从分子指纹到相互作用指纹：让机器学习更好地理解蛋白-配体识别

本文信息

• 标题：Fingerprinting Interactions between Proteins and Ligands for Facilitating Machine Learning in Drug Discovery
• 作者：Zoe Li, Ruili Huang, Menghang Xia, Tucker A. Patterson, Huixiao Hong
• 发表期刊：Biomolecules
• 发表时间：2024年1月5日
• DOI：https://doi.org/10.3390/biom14010072
• 单位：
  • National Center for Toxicological Research, US Food and Drug Administration, USA（美国食品药品监督管理局毒理学研究中心）
  • National Center for Advancing Translational Sciences, National Institutes of Health, USA（美国国家卫生研究院国家转化科学促进中心）
• 引用格式：Li, Z.; Huang, R.; Xia, M.; Patterson, T.A.; Hong, H. Fingerprinting Interactions between Proteins and Ligands for Facilitating Machine Learning in Drug Discovery. Biomolecules 2024, 14, 72. https://doi.org/10.3390/biom14010072

摘要

分子识别是生物学的基本过程，通过特定的蛋白-配体相互作用支撑复杂生命活动。理解这一过程对药物发现至关重要，然而传统实验方法在探索广阔化学空间时面临局限。计算方法，特别是定量结构-活性/性质关系分析，已得到广泛应用。分子指纹编码分子结构并作为性质谱图，在药物发现中不可或缺。虽然二维指纹常用，但三维结构相互作用指纹能提供针对特定靶点蛋白的结构特征。在相互作用指纹上训练的机器学习模型能够实现更精细的结合预测。近期研究焦点已转向基于结构的预测建模，机器学习评分函数也受益于关键相互作用指导的特征工程。本文回顾了已发展的结构相互作用指纹，并给出两个案例：第一个案例解析β2肾上腺素能受体配体的结构-活性关系，展示区分激动剂和拮抗剂的能力；第二个案例使用基于逆合成预训练的分子表示预测蛋白-配体解离速率，并结合相互作用指纹解释结合动力学。尽管进展明显，复杂机器学习模型的解释性、结合位点可塑性和诱导契合效应仍是重要挑战。

核心结论

• 相互作用指纹是连接结构数据与机器学习的桥梁：它把蛋白-配体复合物中的相互作用模式编码为向量或矩阵，便于后续建模。
• 机器学习评分函数的进展与特征工程密切相关：氢键、疏水接触、盐桥、π堆积和π-阳离子相互作用等特征，能把结构信息转化为可学习信号。
• 本文重点不是提出新算法，而是综述SIFt、PyPLIF、Triplet IFP、APIF、SILIRID、SPLIF、PLECFP等结构相互作用指纹，并列出现有软件。
• 两个案例分别对应β2AR激动剂/拮抗剂分类和HSP90抑制剂解离速率预测，说明IFP既可服务结构-活性关系，也可辅助解释结合动力学。
• 当前挑战集中在结构依赖、能量项不足、复杂模型解释性、结合位点可塑性、诱导契合，以及对已知蛋白-配体相互作用数据的依赖。

背景

分子识别与药物发现

药物发现的核心挑战之一是从海量的化学空间中找到能够与特定靶点蛋白有效结合的分子。传统方法依赖实验筛选，但成本高、周期长。计算方法，特别是基于结构的药物设计（SBDD），通过模拟蛋白-配体相互作用来加速这一过程。

分子指纹是计算化学的基础工具。它将分子结构编码为固定长度的位向量或数值向量，使计算机能够“理解”化学结构。常见的二维指纹（如ECFP4、MACCS）基于分子拓扑结构，已广泛应用于相似性搜索、分类建模和虚拟筛选。

然而，二维指纹有一个根本局限：它不包含蛋白靶点的信息。同一个配体对不同蛋白可能有完全不同的结合模式，但二维指纹无法区分这一点。

二维指纹 vs 三维相互作用指纹对比

图2：二维分子指纹与三维分子指纹示意图。左侧展示仅由小分子二维结构生成的分子指纹，不同颜色的虚线圆圈表示记录在位字符串中的不同结构特征。右侧展示三维结构指纹，小分子以棒状模型表示，蛋白以灰色带状模型表示，小分子与蛋白之间的相互作用用黄色虚线标示。

三维相互作用指纹的崛起

相互作用指纹（Interaction Fingerprints, IFPs）正是为了解决这一问题而诞生的。它的核心思想是：

将蛋白-配体复合物的三维结构转化为一个特征向量，记录特定类型的相互作用发生在哪里

与二维指纹不同，IFPs是靶点特异性的。它不仅描述配体，还描述配体与特定蛋白的相互作用模式。这使得基于IFPs的机器学习模型能够学习到“什么样的相互作用模式会导致强结合”。

关键科学问题

本文旨在回答以下核心问题：

1. 如何有效编码蛋白-配体相互作用？哪些相互作用类型最重要？如何将三维结构信息转化为固定长度的特征向量？

2. IFPs在机器学习中的表现如何？与传统评分函数相比，基于IFPs的ML模型在结合亲和力预测和虚拟筛选中是否有优势？

3. 不同IFP方法有何特点？SIFt、PLIP、PLECFP等主流方法的设计理念、优势和适用场景分别是什么？

4. 当前挑战和未来方向是什么？IFPs在特征工程、标准化、可解释性方面仍面临哪些挑战？

研究内容

相互作用指纹的核心思想

IFPs的本质是将三维结构信息映射到一维特征空间。具体而言，它记录配体与蛋白残基之间发生了哪些类型的相互作用。

相互作用类型

编码方式

大多数IFP采用二进制编码：对于每个蛋白残基，如果与配体发生了某种类型的相互作用，则对应位置设为1，否则为0。这样，一个蛋白-配体复合物就被表示为一个高维稀疏二进制向量。

图1：使用机器学习预测分子性质的典型工作流。分子结构首先被转化为可计算的描述符或指纹，然后输入机器学习模型，用于性质预测、活性建模或后续筛选。这里要注意，本文图1并不是具体的蛋白-配体相互作用指纹示意图，而是分子指纹进入机器学习模型的一般流程。

主流IFP方法

SIFt：结构相互作用指纹的先驱

SIFt（Structural Interaction Fingerprint）是最早提出的IFP方法之一，由Deng等人在2004年开发。它的核心特点：

• 基于预定义的相互作用类型：原始SIFt为每个相互作用氨基酸使用7位编码，覆盖backbone、sidechain、polar、hydrophobic以及H-bond donor/acceptor等信息
• 残基中心编码：每个蛋白残基对应一组特征位，记录与配体的相互作用
• 扩展版本：Mordalski等后来增加两位，用于编码芳香相互作用和带电相互作用

SIFt的优势在于简单直观，易于理解和实现。本文强调它曾用于识别serotonin 5-HT7 receptor同源模型中与拮抗剂相互作用的关键氨基酸。

SIFt的核心创新：将三维结构信息转化为固定长度的特征向量，使得不同复合物可以在同一特征空间进行比较和机器学习。

PLIP：蛋白-配体相互作用 profiler

PLIP（Protein-Ligand Interaction Profiler）是一个更现代化的工具，由Salentin等人开发。它的特点：

• 可作为结构相互作用指纹计算软件使用，本文表2列出其输入对象可覆盖ligand、protein、DNA和RNA之间的组合
• 输入格式为PDB，本文表2未标注其支持MD trajectory analysis
• 它适合自动化识别蛋白-配体相互作用并集成到结构分析流程中

PLIP的一个关键优势是自动化和可复现：对于需要批量处理结构复合物的任务，它比人工检查相互作用更适合进入机器学习特征生成流程。

PLECFP：蛋白-配体扩展连接指纹

PLECFP（Protein-Ligand Extended Connectivity Fingerprint）是一种基于ECFP概念的IFP方法，由Wójcikowski等人开发。它的特点：

• 基于原子环境：识别接触原子对并描述每个原子在指定键深度内的邻域
• 环境配对：将配体和受体的环境配对，通过哈希位位置创建最终折叠指纹
• 隐式包含多种相互作用类型：在3D结构描述中隐式包含氢键、π-π堆积等

PLECFP的优势在于在结合亲和力预测任务上表现优异，Pearson相关系数在基准数据集上超过0.8，适用于先导化合物优化和scaffold hopping。

其他代表性方法

• SPLIF（Spatial Protein-Ligand Interaction Fingerprint）：基于空间位置的蛋白-配体相互作用指纹，使用配体和蛋白原子间的ECFP环境
• SILIRID（Specific Interaction by LIGand Recognition ID）：基于特定原子对和相互作用的指纹
• APIF（All-purpose Interaction Fingerprints）：通用相互作用指纹，适用于各种蛋白-配体复合物
• Arpeggio、fingeRNAt、getContacts、Ichem、LUNA、MD-IFP、ODDT、ProLIF、PyPLIF HIPPOS和Schrodinger IFP：本文表2列出这些工具或软件，可用于不同输入格式、复合物类型或MD轨迹场景下的相互作用指纹计算

主流IFP方法对比

IFPs在机器学习中的应用

结合亲和力预测

预测配体与蛋白的结合亲和力是药物发现的核心任务。常用指标包括$K_D$、$IC_{50}$、$\Delta G$。基于IFPs的ML模型在这一任务上表现出色。

典型工作流程

1. 结构准备：获取蛋白-配体复合物的三维结构（X射线、NMR或分子对接）
2. 相互作用指纹生成：使用PLIP、SIFt等工具提取IFP特征
3. 特征工程：可能包括特征选择、降维（PCA）、组合特征等
4. 模型训练：使用随机森林、SVM、神经网络等ML算法训练回归模型
5. 验证：交叉验证、独立测试集评估

性能对比

本文更谨慎的表述是：近年来机器学习评分函数在scoring任务中表现突出，并且相较经典评分函数有优势；IFPs作为结构特征工程的一类输入，能帮助模型更好地利用蛋白-配体相互作用信息。原因包括：

• 数据驱动：ML模型从真实数据中学习，而非依赖经验函数
• 特征工程：IFPs直接编码关键相互作用，比物理描述符更相关
• 非线性建模：ML能捕捉复杂的非线性关系

结构-活性关系与虚拟筛选

虚拟筛选是从大量化合物中筛选出潜在活性分子的过程。IFPs在这一任务中也展现出优势：

• 富集因子高：基于IFPs的模型能在早期识别更多活性分子
• 靶点特异性：模型针对特定靶点训练，而非通用评分
• 可解释性：可以通过分析特征权重了解哪些相互作用重要

案例研究1：β2AR激动剂与拮抗剂分类

Jimenez-Roses等的案例围绕β2肾上腺素能受体（β2AR）的结构-活性关系。研究者收集约2700个β2AR已知配体，对接到β2AR结构中生成约75,000个构象，并计算atomic interaction fingerprints作为机器学习输入，用于预测配体是激动剂还是拮抗剂。

模型识别出能区分两类药理活性的关键残基：激动剂更偏向与K97、F194、S203、S204、S207、H296和K305发生相互作用，而拮抗剂更偏向W286和Y316。这说明对接构象中的结构相互作用指纹可以帮助解释配体周围微环境，并区分潜在生物活性。

图3：Jimenez-Roses等的案例研究。工作流展示如何从对接构象中提取相互作用指纹，将其作为机器学习模型输入，以识别β2受体上决定配体药理活性的关键残基。

案例研究2：HSP90抑制剂解离速率预测

第二个案例来自Zhou等，核心任务是预测蛋白-配体解离速率$k_{\mathrm{off}}$。该研究使用RPM（retrosynthesis-based pre-trained molecular representation）表示，通过逆合成反应数据预训练来编码分子反应性和官能团信息，再将RPM特征输入partial least squares regression模型，预测覆盖55个蛋白的501个抑制剂$k_{\mathrm{off}}$。

使用RPM的模型在该数据集上达到Pearson相关系数0.76，并在38个新的HSP90α N-terminal domain抑制剂上得到0.73的相关性。随后，研究结合加速分子动力学模拟，在解离轨迹上提取蛋白-配体IFPs，识别N51、S52和L107等影响解离过程的重要残基。这个案例的重点是把预训练分子表示、机器学习、MD和IFP分析组合起来解释结合动力学。

图4：Zhou等的案例研究。工作流展示如何从MD模拟中提取相互作用指纹，将其作为机器学习模型输入，以识别关键残基与配体动力学之间的相关性；该案例的配体数据集来自Amangeldiuly等和Liu等。

IFPs的优势与局限

关键结论与批判性总结

主要贡献

本文系统综述了相互作用指纹在机器学习驱动的药物发现中的应用，核心贡献包括：

• 全面梳理主流结构IFP方法：从SIFt、PyPLIF、Triplet IFP到APIF、SILIRID、SPLIF和PLECFP，清晰阐述各自编码逻辑。
• 汇总现有计算软件：本文列出Arpeggio、fingeRNAt、getContacts、Ichem、LUNA、MD-IFP、ODDT、PLIP、ProLIF、PyPLIF HIPPOS和Schrodinger等工具。
• 展示两个机器学习案例：β2AR配体激动剂/拮抗剂分类和HSP90抑制剂$k_{\mathrm{off}}$预测，分别对应结构-活性关系和结合动力学。
• 指出未来方向：混合指纹设计、深度学习、模型解释性增强，以及对结合位点可塑性和诱导契合效应的处理。

优势与亮点

• 靶点特异性是IFPs的核心优势，使其能够捕捉特定蛋白-配体对的独特相互作用模式
• 物理意义明确，每个特征对应可解释的相互作用类型
• 与ML天然契合，将结构问题转化为可学习的特征问题

未来发展方向

mindmap
  root((IFP未来方向))
    动态信息整合
      分子动力学轨迹
        从MD中提取时间依赖IFPs
      系综指纹
        整合多个构象的IFP
      相互作用强度
        用频率或强度代替0/1
    深度学习整合
      图神经网络
        自动学习相互作用特征
      注意力机制
        识别关键残基
      生成模型
        设计理想相互作用谱
    可解释性增强
      特征重要性分析
        量化相互作用贡献
      可视化工具
        直观展示关键残基
      逆向设计
        根据理想IFP设计配体
    标准化与基准
      标准数据集
        高质量复合物基准集
      统一评估协议
        公平比较不同方法
      开源工具
        促进方法共享

本文强调的限制

• 结构依赖：三维指纹依赖可获得的蛋白-配体复合物结构；虽然结构测定技术在进步，但没有结构时IFP方法仍受限。
• 能量项不足：许多指纹主要记录相互作用模式，未充分纳入能全面表征蛋白-配体相互作用的能量项，深度学习评分函数可能部分缓解这一问题。
• 解释性仍是难点：即使IFP本身较可解释，基于三维指纹构建的复杂机器学习模型仍需要拆解预测来源，找到真正驱动预测的关键相互作用。
• 静态结构不够完整：结合位点可塑性和诱导契合效应会使静态结构指纹难以完整描述真实相互作用。
• 已知配体数据依赖：两个案例中的靶点都有大量已知配体可用于训练；对于已知配体很少或没有的靶点，该策略适用性会下降。