%、30%、50%五档。

集成策略与激活/非激活态建模

AFsample2T的集成组成如下：每个受体生成1,000个模型，其中0%蒙版加dropout 250个（激活态和非激活态各125个），10%蒙版加dropout 250个，20%蒙版加dropout 250个，30%蒙版加dropout 250个。

两大功能构象的建模也颇具匠心——非激活态仅输入受体序列（AF2 monomer），激活态则输入受体序列加上异三聚体G蛋白（Gα/β/γ）序列（AF2-Multimer），通过G蛋白的胞内结合来引导TM6向外位移。验证表明，这套策略可以可靠地区分TM6的特征性构象，与Chiesa et al. 2025的结果一致。

实验设计与评估体系

结构精度评估（10个class A GPCR）

基准数据集涵盖了10个GPCR受体，包括5-HT₁A、A₂A、D₁、D₂、H₁、M₄、MT₁、μ-阿片受体、TAAR1等，共119个实验结构，内源性配体类型从单胺、嘌呤核苷到内源性肽，相当多样化。排除低分辨率结构、重复配体复合物和结合位点突变体后，保留了61个结构用于精度基准测试。

评估指标方面，以结合位点残基（配体周围5Å内）的对称感知侧链RMSD为核心指标，计算不同RMSD阈值（1.0-2.0Å）下实验结构被捕获的比例曲线并用AUC量化；同时使用pLDDT和PAE评估模型置信度，使用MDTraj计算RMSF评估集成构象多样性，使用Schrödinger SiteMap计算口袋体积。

虚拟筛选评估

分子对接工具选用DOCK3.8，基于物理评分函数，包含vdW、静电、配体去溶剂化项。配体集构建方面，活性化合物从ChEMBL v33获取（pKᵢ/pKd/pIC₅₀/pEC₅₀ ≥ 6.0），经标准化和聚类后，每受体保留52-202个配体；诱饵分子从ZINC20按性质匹配生成，每受体2,580-10,375个。整体评估规模相当庞大——对10个GPCR的所有模型（AF2加AFsample2T各1,000个）及119个实验结构进行对接，累计预测打分超过240万亿个复合物构象。评估指标包括LogAUC / aLogAUC（ROC曲线半对数面积）和EF1%（ROC曲线在1%假阳性率处的早期富集因子），分析维度覆盖集成的中位值和top 1%最大值。

核心结果

构象精度：全面优于默认AF2

结合位点RMSD-AUC的汇总数据相当有说服力：默认AF2的AUC为0.54，仅添加dropout（0%蒙版）就能提升到0.57；10%和20%靶向蒙版均达到0.61，相对AF2提升约13%；30%蒙版为0.59，小幅下降；50%蒙版则降至0.43，骨架已被破坏。值得注意的是，全局15%蒙版的AFsample2反而只有0.38，低于AF2基线。而AFsample2T集成（0-30%蒙版）表现最优，AUC达0.63，相对AF2提升17%。在RMSD ≤1.5Å阈值下，AFsample2T集成捕获了73.8%的实验结合位点构象，AF2仅为60.7%，提升22%。

构象多样性：接近实验水平

RMSF对比数据更直观地展示了改进幅度。侧链RMSF：AF2仅0.15Å，AFsample2T提升至0.45Å，实验结构为0.58Å；骨架RMSF：AF2为0.10Å，AFsample2T为0.28Å，实验结构为0.30Å——AFsample2T的骨架RMSF中位值已非常接近实验结构，说明它采样到的是口袋骨架的物理运动范围，而不只是侧链旋转体的变化。均值口袋体积：AF2为209ų，AFsample2T为218ų，实验结构为256ų；但top 1%口袋体积方面，AFsample2T能达到389ų，远高于AF2的272ų。

以TAAR1为例，EL2构象异质性的对比更为直观：AF2生成的所有13个模型EL2构象几乎完全重叠，而AFsample2T的13个随机抽样模型则展现出与13个实验结构相当的构象多样性。这一趋势在其余9个GPCR中均得到验证。μ-阿片受体的情况更为典型——AF2生成的口袋偏塌陷，AFsample2T集成中的口袋体积分布与实验结构更为一致，这也是AFsample2T在RMSD阈值1.15-1.30Å区间表现突出跳升的原因。

虚拟筛选：配体引导选模型可媲美实验结构

先看中位性能——不使用配体引导、随机选模型的情况下：实验结构的aLogAUC中位值为11.2，EF1%中位值为4.1；而AF2和AFsample2T的aLogAUC中位值分别仅4.4和4.2，EF1%中位值均为1.6。这个结果其实不令人意外，它与已有评估（Díaz-Rovira et al. 2023, Zhang et al. 2023）一致——没有配体引导时，实验结构的优势仍然显著。

但转到top 1%性能（配体引导选模型）后，情况发生了质的变化。实验结构最优的aLogAUC为19.6，AF2 top 1%为10.8，而AFsample2T top 1%达到了12.9；EF1%方面，实验结构最优为11.3，AF2为7.5，AFsample2T为9.6。更具体的受体层面来看，TAAR1受体上AFsample2T top 1%的aLogAUC达到了32.0，甚至超过了实验结构最优的27.8；μ-阿片受体上AFsample2T为16.2，实验最优为15.2。在七个受体中（5-HT₁A、D₁、D₂、H₁、M₄、MT₁、TAAR1），AFsample2T的中位富集度也优于AF2。

那么，什么样的蒙版概率最有效？分析top 1%模型的来源发现，20%蒙版贡献了44%，10%蒙版贡献26%，30%蒙版贡献16%，0%蒙版仅贡献14%。不同蒙版概率的互补贡献恰恰验证了集成策略的合理性——20%蒙版最多，但其他档位同样不可或缺。

模型数量分析

在计算成本方面有一个重要发现：分析10、100、250、500、1,000个模型的结果表明，生成100-250个模型即可获得接近1,000个模型水平的最大富集度。这对于实际应用的计算资源分配有直接的指导意义。

讨论：方法定位与适用边界

与相关方法的比较

方法局限性

话说回来，AFsample2T也有它的适用边界。首先，诱导契合场景受限——该方法基于构象预选模型，如果某个配体结合引发显著的诱导契合效应，预生成的集成可能无法覆盖相应构象。其次，AF2训练数据存在偏差，10个基准受体中有4个结构包含在AF2训练集中，模型对未知结构受体的泛化性能可能偏低。第三，无配体场景表现有限——中位富集度仍显著低于实验结构，对于完全无配体信息的孤儿受体，虚筛结果可靠性存疑。第四，受体构象能量估计未纳入，集成对接目前没有对不同构象进行能量权重校正。最后，这是GPCR特化设计，蒙版区域基于GPCR的保守拓扑定义，应用至其他靶标类别需要重新定义靶向区域。

方法延伸与展望

展望方面，有几个方向值得关注：将靶向蒙版指向GPCR变构口袋，有望生成适用于变构虚筛的构象集成；作者明确指出方法可迁移至激酶等具有保守折叠的靶标家族，源代码已开源；未来可将AFsample2T与AF2中的模板偏向策略结合，进一步提升特定功能构象的建模精度；随着AF3和Boltz-2等配体-受体共折叠方法的成熟，与AFsample2T的系统性对比将是重要研究方向。

实操指南：如何将AFsample2T用于GPCR虚筛

推荐工作流程（四步）

对于实际应用者，这里提供一个四步工作流程：第一步，生成AFsample2T集成——确定目标受体的激活/非激活态，定义靶向蒙版区域（胞外TM加EL2，参照GPCRdb编号），四档蒙版概率（0/10/20/30%）各生成至少62个模型，推荐集成规模不低于250个（计算资源充足时建议1,000个）。第二步，对接已知配体与诱饵分子——活性化合物至少10个已知配体（聚类后），诱饵分子每活性分子匹配至少50个（ZINC来源），对接工具推荐DOCK3.8或同类物理评分工具。第三步，配体引导模型筛选——计算每个模型的aLogAUC和EF1%，选取top 1%高富集模型（约10个模型/1,000集成），人工检查验证关键相互作用是否合理。第四步，使用1-3个top模型对目标化合物库进行全面对接。

决策树：实验结构 vs. AFsample2T

简单来说：如果存在受体实验结构，优先看是否有多个配体-受体复合物结构——有的话优先使用实验结构（通常一个结构即可达到top AFsample2T水平）；如果只有一个或无配体结构，要看该结构的富集度是否良好，良好则使用实验结构，否则考虑用AFsample2T补充。如果没有任何实验结构，则使用AFsample2T加配体引导筛选——但注意，如果连已知配体都没有，那就是高风险场景，结果可靠性存疑。

回到问题的本质。这篇工作的核心贡献在于识别并缓解了AF2用于药物发现时的具体瓶颈——不是笼统地"增加采样多样性"，而是有针对性地在结合口袋区域释放进化约束，并通过严格的回顾性虚拟筛选评估验证了方法的实用性。方法的优雅之处在于其极简的设计逻辑：仅需修改MSA输入（局部蒙版），无需改变AF2网络架构，无需额外训练，即可在结构质量与构象多样性之间实现有效的工程化权衡。

对药物发现社区的实践意义可以概括为四点：为无实验结构或实验结构质量有限的GPCR提供了可行的虚筛策略；证明了"集成加配体引导筛选"的范式可将AF2模型的虚筛性能提升至接近实验结构水平；提供了可直接复用的开源工具和方法学指南；方法可扩展至其他靶标类别，具有广泛适用性。

当然，局限性也需要时刻谨记：方法效果高度依赖配体引导的模型筛选——在无已知配体的场景中，AFsample2T的优势尚未被充分验证，仍需谨慎解读中位富集度数据。此外，方法与新兴共折叠工具（AF3、Boltz-2）的系统比较将是判断未来技术路线选择的关键。