DecoyDB：革新蛋白-配体结合亲和力预测的数据集与框架

MindDance

发布于 2026-01-08 12:56:31

1500

DecoyDB: A Dataset for Graph Contrastive Learning in Protein-Ligand Binding Affinity Prediction

期刊: arxiv 链接: https://arxiv.org/abs/2507.06366 代码: https://github.com/spatialdatasciencegroup/DecoyDB 简介: 该论文针对蛋白质 - 配体结合亲和力预测中高质量标记数据稀缺的问题，提出了大型结构感知数据集 DecoyDB 及定制化图对比学习框架，创新点在于通过计算生成的诱饵构象构建正负样本对并利用其 RMSD 值优化对比损失。方法上，DecoyDB 包含高分辨率天然复合物和大量带 RMSD 标注的诱饵构象，框架结合双类别图对比损失（考虑不同类型负样本）和去噪分数匹配正则化进行预训练。实验使用 PDBbind 等数据集，结果显示基于 DecoyDB 预训练的模型在预测精度、样本效率和泛化能力上均优于基线模型，尤其在小样本场景下提升显著。该研究为蛋白质 - 配体结合亲和力预测提供了新的数据集和方法，有助于推动药物发现相关研究。

近期arxiv上发布的《DecoyDB: A Dataset for Graph Contrastive Learning in Protein-Ligand Binding Affinity Prediction》一文，在解决小样本约束下的亲和力预测难题方面展现出突破性价值。该研究不仅构建了目前规模最大的蛋白-配体自监督学习数据集，更提出了适配分子结构特性的图对比学习框架，为基于深度学习的药物发现研究提供了全新范式。

研究背景：小样本困境与自监督学习的破局潜力

蛋白-配体结合亲和力预测是计算机辅助药物设计的核心环节，直接影响虚拟筛选与先导化合物优化的效率。传统方法中，分子力学（如MM/PBSA）与自由能计算（如FEP）虽精度较高，但计算成本使其难以应用于大规模筛选。近年来，基于3D卷积神经网络（CNN）和图神经网络（GNN）的深度学习方法逐渐成为主流，但其性能受限于标注数据的稀缺性。

目前应用最广泛的PDBbind数据集仅包含约2万个带亲和力标签的复合物，且这类实验标签的获取耗时费力，规模难以快速扩张。与之形成鲜明对比的是，PDB等结构数据库中存在超过17万个未标注的蛋白-配体复合物，这些数据蕴含的结构相互作用信息尚未被充分利用。

自监督学习通过海量无标签数据预训练模型，再结合少量标注数据微调的范式，为解决这一矛盾提供了可能。其中，图对比学习（GCL）在分子数据领域展现出独特优势，但现有研究面临两大挑战：一是缺乏定义清晰的正负样本对数据集；二是通用GCL的扰动方法（如节点/边删除）可能破坏分子的物理化学约束，生成非真实构象。DecoyDB的提出正是为了填补这一空白。

DecoyDB数据集：结构感知的大规模自监督学习资源

数据集构建策略

DecoyDB的构建遵循严格的质量控制与多样性设计原则，具体流程包括：

1. 核心复合物筛选：从PDB数据库中筛选出61,104个高分辨率（≤2.5Å）的X射线晶体结构，排除了分子量不在50-700范围内、含金属簇或稀有元素的配体，并仅保留与配体距离≤10Å的蛋白质链，确保捕捉关键相互作用区域。
2. 诱饵构象生成：采用AutoDock Vina对每个核心复合物进行虚拟对接，在配体周围设置5Å缓冲的网格盒，生成100个构象（exhaustiveness=8），最终获得5,353,307个高质量诱饵结构，平均每个复合物对应88个诱饵。
3. 结构标注体系：每个诱饵均标注与天然构象的Root Mean Squared Deviation（RMSD），范围从0.03Å到25.56Å（均值7.22Å），形成从近天然（RMSD≤2Å，正样本）到非天然（RMSD>2Å，负样本）的连续分布。

DecoyDB 的数据构建流程。

数据集优势与创新点

与蛋白质 - 配体复合物结合亲和力预测相关的公共数据集。

相较于现有资源，DecoyDB的核心优势体现在：

• 规模与多样性：总规模达541万（6万+核心复合物+535万诱饵），远超同类数据集（如Redocked2020的78万构象），且RMSD分布连续，覆盖从近天然到完全偏离的构象空间。
• 避免数据泄露：核心复合物主要来自PDB而非PDBbind，与常用微调数据集的重叠率极低，为验证模型泛化能力提供了纯净的测试环境。
• 结构-功能关联：通过RMSD量化构象偏离程度，将结构特征与结合能（天然构象对应能量最低态）建立关联，为自监督学习提供了物理意义明确的监督信号。

DecoyDB 的统计分析。（a）每个蛋白质 - 配体复合物的原子数量分布；（b）每个复合物的诱饵数量分布；（c）诱饵复合物的 RMSD 值分布；（d）诱饵复合物的 RMSD 值累积分布。

定制化图对比学习框架

基于DecoyDB的特性，研究者设计了适配蛋白-配体系统的自监督学习框架，核心包括双类别对比损失与去噪正则化模块。

双类别图对比损失

传统GCL采用单一负样本策略，而该框架创新性地设计了两类负样本：

1. 同复合物诱饵负样本：来自同一核心复合物的诱饵构象，根据RMSD赋予权重（β = α·RMSD/RMSD_max），使偏离越大的构象权重越高，强化模型对细微结构差异的识别。
2. 异复合物负样本：来自不同核心复合物的结构，采用固定权重（β=1），确保模型学习跨复合物的结构差异。

最终损失函数通过InfoNCE形式整合正负样本对，公式如下：

其中z为GNN编码器输出的嵌入向量，τ为温度参数，m为每个锚点的正样本数。

去噪分数匹配正则化

为使模型学习能量最低构象的特征，框架引入去噪分数匹配（DSM）正则化：

1. 对配体原子坐标添加高斯噪声（x' = x + ε，ε~N(0,σ²)）生成扰动结构；
2. 定义损失函数促使模型从扰动结构恢复天然构象：

最终总损失为L = L₁ + μL₂，其中μ为平衡系数。

实验验证：性能提升与泛化能力分析

在两个数据集上，该框架与基线模型的详细性能比较。

研究团队在多个基准数据集上验证了框架的有效性，关键发现包括：

预测精度提升

在PDBbind2013核心集（107个复合物）和2016核心集（285个复合物）上，采用GIGN作为基础模型时：

• 预训练后RMSE分别从1.460降至1.386（2013）和1.263降至1.188（2016）；
• 相较同类方法（如ConBAP），在EGNN模型上的RMSE降低更显著（1.304→1.250）。

样本效率提升

在微调阶段改变标注样本量（2k-12k）的实验显示：

• 预训练模型在所有样本量下均优于无预训练模型，尤其在小样本（2k）时优势最大（RMSE降低0.3+）；
• 收敛速度提升一倍（约20轮vs40轮）。

泛化能力增强

在 leakage-proof 的LP-PDBbind数据集（4651个测试样本）上：

• 预训练模型RMSE从1.496降至1.371，远优于随机划分数据集上的提升（1.294→1.269），证明其有效克服了数据重叠导致的虚假性能。

消融实验结论

• 双类别负样本策略优于单一类别（仅异复合物），2016核心集RMSE从1.246降至1.221；
• 去除GCL或DSM模块均导致性能下降，证明两者协同作用的必要性。

损失函数中两个关键超参数 α 和 μ 的敏感性分析。（a）和（c）显示在两个数据集（PDBbind2013 和 PDBbind2016）上不同 μ 值的 RMSE 性能；（b）和（d）显示在相同两个数据集上不同 α 值的 RMSE 变化。红色虚线表示基线 GIGN 模型。

（a）预训练期间的训练和验证损失曲线；（b）消融研究；（c）微调数据集大小对结合亲和力预测的影响；（d）微调中的验证曲线。

研究意义与未来方向

DecoyDB的提出首次实现了蛋白-配体复合物的大规模自监督预训练，其创新点在于：

1. 数据层面：构建了结构标注精细、无泄露风险的数据集，为自监督学习提供高质量素材；
2. 方法层面：设计了适配分子特性的对比学习策略，避免传统扰动方法的物理化学约束破坏；
3. 应用层面：显著提升了模型在小样本场景的性能，降低对实验标注的依赖。

未来研究可拓展至结合构象预测、药物分子生成等任务，而DecoyDB开源资源（https://github.com/spatialdatasciencegroup/DecoyDB）的释放，将推动该领域的快速发展。对于从事计算药物设计的研究者而言，这一工作不仅提供了强大的工具，更启发了"利用计算生成数据赋能小样本学习"的新研究思路。

(●'◡'●) 需要进一步讨论的同学欢迎留言交流！