综述：AI与物理学在基于结构的GPCR药物发现中的交汇

这篇综述系统探讨了人工智能（AI）与物理学方法在G蛋白偶联受体（GPCR）结构预测与药物发现中的协同应用。文章详细分析了AlphaFold2（AF2）等AI工具在GPCR三维结构预测中的突破性进展，同时指出其局限性（如构象状态单一性），并提出了结合诱导契合对接（IFD）和自由能微扰（FEP）等物理方法的优化策略。通过GPCR Dock社区评估案例，论证了AI模型在虚拟筛选（VLS）和先导化合物优化中的实际应用价值，为计算药物发现提供了多模态融合的新范式。

　　

AI驱动的GPCR结构预测革命

G蛋白偶联受体（GPCR）作为最重要的药物靶点家族，其结构解析长期面临技术瓶颈。AlphaFold2（AF2）的出现彻底改变了这一局面——截至2025年3月，AF2已为全部800余种GPCR构建了预测模型，其中Class A亚家族674个受体的跨膜（TM）结构域预测置信度（pLDDT>90）接近实验精度。值得注意的是，AF2对配体结合口袋的预测准确性尤为突出，TM区正构口袋的侧链重原子RMSD普遍小于2?。

然而这些AI模型仍存在明显局限：无法自主区分受体激活状态（如AF2倾向于生成"平均构象"），且胞外环（ECL）与TM域组装精度不足。为解决此问题，Feig团队开发的AlphaFold-MultiState通过引入状态特异性模板数据库，成功生成了与实验结构高度吻合的活性/非活性状态模型。

GPCR-配体复合物预测的突破与挑战

配体结合模式的准确预测是药物设计的核心环节。2021年GPCR Dock评估显示，对于小分子配体（如GPR139-JNJ-63533054复合物），传统对接方法的预测精度（配体RMSD<2.5?）与AF2模型相当；但对肽类配体（如神经肽Y受体-NPY复合物），AlphaFold-Multimer通过共折叠策略将预测精度提升至前所未有的水平。

最新发展的DiffusionProteinLigand、AlphaFold3（AF3）等扩散模型虽能实现小分子-受体复合物的端到端预测，但仍面临物理合理性不足的问题——约25%的预测存在键长/键角违规或立体化学错误。相比之下，结合分子动力学（MD）的诱导契合对接（IFD-MD）方法在保持物理有效性的同时，对结合口袋局部重构的模拟更为可靠。

虚拟筛选中的模型选择策略

在基于结构的虚拟筛选（VLS）应用中，AF2模型的性能呈现显著靶点依赖性。5-HT_2A受体案例显示，未经优化的AF2模型虽在回顾性测试中表现不佳，却能前瞻性发现与晶体结构筛选结果相当的新骨架配体（命中率~60%）。关键发现在于：模型几何精度与VLS性能并非简单线性相关，通过受体特异性解耦剂（decoy）集验证和多模型集成策略可显著提高预测可靠性。

值得注意的是，AI加速的超大规模库筛选（如MolPAL、GigaScreen平台）通过神经网络打分函数外推，已实现百亿级化合物库的高效探索，在D₄多巴胺受体等靶点中展现出巨大潜力。

自由能微扰指导的先导化合物优化

在hit-to-lead（H2L）优化阶段，相对结合自由能微扰（RB-FEP）对模型精度要求严苛。多巴胺D₃受体研究表明，即使配体RMSD仅1.2?的模型，其RB-FEP预测误差（RMSE=2.8 kcal/mol）仍显著高于实验结构。而生长抑素SST₄受体案例证明，经IFD-MD优化的AF2模型对64个类似物的活性预测（R²=0.54）已达到指导化合物优化的实用水平。

绝对结合自由能（AB-FEP）计算可作为模型验证的补充工具——当多个模型RB-FEP性能相近时，AB-FEP能识别出ΔG_binding预测显著偏离实验值的"假阳性"模型。关键启示在于：ICL区构象、结合位点水分子排布等细微结构特征，对FEP预测精度的影响可能远超全局RMSD指标。