《npj Drug Discovery》：Physicochemical rule-embedded generative modeling for constrained peptide therapeutics
约束肽将共价拓扑、立体化学、三维结构、构象动力学与可开发性耦合在一起。本综述回顾了理化规则嵌入在化学语言、靶标条件化结构、几何、原子-键、系综及性质引导生成模型中的研究进展，并区分了所生成的分子对象与下游推断、预测与前瞻性证据之间的差异。我们指出了化学覆盖范围、适用性、不确定性及流程归因方面的局限性，以及通往保恒性、环境感知及实验校准设计的路径。
引言
约束肽占据小分子与大型生物制剂之间化学空间的高产区域。其尺寸与构象可塑性可支持对宽大、浅表或不连续表面的识别，包括蛋白质-蛋白质相互作用界面、酶外位点及受体表面，这些靶点通常难以被传统小分子所覆盖。环化、装订、二硫键形成、骨架N-甲基化、D-氨基酸引入及相关修饰可降低构象熵、提高抗蛋白酶解能力，并调节预组织化与适应性之间的平衡。这些特性使大环及受约束肽成为经典药物化学或大型蛋白质治疗剂未能充分覆盖靶点的有吸引力的模态。
这种多功能性也使设计问题高度耦合。所提出的对象不仅是氨基酸序列，而是具有共价连接性、立体化学、一个或多个可达构象及环境依赖性理化特征的化学指定支架。头尾大环、富含二硫键的肽、装订螺旋、1,3,5-三(溴甲基)苯(TBMB)连接的双环肽、侧链内酰胺及N-甲基化杂手性大环对连接性、闭合几何、局部应变、侧链堆积、合成、渗透性及靶点参与提出不同要求。分子量、拓扑极性表面积、氢键供体、亲脂性及可旋转键数等常规描述符仍然有用，但其解释依赖于支架和测定。分子变色龙行为指暴露极性与分子内氢键的环境依赖性变化；在环肽中，这种行为有助于协调水性处理与膜相容构象。实验表征及计算设计的大环进一步表明，构象编程的极性屏蔽可与膜渗透性和口服暴露共存。
生成建模已扩展了在序列、拓扑、靶点或性质约束下提出肽样候选物的规模。早期基于规则的生成器强调可枚举性和形式有效性，而近期方法日益将化学或理化约束置于分子表示、拓扑感知结构表示、几何或原子-键生成、构象采样及性质引导优化中。这些研究拓宽了可及设计空间，但其支持的声明取决于所表示的化学对象、约束作用阶段及实际基准测试或测量的终点。
通用架构标签不如所表示的分子对象及规则改变生成分布的节点更具信息量。贝叶斯神经网络的基础工作为预测不确定性提供了方法论背景，而强化学习的早期随机处理为奖励驱动更新提供了一般背景；两者均不被视为约束肽特异性证据。事后过滤对分诊和验证仍有价值，但应与直接塑造采样的约束区分开来。
近期综述和展望已调查了治疗性肽生成模型、环肽发现的计算与人工智能驱动策略及基于生成式AI的肽类药物设计。更广泛的药物发现大语言模型工作提供了相关架构背景。本综述范围更窄：吸收、分布、代谢、排泄和毒性(ADMET)及可开发性相关模型仅在塑造约束肽生成、指导候选选择、定义性质偏好或提供验证终点时讨论。比较询问代表性方法如何编码修饰化学、拓扑、三维几何、构象系综、靶点上下文及可开发性，以及其输出的证据强度。序列级方法与残基和原子感知系统一并考虑，而生成时规则嵌入与下游评分保持区分。最后几节确定非规范化学、环境感知系综、校准多目标优化、合成可处理性及选择性实验可连接的接口。
生成对象与表示充分性
有意义的比较始于方法实际产生的分子对象。我们区分七个层级：残基序列；指定单体及单体间键的共价图；立体化学解析的分子身份；单个三维构象子；群体加权构象系综；一组环境条件化系综；以及靶点结合复合物。这些层级承载信息而非可互换。可解析的序列不能确立连接几何，有效图不能确立低应变，合理构象子不能确立群体权重，未结合系综不能确立结合模式或亲和力。
表示充分性因此依赖于终点，而非细节的单调函数。序列化表示可在拓扑和立体化学明确时支持大规模化学枚举，而渗透性、变色龙行为、分子内氢键及识别通常依赖于构象群体和环境。本综述中，信息被分类为生成对象中显式的、模型推断的、下游物理或学习过程重建的或缺失的。重建过程中引入的信息不计入生成器，其不确定性必须伴随后续性质或治疗声明。
同样的核算定义了已展示的化学领域。规范头尾大环的结果不能确立富含二硫键、装订、侧链连接、杂手性、N-甲基化或多环系统的性能。模态级泛化声明应按拓扑、环尺寸、连接化学、立体化学组成、非规范残基负担及测定上下文分层。跨类泛化仅当性能在预先指定的保留拓扑或化学类别上评估并按类别报告明确分母、不确定性区间和失败率时方可声明；否则，结论应保持在已展示的化学范围内。
设计挑战与可建模规则
约束肽中的设计变量很少独立变化。残基替换可改变电荷、疏水性、氢键能力、二级结构偏好和蛋白酶敏感性；在大环中，同一编辑还可改变环应变、闭合几何、侧链堆积、分子内氢键网络及靶点相容姿态的访问。字符串生成器可能保持肽样组成，同时遗漏二硫键配对、内酰胺间距、装订几何、立体化学或多环连接子兼容性。相反，结构生成器可能产生合理的结合构象，同时对渗透性、溶解度、纯化难度或代谢负担不敏感。相关搜索空间因此是化学异质的、拓扑依赖的和环境敏感的，而非可还原为单一目标。
残基化学为该搜索提供局部理化词汇。电荷分布、氢键供体和受体、疏水和芳香含量、N-甲基化、D-残基替换、脯氨酸放置及局部两亲性可影响溶解度、血清稳定性、蛋白酶抗性、细胞穿透和靶点识别。口服吸收环肽说明这种上下文依赖性：成功示例可超过常规五规则限制，同时通过N-甲基化、D-残基、缩肽键、脯氨酸替换及分子内氢键减少有效氢键供体或暴露极性。核磁共振(NMR)酰胺温度系数也已被用于识别口服生物可利用环肽系列中用于选择性N-甲基化的溶剂暴露酰胺。模型可通过残基词汇、基序或组成约束、描述符目标、有效性掩码、化学定义编辑或性质条件化目标编码这些倾向。这些规则最好被视为支架和测定依赖性偏差而非通用截止值。
拓扑在残基连接成约束支架后增加一组不同规则。头尾酰胺、侧链内酰胺、二硫键、硫醚、烃类装订、骨架到侧链键及多环交联剂通常不能仅从序列邻接恢复。可建模变量包括单体身份、键级、连接原子、锚点兼容性、环尺寸、立体化学、交联多重性及反应可行性。这些变量可通过约束词汇、图注释、连接掩码、几何约束、化学有效解码操作或拓扑条件化采样表示。重要区别在于拓扑是否仅在分子表示中可表达、在生成期间选择、还是由采样和解码过程强制执行。形式环状字符串或有效图仍可能对应应变闭合几何、错误立体化学或不切实际的合成路线。
环化本身不能解决构象问题。约束肽通常填充多个低能态，参与靶点的构象可能不同于水相或膜样环境中偏好的构象。分子内氢键、顺反酰胺异构化、侧链旋转异构体及极性暴露可随溶剂和结合上下文变化。相关可建模规则因此包括闭合兼容扭转、手性、顺反状态、分子内氢键模式、旋转异构体兼容性、溶剂暴露及系综群体。这些特征可作为内坐标约束、系综条件化目标、溶剂或状态特异性描述符或物理精修和验证步骤纳入。单个闭合构象子可支持几何合理性声明，但对水相、膜竞争和靶点结合群体而言是有限证据。
可开发性引入另一层耦合且测定特异性的终点。渗透性、溶解度、蛋白水解稳定性、代谢负担、溶血、毒性及合成可处理性不独立于拓扑或构象。环肽渗透性模型已在支架和表示选择间比较，而适用域分析对判断此类预测何时有意义至关重要。相关终点包括肽半衰期（已从血液稳定性数据及跨物种和器官转移的酶切特征建模）和溶血倾向（可用神经网络安全分类器处理）。模型可使用测量或预测终点作为奖励、偏好、后验引导、采集标准或过滤器。对接能量、预测渗透性、半衰期估计及安全评分仍是替代输出；这些评分的改善是计算变化而非测量的结合、渗透性、稳定性、安全性、药代动力学或治疗获益，特别是在定义适用域或活性悬崖附近。前瞻性ADME研究显示为何仅回顾性准确性不足。测定身份是终点的一部分：PAMPA和Caco-2测定捕获转运的不同方面，MDCK-MDR1增加外排感知细胞上下文，批量活细胞测量提供另一种实验渗透性标签途径。
规则可在生成流程的多个节点介入。表示决定可表达内容；条件化指定靶点、拓扑、闭合、性质或系综上下文；解码可限制单体、原子、键、立体化学或环尺寸。在训练或采样期间，去噪、流匹配、奖励优化、偏好对齐更新、后验引导或主动学习可在候选最终确定前偏置提议分布。评估工具通常通过评分、过滤、松弛、对接、回顾性基准测试、不确定性估计或实验验证在后期作用。能量和设计框架、环肽对接基准、包含二硫环状示例的肽三级结构基准、环肽系综力场评估及渗透性预测器比较说明评估如何揭示合理性和局限性而不必改变初始采样分布。证据因此在实际基准测试或测量的层级解释：计算生成、结构评估、生化测试、细胞活性、转运测量及前瞻性合成被视为不同终点。
实际区别随之而来。生成时嵌入包括分子表示、条件化变量、解码语法、去噪或流轨迹、损失、奖励、偏好目标、后验引导或优化路径中的规则。评估时使用包括评分、过滤、松弛、排序、回顾性基准测试及实验验证。第三种角色是概念性的：药物化学或生物物理原理可激励解释而不在模型中实现。分别报告这些角色可澄清规则是否改变采样分布或在候选提出后应用。
代表性约束肽生成模型概览
图2总结了时间顺序和方法论概览，表2提供相应模型级比较。分类法按主要生成的分子对象及约束作用机制组织，而非按Transformer、扩散模型或流模型等宽泛标签。多个系统跨越多种能力；其位置反映主导贡献而非排他分类。本综述中，证据按层级而非可互换处理：计算有效性、回顾性基准测试、预测性质优化、结构验证、生化结合或细胞活性、渗透性测量及前瞻性合成-测定验证支持不同级别的声明。
五个反复出现的家族有助于组织所调查文献。序列、表示和潜空间方法操作序列化分子描述或序列级潜变量。拓扑感知靶标条件化系统生成或优化结合环状骨架和序列-结构解决方案。约束条件化几何和原子-键模型将闭合或共价化学直接置于残基或原子级生成中。系综方法采样可达构象分布。可开发性引导方法根据性质偏好改变或选择候选群体。
这些类别互补而非互斥。表示模型也可使用强化学习，拓扑生成器可包含辅助性质引导，渗透性聚焦流程可结合预测、选择和有限生成。因此，图2和表2中每种方法的放置指示其主导贡献而非排他能力边界。CycloPs作为历史先驱被保留，因为其在学习生成普及前使残基和连接规则显式化。
详细的逐模型讨论保留在以下小节中，每小节根据生成对象、规则嵌入位置及实际基准测试或测量的终点评估各家族。图3比较这五个核心方法论家族。图2还包括基于规则的前驱及非规范氨基酸结构支持方法。
流程角色提供第二轴。我们使用生成模型一词指通过采样或搜索提出声明对象（如分子身份、共价拓扑、序列-结构解决方案或构象子）新实例的方法。编辑器探索现有候选周围的局部变换；预测器将固定候选映射到终点；结构预测器或精修器分配坐标而不必改变分子身份；选择器对已提出集合排序。当这些组件通过奖励、偏好或引导改变采样或搜索时，整体流程是生成混合体，但其组成贡献仍可分离。对于固定分子身份的坐标采样方法，分类遵循声明目标：采样构象分布是构象子或系综生成，而使用随机样本推断或精修代表性任务特异性结构仍是结构预测或精修。角色分配因此遵循被探索的对象和终点，而非扩散过程、神经网络或优化循环的存在。
序列、表示和潜空间生成
序列和表示模型通过将约束肽视为可书写化学语言获得规模。HELM-GPT将规则置于有界单体词汇和显式键语法中，而PepINVENT使用源自单体简化分子输入行输入系统(SMILES)字符串的肽导向化学语法。SELFIES为语法稳健分子字符串提供有用的小分子先例，但稳健序列化本身不提供肽拓扑、单体来源或三维闭合。这种压缩支持大规模文库生成和药物化学编辑，而环应变、靶点几何和环境依赖性构象除非连接到结构模型否则仍隐含。
HELM-GPT占据该设计空间的有界词汇端。HELM保持单体身份和单体间键显式，因此预定义非规范构建块和大环化对自回归模型可见；REINVENT风格强化学习随后使用渗透性和KRAS亲和力预测器改变生成分布。单体文库充当实用化学先验，但也将探索限制在可用词汇内。在已展示流程中，报告的性质增益是预测器输出，未报告原生三维结构生成或测量亲和力和渗透性。该方法因此最有用作可审计化学语言层。
PepINVENT通过CHUCKLES暴露每个单体更多化学结构。掩码填充可编辑规范残基和非规范氨基酸，包括D-残基、N-甲基化和环状连接性，同时保留肽导向语法。相对于固定单体标记，SMILES衍生描述允许更精细化学编辑，但增加价态、立体化学和合成检查负担。强化学习评分可引导策略；基于报告证据，主要进展是表示灵活性而非解决几何或测量可开发性。
比较因此不仅是HELM对CHUCKLES，而是策划单体语义对更暴露的亚单体化学。HELM-GPT使可用构建块和连接性易于审计，而PepINVENT给生成器更大自由度修改分子结构。两种表示单独均不足以确立解码后立体化学保真度、可行三维闭合、低能系综或靶点相容姿态。这些边界反映生成对象而非化学表示失败。
潜空间方法继承类似边界，除非潜变量针对约束肽重要的拓扑、化学和几何训练。平滑插值或序列重建不能确保潜空间距离对应闭合可行性、构象相似性或合成可及性。PepVAE展示了线性抗菌肽的潜导航和活性预测。广谱抗菌肽基础模型提供可转移序列表示，SQ-DiffuPep添加多模态潜扩散，Diff-AMP集成生成、识别、预测和优化。这些研究提供有用算法背景，但其主要线性规范肽领域本身不能展示约束拓扑、非规范化学、大环化几何或变色龙系综设计。
对于序列级模型，声明应匹配测试。有效语法显示字符串可在所选表示下解析。回顾性预测器基准描述定义数据分割上的性能。更高预测奖励显示生成器找到该预测器偏好的区域。当生成化学超出预测器适用域或基准性能在数据分割和表示间急剧变化时，这些结果为测量结合、渗透性或治疗改善提供有限证据。
这些方法可能最有用作更广泛设计栈的化学语言层。它们提供可扩展残基规划、显式单体身份及药物化学编辑的自然接口。如果符号级决策无损失地传播到原子级连接性、立体化学、闭合兼容几何、构象系综和测定感知选择，其转化价值将增加。
拓扑感知靶标条件化结构设计
拓扑感知靶标条件化设计提供从生成对象到实验可测试结合假设的相对直接路径。早期基于结构的流程建立互补先例：有序大环的穷举设计、结构引导锚延伸进入酶活性位点、cPEPmatch快速模板匹配及Des3PI基于片段的组装。PepFlow、PPFlow、PepGLAD和DiffPepBuilder等通用靶标感知肽生成器贡献可转移几何先验，但环化不统一原生于其表示。在此强调的模型中，环化进入结构表示或结合几何搜索而非仅在提出线性结合剂后检查。其结合证据在该上下文内解释，不推广到渗透性、稳定性或更广泛药理学。
AfCycDesign修改AlphaFold2相对位置编码，使用环状偏移矩阵使N端和C端残基在结构预测和序列优化期间被视为邻居。生成贡献在于固定骨架设计和该拓扑感知表示下的幻觉；结构预测组件是支持技术而非生成本身。设计大环的实验解析结构支持折叠准确性，而靶向设计的结合测定支持靶点参与。在已展示范围内，该方法提供规范头尾环状结构的清晰途径，但系综和可开发性优化在报告流程之外。
RFpeptides将环状位置编码带入基于RFdiffusion的结合剂设计流程。RFdiffusion提供蛋白质结构去噪先验，ProteinMPNN对生成骨架执行序列设计。靶点结构或热点残基条件化大环骨架生成，随后计算过滤。表面等离子体共振和竞争测定为选定设计确立生化结合，多个X射线复合物结构直接测试提议结合几何。该证据对靶标条件化结构能力最强，限于规范头尾大环、主导结合态及生成后界面选择。
CYC_BUILDER通过片段组装和蒙特卡洛树搜索而非全局去噪达到相关终点。结合、分子内稳定性和环化倾向贡献搜索奖励，因此这些标准影响生长而非仅作为终端过滤器。该框架支持规范残基空间中的头尾和二硫键闭合。对于选定TNF-α设计，生化结合和细胞报告基因或转录响应提供前瞻性功能证据，而生成后分子动力学和能量计算仍是计算支持而非设计复合物的结构验证。HighPlay提供二硫键约束序列设计的相邻强化学习示例，报告化学和证据范围较窄。
这些系统共同显示蛋白质设计先验如何使环状靶点参与实验可测试。AfCycDesign和RFpeptides中的环状位置编码是头尾闭合的紧凑归纳偏置，而CYC_BUILDER中的片段组装可在生长期间施加局部闭合几何。CycleDesigner在计算结合剂设计流程中适配RFdiffusion和环状结构预测，CyclicMPNN微调头尾环状骨架的逆折叠。目前实现中，两种机制类别均不提供通用化学图表示。侧链内酰胺、硫醚、烃类装订、多环连接子、骨架N-甲基化、D-残基及更广泛拟肽化学通常需要额外表示和立体化学控制。
证据仍保持模态特异性。解析设计结构支持折叠准确性，如AfCycDesign所示；解析靶点复合物额外支持提议结合模式，如RFpeptides；细胞响应添加功能上下文，如CYC_BUILDER，但可能同时反映摄取、稳定性、靶点参与和下游生物学。在所调查研究中，这些靶标条件化系统提供一些最清晰的结构和结合验证，而溶液系综、渗透性、稳定性和药代动力学需要单独证据。
非规范设计支持方法可拓宽化学范围而不自动成为约束肽生成器。RoseTTAFold All-Atom和AlphaFold3提供通用全原子生物分子先验，但环状拓扑和修饰残基化学仍需专门适配。RareFold将残基标记预测和设计扩展到选定非规范氨基酸。NCFlow预测化学指定非规范残基坐标，而UNAAGI在原子级生成侧链身份和坐标。NCPepFold、HighFold3、CyclicBoltz1及Wu和Zou的立体全原子扩散模型以日益显式化学处理环肽结构预测。当环化外部于表示或生成支架固定时，这些工具最好描述为预测、折叠或化学支持技术。这些能力拓宽设计支持但不自动确立完整约束肽支架的从头生成。
该边界暴露蛋白质设计先验与药物化学之间的接口问题。靶标条件化模型可提出有说服力的规范结合剂而不在替代闭合化学间选择、保留非规范立体化学或推理溶剂依赖性极性暴露。将靶点几何连接到显式共价和系综模型因此是扩展超越蛋白质样大环的关键要求。
在已展示范围内，AfCycDesign、RFpeptides和CYC_BUILDER支持实验测试环肽中的靶标条件化结构或功能能力。基于调查证据，跨约束肽化学、多态行为或可开发性的更广泛声明需要额外表示和测定支持。每个模型的贡献最好在实际使用的表示和实验层级解释。
约束条件化几何和原子-键生成
第二线工作使闭合或共价化学成为主要控制变量。CP-Composer使用可组合类型和距离约束，GeoCycler将扩散与拓扑特异性奖励对齐，APCyc联合序列和结构预测环化变量，CpSDE通过谐波随机微分方程纳入原子-键连接性。其共同贡献是生成时控制闭合和连接性；在报告文献中，验证主要为计算性。
CP-Composer将装订、头尾、二硫键和双环设计分解为几何潜扩散模型中的可组合残基类型和成对距离约束。底层几何设计设置与PepGLAD相关，而DiffPepBuilder作为二硫键约束设计的专门比较。约束改变去噪轨迹并可在推理时组合，实现超出线性肽训练分布的零样本应用。闭合成功和选定分子动力学分析支持几何合理性，而输出保持规范且未报告合成、结合或渗透性测定。在该范围内，该方法提供可组合几何控制的清晰演示。
GeoCycler将同类闭合信号从推理时引导转向训练时奖励对齐。其类型门控奖励仅在兼容锚点身份存在时激活距离塑造，减少化学不兼容对的误导梯度。pass@k闭合度量的改进支持学习分布与规定拓扑的更强对齐。基于报告证据，困难多环案例仍更具挑战性，且未实验评估合成、结合和可开发性；主要进展是奖励对齐拓扑控制。
APCyc将环化类型和连接位点视为与序列和三维结构联合预测的变量。扩展残基标记、连接矩阵、兼容性掩码和等变更新使拓扑成为去噪的显式部分，而贝叶斯后验引导可偏置选定性质替代物。核心贡献是自动化拓扑-序列-结构生成。性质引导结果最好解释为辅助计算演示，因为目标是代理、未报告不确定性实验校准且未包含前瞻性合成或测定。
CpSDE通过原子-键图表示环化并将该图通过拉普拉斯衍生先验纳入谐波随机微分方程，进一步走向化学显式性。路由采样交替全原子结构去噪与残基预测，支持一个框架中多种骨架和侧链连接闭合模式。计算能量、亲和力和分子动力学分析提示有用结构行为，而残基路由器保持规范且立体化学和冲突处理演示有限。CpSDE因此最好视为原子-键生成进展，其更广泛非规范及实验范围仍有待展示。
构象系综生成
闭合结构不等同于构象模型。分子动力学研究显示环肽可填充多个溶液态，而实验和计算分析将溶剂依赖性构象连接到变色龙行为和膜转运。系综方法因此针对可达态分布而非单个结合或最小能量构象。其质量取决于群体保真度和物理合理性，而非仅多样性。
RINGER通过扩散冗余内坐标和环状位置编码从二维输入生成大环构象子。内坐标提供扭转耦合和手性的强归纳偏置，报告基准显示与小型同质大环模拟衍生构象系综的良好一致性。环闭合仍通过生成后优化完成，且已展示化学领域有限。在该领域内，RINGER最好定位为高效系综生成器，具有部分而非完全原生闭合执行。
CPGEN使用部分潜流匹配生成杂手性环肽系综并从Cα几何或骨架二面角分布推断序列。序列、坐标和Ramachandran分布条件化通过多模态分类器自由引导进入，D-残基显式表示。该方法独特贡献是系综条件化序列设计而非性质优化。当前证据基于Rosetta衍生参考系综的计算性；连接子、N-甲基化、环境特异性群体和实验可观测量仍在已展示范围之外。
MuCO将构象子生成分解为拓扑感知骨架采样、生成侧链填充和力场精修。在CPSea环状结构上训练提供拓扑丰富结构先验，而最终物理基阶段使用与CHARMM36m相关的蛋白质力场改善局部堆积和能量合理性。该模块化设计说明学习和物理组件如何共享任务，尽管力场仍是外部精修层。基于报告实现，该方法最好读作计算构象子生成流程而非靶标特异性结合剂生成或渗透性优化。
其他方法提供互补系综原语。CycLOPS在不重训练情况下将环化损失引入玻尔兹曼生成器，尽管样本有效性和立体质量可受限。Bayaraa扩散模型高效再现混合手性骨架二面角分布，而侧链处理和显式闭合仍受限。CyclicCAE学习具有末端键几何约束的构象潜空间。MacroConf提供数据集和流程，用于评估大环构象子生成器对溶液NMR数据的表现。这些互补方法和资源支持学习或引导系综分布的可行性，而端到端约束肽治疗设计需要额外耦合到化学、靶点和测定证据。
对于系综生成，与模拟比较是回顾性计算基准而非实验验证。CREMP提供大环肽机器学习的构象子-旋转异构体资源，但参考系综继承力场和采样假设。直接力场评估显示群体准确性可跨环肽大幅变化。构象采样研究还显示选择相关大环态是环境和灵活性依赖的，且渗透性排序在二维描述符无法区分立体异构体时需要系综衍生三维描述符。更有说服力的评估将生成群体连接到独立NMR、晶体学、氢交换或渗透性相关可观测量；增强采样研究提供一种计算桥梁但非实验证明。
可开发性引导优化
当生成与性质评分耦合时，核心问题成为估计器在所优化化学和测定领域中是否可靠。环肽渗透性模型可在定义适用域外失败，其相对排序取决于数据分割、表示和测定组成。优化还可利用活性悬崖或无法在前瞻性ADME测试中存活的回顾性伪影。因此，预测目标增加是替代优化的证据，而非实验验证的治疗改善，除非对应终点被前瞻性测量。
性质引导由评分引擎介导，其表示、标签和接口可如生成器一样重要。预测器可作为黑盒奖励、可微引导、偏好标签或采集函数进入生成，而终端过滤器对已提出候选下游作用。强化学习、树搜索或偏好优化期间重复查询比一次性过滤施加更强选择压力，可放大校准误差或活性悬崖。因此，设计流程中使用的任何预测器应报告训练标签、分割策略、测定来源、适用域、不确定性估计和查询预算，以及其介入节点。
可用评分引擎编码对肽化学的不同近似。描述符和指纹廉价且常在受限支架系列内有效，但将构象异质性压缩为静态特征。序列和SMILES编码器学习分布式上下文，图网络保留显式连接性，三维或系综衍生模型可捕获几何依赖性暴露但数据和计算成本更高。混合系统将这些表示与测定元数据或物理描述符结合。架构应匹配终点和化学领域而非视为可互换奖励层。
PepEVOLVE和PepTune说明序列级性质引导搜索的两条路径。PepEVOLVE通过位置感知路由和相对优势更新引导编辑，而PepTune将肽感知离散扩散与树引导预测帕累托集维护结合。两种情况下，多目标改变生成而非仅排序固定文库。其证据保持计算性和预测器依赖性；在报告研究中，约束肽特异性三维拓扑、闭合几何和系综能力未确立。
对于PepTune，该接口显式。其MCTG评分套件使用终点特异性模型，其输出用于引导扩散采样。PepEVOLVE和PepTune均未报告约束肽特异性三维拓扑、闭合几何或系综能力。两者均以计算性、预测器依赖证据为主。
讨论与展望
本综述调查的模型在生成对象、规则嵌入节点及证据层级上差异显著。序列和表示方法提供可扩展化学语言层，但三维闭合和构象行为通常隐含。拓扑感知靶标条件化系统在规范头尾大环中提供最强结构和结合验证，但化学范围受限。约束条件化几何和原子-键模型使闭合和连接性成为生成时控制变量，但验证主要为计算性。系综方法针对可达态分布，但群体保真度评估仍依赖模拟参考。可开发性引导优化改变候选群体，但预测器可靠性在约束肽化学中仍具挑战性。
跨方法比较应基于生成对象、规则作用节点及实际测量的终点。证据层级不可互换：计算有效性、回顾性基准、预测性质优化、结构验证、生化结合、细胞活性、渗透性测量和前瞻性合成-测定验证支持不同级别声明。生成时嵌入与评估时使用应明确区分。
未来方向包括非规范化学的扩展表示、环境感知系综的生成、校准多目标优化、合成可处理性的显式建模及选择性实验设计。将靶点几何连接到显式共价和系综模型是扩展超越蛋白质样大环的关键。预测器适用域和不确定性估计应伴随生成流程报告。前瞻性合成和测定验证仍是连接计算设计与治疗潜力的最终标准。
