《WIREs Computational Molecular Science》：Deep Learning for Protein Modeling: From Single Structure to Bound Complex and Thermodynamic Ensemble, With a Focus on Architectural Design
我们综述了现代深度学习方法在蛋白质构象建模中的应用，并侧重于架构设计的视角。我们将相关文献组织为三个表达力逐步增强的范式：（I）单一结构预测，（II）分子结合复合物预测，以及（III）构象系综生成。对于每种范式，我们概述了一组代表性模型以构建实用的分类框架，并总结了它们的主要成就、局限性及常见评估实践。跨范式地，我们重点强调了塑造性能与泛化能力的反复出现的设计选择，包括：强制SE(3)等变性（SE(3) equivariance）对比学习得到的对称性（learned symmetry）；MSA驱动的共进化（MSA-driven coevolution）对比蛋白质语言模型先验（protein language model priors）；确定性预测对比生成式采样（generative sampling）；显式能量监督（explicit energetic supervision）对比隐式学习（implicit learning）；以及跨异质数据模态的集成建模（integrative modeling）。尽管单一结构预测现已相对成熟，但结合复合物预测尚未达到同等成熟度，尤其是生成具有可靠群体权重的忠实热力学系综（thermodynamic ensembles）仍然是一个开放性挑战。我们讨论了构建具有物理基础且可迁移模型所面临的开放挑战，包括数据可用性与保真度、选择何种归纳偏置（inductive biases）以实现泛化，以及对严格模型评估的需求。最后，我们指出生成式动力学（generative kinetics）是一个值得追求的前沿方向。
1. 引言
过去十年，蛋白质结构预测因人工智能（AI）和机器学习（ML）的进步而发生了根本性转变，从共进化推断方法发展为大规模端到端深度神经网络（DNN）架构。这一快速演进不仅产生了一系列里程碑式的预测器，如AlphaFold和RoseTTAFold，还催生了一个日益多样化的模型生态系统，这些模型在输入、表示和生成原理上各有不同。领域已发展到这样的成熟度：理解它需要的不仅仅是罗列模型，而是要求仔细审视每种架构选择中蕴含的关于蛋白质行为的假设。已有若干优秀综述从互补视角对这一进展进行了总结，涵盖从经典到AI驱动的蛋白质设计的历史转变、ML在分子模拟与动力学中的应用、蛋白质语言模型以及大规模预测器在结构生物学中的广泛影响。本综述旨在通过探索不同架构选择如何嵌入对蛋白质的隐式生物物理假设来补充上述工作，目标是提供一个关于现代蛋白质深度学习方法的概念性视角。我们有意避免穷尽式覆盖和逐指标比较，而是聚焦于代表性架构，以说明不同的建模原则如何处理序列信息、几何、能量和动力学。
本综述的分类框架围绕三个广泛的建模范式构建，这些范式被视为解释性透镜而非刚性类别：（I）静态表示，即将蛋白质重现为单一、稳定的结构；（II）分子结合复合物，侧重分子间界面和多体组装结构，包括蛋白质-配体相互作用；（III）构象系综表示，即将蛋白质结构视为一个分布系综的代表，而非单一结构。每种范式都体现了一组独特的生物物理假设，影响输入编码方式，并决定模型能够捕捉的蛋白质行为方面。这一分类框架提供了一个概念图谱，将架构选择与其生物物理解释联系起来，将模型置于从静态折叠到复合物再到构象系综的连续谱中。从生物学角度看，这种区分至关重要，因为蛋白质在多种结构状态下运作：有些采用明确的天然态，有些经历结合诱导的构象变化，许多通过亚稳态构象的系综发挥功能。经典的序列-结构方法主要捕捉第一种状态，而分子间结合和功能性蛋白质动力学则需要更广泛的表示视角。
2. 范式I：静态表示——预测蛋白质最可能的三维结构
2.1 共进化推断：从深度MSA中获取几何信息
范式I的核心进化见解是：在三维空间中物理相互作用的残基倾向于随时间发生相关替换。这种共进化信号通过多序列比对（MSA）被提取。对MSA的统计分析揭示了非随机的相关突变（共进化耦合），这些耦合对折叠施加了强几何约束，通常直接对应于残基间接触。因此，MSA提供了天然结构内空间关系的信息蓝图。
2.1.1 AlphaFold2
AlphaFold2（AF2）是共进化范式的里程碑式实现。其核心计算引擎Evoformer维护两个耦合表示：编码同源序列进化变异的MSA轨道和编码目标蛋白内残基-残基关系的成对轨道。通过堆叠的注意力和几何更新模块，Evoformer迭代精化这两个视图，将共进化耦合从MSA传播到成对表示，同时强制与新兴几何约束保持一致。精化后的成对特征由结构模块转换为三维结构，该模块采用SE(3)等变设计以强制执行物理对称性。AF2还通过循环机制进一步放大这种精化，将预测坐标和内部表示反馈回网络，使每次传递逐步锐化折叠解。AF2的一项重大实践创新是其内置的预测置信度估计。预测的局部距离差异测试（pLDDT）提供逐残基置信度评分，而预测对齐误差（PAE）量化残基间和结构域间几何的不确定性，对于评估结构域放置至关重要。
2.1.2 架构扩展、缩放与功能性改造
AF2的成功催生了一系列适应核心架构以解决特定科学和计算问题的改造。OpenFold作为可训练的重新实现，提供了探究其内部机制和训练行为的平台。研究表明该模型似乎分层学习：先组装局部结构片段，再解析整体折叠。ParaFold通过并行化CPU密集的MSA搜索来优化高通量预测工作流。FastFold设计了动态轴向并行性（DAP），缓解Evoformer的激活内存瓶颈，使得预测超过4000个残基的极长序列成为可能。Uni-Fold提供类似的高性能平台，扩展预测到大型对称蛋白质复合物。RareFold扩展化学词汇以包含非规范氨基酸。AlphaMissense测试了静态模型学习到的结构和进化知识是否隐式编码蛋白质适应性，通过微调AF2模型以预测群体频率数据（适应性的生物学代理），从而预测错义变异的临床致病性。
2.2 静态结构预测的替代架构范式
2.2.1 RoseTTAFold
RoseTTAFold采用不同的架构理念，认为预测精度受益于多种结构表示的同步集成。其设计围绕创新性的三轨网络，在三个分辨率级别并行处理数据：一维（序列/MSA）、二维（残基对距离图）和三维（原子坐标）。其指导原则是集体推理。与AF2的顺序流水线不同，RoseTTAFold在表示层级之间建立连续的信息交叉对话：演化的三维坐标立即精化预测的二维距离图，进而更新一维序列级表示。这种紧密耦合的处理使模型能在整个推理过程中联合推理序列、距离和坐标关系。值得注意的是，其三维轨道采用SE(3)等变架构，揭示了尽管设计哲学不同但共享的物理基础。
2.2.2 无MSA结构推断的PLM谱系
该谱系基于这样的前提：大规模蛋白质序列数据库中嵌入的统计模式足以隐式编码准确结构预测所需的约束。蛋白质语言模型（PLM）通过计算氨基酸序列的概率分布来学习蛋白质进化和生物物理可行性的表示，无需显式结构监督。在架构上，PLM通常基于Transformer网络，使用掩码语言建模（MLM）自监督目标训练。该任务的成功意味着隐式学习了控制序列组成的潜在生物物理学、结构和进化约束。ESMFold和OmegaFold是这一范式的先驱，它们放弃了复杂的Evoformer，将嵌入通过简化的折叠主干，实现了比基于MSA方法数量级的运行时间提升。HelixFold-Single则采用混合替代方案，保留Evoformer架构，但使用其自有的PLM生成伪MSA。
2.3 收敛架构
尽管上述模型利用不同的输入数据，但几乎都依赖于基于SE(3)等变注意力的专用折叠架构来生成原子坐标。该组件通常称为结构模块，已成为将序列的高维关系特征转换为物理一致三维模型的统一机制。SE(3)等变性是物理学的基本原理：系统的规律在观察者的位置和方向变化下保持不变。在神经架构中，通过不变性和等变性实现SE(3)对称性。显式嵌入这种对称性提供了强归纳偏置，但高表达力的等变架构计算密集，需要在表达力和效率之间权衡。AlphaFold2结构模块通过不变点注意力（IPA）实现等变性，RoseTTAFold和ESMFold也采用类似的对称感知坐标生成器。
2.4 静态表示的根本局限
以结构为中心的模型成功强化了单一构象可以作为蛋白质功能行为忠实替代品的直觉假设。然而，越来越多的证据表明这种观点是不完整的。蛋白质是动态的，可以呈现构象系综，包括隐蔽口袋、瞬态中间态、替代折叠和诱导契合构象等。静态表示方法通常无法恢复已知的替代状态或突变诱导的结构，这反映了概念性局限：单结构预测模型无法表示状态概率、转变路径或构象间的能量耦合。静态表示捕捉形状，但不捕捉行为。
3. 范式II：从结构到相互作用——结合过程中结构如何变化？
3.1 从分离到相互作用
从单链预测到多链组装体的转变遵循三条谱系：MSA密集的AlphaFold谱系、三轨RoseTTAFold谱系和基于PLM的谱系。
3.1.1 从单体到蛋白质-蛋白质复合物
AlphaFold-Multimer将配对MSA构建作为关键创新，通过匹配不同链在同一物种中的同源物来检测结合界面上的共进化信号。RoseTTAFold2（RF2）则采用架构中心方法，不依赖显式配对MSA，而是简单连接各蛋白质的MSA，并通过结构偏置的双轴注意力模块直接利用内部预测的三维坐标来偏置二维成对轨道的注意力权重。
3.1.2 从蛋白质到所有生物分子
AlphaFold3（AF3）对AlphaFold谱系进行了彻底重构，用解耦的Pairformer模块取代了复杂的Evoformer，将共进化提取与结构推理分离。AF3用基于扩散的生成模型取代SE(3)等变结构模块，直接对原子坐标操作，放弃显式强制的对称性，依靠扩散过程从数据中学习立体化学和物理约束。RoseTTAFold All-Atom（RFAA）则通过显式注入物理和化学假设来实现通用性，为手性中心计算预测与理想伪二面角之间的误差，并将该误差的坐标梯度反馈到SE(3)-Transformer中。
3.1.3 可访问的替代方案和社区驱动的扩展
Chai-1基于AF3架构，重新引入共进化和结构上下文，并允许用户指定显式结构约束。Boltz-1通过Boltz-steering在推理时用物理启发的势能函数引导扩散过程，纠正立体冲突、错误手性和链重叠等常见失败模式。RoseTTAFold 3（RF3）采用扩散生成结构模块，但保留RFAA的显式物理偏差，并在去噪每一步输入手性误差梯度。
3.1.4 用简化架构重新思考单链折叠
EigenFold将生成架构应用于OmegaFold嵌入，使用谐波扩散方法建模蛋白质，但其输出分布主要反映模型自身不确定性而非物理柔性。SPIRED使用轻量级折叠单元和相对位移损失，实现高速低资源单序列预测。SimpleFold构建为生成流匹配模型，完全放弃SE(3)等变模块和三角更新，通过知识蒸馏在超过900万结构上训练，证明生成框架和数据规模可以替代定制架构。
3.2 蛋白质-配体对接问题
传统对接方法结合手工评分函数和随机或系统搜索，受限于评分函数不准确和搜索空间巨大。早期深度学习方法如EquiBind将对接视为回归任务，但回归目标趋向均值导致物理无效的“平均”姿态。DiffDock引入基于扩散的生成模型，在连续SE(3)和扭转空间迭代去噪，恢复合理姿态的分布而非单一估计。
3.2.1 共折叠：端到端预测全态
共折叠方法将结合位点、配体姿态和结合诱导重排一起确定。AF3、RFAA、RF3、Boltz系列、Chai-1、NeuralPlexer、Umol等模型采用扩散或非扩散框架，在共享框架内统一建模蛋白质、配体、核酸、离子等。这些方法在标准基准上表现优异，但存在局限性：配体方向不精确、侧链重排不准确、非共价相互作用建模不精确，以及可能幻觉出看似合理但不正确的结构。
3.2.2 替代对接策略
回归方法的失败促使向概率生成建模转变。混合方法如GalaxyDock-DL使用经典采样算法进行构象搜索，深度神经网络定义评分函数。Interformer使用混合密度网络显式建模特定相互作用的距离分布。SigmaDock采用刚性片段化方案，用SE(3)黎曼扩散模型学习片段在口袋内的重组装。
3.2.3 生成式对接：原位设计配体
第一波几何生成模型（如DiffSBDD、TargetDiff、DiffDec）仅基于结合口袋的原始3D几何条件化配体生成，使用SE(3)等变图神经网络去噪原子点云。第二类模型显式注入化学相互作用知识，如PMDM区分共价和非共价边，DiffInt引入“相互作用粒子”。FlexFlow等采用流匹配并采样口袋侧链构象。
3.3 从多个结构到玻尔兹曼系综
范式II中的SOTA模型本质上是随机的，能采样离散的合理构型集合，但这种多样性不应与建模适当的热力学加权系综混淆。亚稳态和相对频率通常是模型不确定性或采样启发式的产物。范式II模型缺乏与系统热力学的定量联系，这推动向范式III的转变。
4. 范式III：从单一结构到构象系综——如何建模构象系综？
范式III的目标是设计生成给定蛋白质独立同分布（i.i.d.）构象的模型，满足：（e.1）构象按玻尔兹曼分布加权出现；（e.2）提供对构象空间的充分覆盖。与单结构或离散结构集生成不同，采样复杂概率分布需要架构范式转变。模型需要隐式或显式学习系统的基本热力学，要求架构与物理之间有更深的联系。
4.1 蛋白质-配体结合的具体情况
任何单结构预测只能考虑微态能量，忽略熵贡献。将玻尔兹曼分布压缩为delta函数会抹去构象熵贡献，必须将蛋白质状态视为玻尔兹曼群体而非离散结构集。
4.2 如何概率性地建模构象系综？
概率生成模型（PGM）适合此任务，它们学习将易采样的先验分布映射到复杂目标分布。重要的PGM包括变分自编码器、归一化流、扩散模型和薛定谔桥。基于分数的扩散模型学习数据对数密度梯度，隐式学习能量函数。
4.3 基于单结构预测器的系综近似器
4.3.1 由现成结构预测器启用的方法
Brown等人探索AF2预测的distogram是玻尔兹曼加权系综的平均值，通过重加权算法使先验系综的平均distogram匹配AF2预测。FiveFold方法通过多个预测器的一致性/分歧生成蛋白质折叠变化矩阵，作为固有构象柔性的代理。
4.3.2 多结构采样器：单结构预测器的扰动
MSA子采样通过提供较浅的MSA减少模型确定性，探索替代构象。AF-Cluster通过序列相似性划分MSA集群，驱动AF2预测不同功能状态。AlphaFold Multistate提供带注释的模板并抑制MSA贡献，生成活性和非活性状态模型。Str2Str采用结构到结构的去噪扩散模型。UFConf在AF2架构上定义显式SE(3)扩散过程。
4.3.3 混合通用采样器：利用MD数据广泛训练单结构预测器
AlphaFlow和ESMFlow将AF2/ESMFold转换为序列条件的单结构去噪器，使用流匹配目标并在ATLAS MD轨迹上微调。P2DFlow使用严格的流匹配过程并条件于从MD轨迹计算的二维自由能面。aSAM家族在隐式全原子潜在空间操作。DiG引入物理信息扩散预训练（PIDP），通过Fokker-Planck约束将能量信息从低噪声级传播到高噪声级。BioEmu结合静态结构、全原子轨迹和实验热力学，通过属性预测微调（PPFT）校正采样偏差。
4.4 专门构建的构象系综近似器
系统特异性方法如玻尔兹曼生成器使用归一化流学习简单潜分布与玻尔兹曼分布构象之间的可逆变换。可迁移方法包括idpGAN（变压器生成器与距离感知判别器）和可迁移玻尔兹曼生成器（TBG），后者使用SE(3)等变连续归一化流进行能量训练。Torsional-GFN使用GFlowNet顺序采样扭转角，以能量为监督。
4.5 我们做到了吗？
目前尚无模型完全实现i.i.d.玻尔兹曼加权且覆盖全部相关区域的系综生成。基于单结构预测器的方法中，多结构采样器的构象多样性不是热力学建模的，不确定性可能反映架构或数据集偏差。能量引导方法可强制局部热力学一致性，但覆盖范围依赖数据。混合通用采样器依赖训练数据质量，能量训练模型的数据效率更高但可扩展性受限。内在无序蛋白质（IDP）作为压力测试，暴露了模型在表示高维浅盆地和无序构象方面的不足。
5. 结论与展望
5.1 对高质量训练数据集的需求
训练数据是主要偏差来源。PDB偏向实验稳定的蛋白质状态，过代表规范配体结合模式，欠代表变构、构象异质性和动态区域。合成数据（如AFDB）可用于扩展训练数据，但需要严格的数据溯源和质量控制。FAIR原则（可查找、可访问、可互操作、可重用）对于可复现性至关重要。大型MD数据集（如MDDB）为系综近似器提供训练数据，但存在可用性和保真度问题。力场可靠性是MD数据保真度的关键，经典力场在高阶静电、极化和电荷转移方面描述不足，ML力场提供了有前途的替代方案。
5.2 通过架构设计实现泛化：输入信号和归纳偏置
目前数据稀缺使得归纳偏置对于超越记忆的泛化必不可少。MSA驱动的显式共进化与PLM隐式先验各有优势与局限。局部能量挫折的保守性是重要的进化信号。成功的泛化设计原则包括化学和拓扑条件化、能量函数和实验数据的训练或推理时引导、显式热力学条件建模、潜在空间编码瓶颈、迭代训练/推理程序，以及微调可迁移模型。
5.3 评估指标
现有的pLDDT、PAE、pTM、ipTM等置信度评分是有用的排名和过滤工具，但不是校准的不确定性估计。需要数据卫生控制和模型行为评估。统计保真度指预测复现实验可观测量，物理拒绝指模型能以信息方式失败。评估程序应组合多种指标，包括RMSD、DockQ、GDT分数等单结构指标，但对于系综生成模型，需要评估分布保真度和覆盖度。
5.4 展望：从热力学到动力学
功能不仅由状态决定，还由状态之间的转变决定。生成式动力学（generative kinetics）是自然的前沿方向，需要捕捉能量景观中的高能过渡区。这可能需要新架构、训练目标和显式编码时间信息的训练数据。鉴于近期进展速度，未来几年很可能出现有意义的发展。
