昌平实验室打造PPIFlow：AI 流匹配算法驱动的高亲和力蛋白结合剂设计

在蛋白质工程与治疗性生物药研发领域，高亲和力蛋白结合剂的从头设计一直是制约技术转化的核心瓶颈。传统方法依赖实验筛选与体外maturation，不仅成本高昂、周期漫长，还难以精准控制结合表位与分子构象。昌平实验室团队开发的PPIFlow框架，通过流匹配生成模型与新型体外maturation策略的深度融合，实现了无需实验优化即可直接生成皮摩尔（pM）至纳摩尔（nM）级亲和力结合剂的突破，为蛋白结合剂设计提供了新的纯计算解决方案。相关研究成果以《High-Affinity Protein Binder Design via Flow Matching and In Silico Maturation》为题于bioRxiv预印本发布，其技术创新性与应用潜力值得深入剖析。

一、领域痛点与技术背景

蛋白质-蛋白质相互作用（PPIs）是细胞生理功能的核心基础，也是肿瘤、自身免疫病等疾病的关键治疗靶点。理想的蛋白结合剂需同时满足高亲和力（pM/nM级）、精准靶向（特定表位）与结构稳定三大核心要求，但长期以来面临双重技术瓶颈：

1. 计算设计与实际亲和力并非强相关：现有深度学习模型（如RFdiffusion、BindCraft）虽能生成结构合理的蛋白骨架，但因难以捕捉精准的几何互补性与侧链堆积效应，生成的结合剂亲和力为中等水平，需依赖大规模实验筛选优化；
2. 体外maturation效率低下：传统定向进化、文库筛选等方法资源消耗大，且难以实现对结合界面的精细调控，限制了候选分子的成药潜力；
3. 抗体设计难度更高：单域抗体（VHHs）等治疗性抗体需兼顾抗原结合特异性与框架稳定性，从头设计的成功率与亲和力达标率一直处于较低水平。

流匹配（Flow Matching）技术的出现为解决上述问题提供了新的可能。流匹配通过学习简单分布与复杂结构间的连续映射，具备训练稳定性强、采样效率高的优势，能够更精准地建模蛋白质骨架的刚体变换过程。PPIFlow框架正是基于这一技术，结合体外maturation策略与高效筛选工具，构建了从骨架生成到亲和力优化的全流程计算设计体系。

二、PPIFlow框架的核心技术创新

PPIFlow的突破性在于将流匹配生成模型、靶向体外maturation与高效结构评分三大模块深度协同，形成了闭环设计流程，其核心技术创新可概括为以下三点：

1. 流匹配驱动的精准骨架生成

PPIFlow采用SE(3)空间刚体流建模，将蛋白质骨架表示为刚性残基框架集合，通过学习平移与旋转场，直接实现从随机分布到真实结构的连续转化。

• Pairformer模块：通过interleaved attention与transition层，联合更新残基级与成对嵌入特征，明确捕捉结合界面的几何关系与化学相互作用，缓解了传统模型难以建模长程残基相互作用的问题；
• 多阶段训练策略：模型先在单体蛋白数据集上学习通用结构先验，再逐步微调至蛋白质-蛋白质相互作用（PPI）、单链可变片段（scFv）与VHH设计任务，有效避免灾难性遗忘，提升了复杂场景下的泛化能力；
• 几何约束增强：引入界面接触损失、骨架原子损失与结合剂成对距离损失，确保生成的骨架结构具备物理合理性与靶向结合潜力。

2. 新型体外maturation策略：从 结构合理 到 高亲和力 的跨越

为弥补计算设计与实际亲和力的差距，PPIFlow开发了包含四大步骤的体外maturation流程，实现结合界面的精准优化：

1. 界面旋转异构体富集：通过Rosetta能量计算，筛选出相互作用能量＜-5 Rosetta能量单位（REU）的“锚定残基”，识别能量最优的侧链构象；
2. 关键残基融合：合并多序列设计中贡献显著的关键界面残基，构建富集型界面；
3. 骨架扰动与再生：固定关键残基，将剩余骨架扰动至中间流状态（t=0.6），通过流匹配模型再生扰动区域，解决空间冲突并重塑结合界面；
4. 序列重设计：采用ProteinMPNN（通用结合剂）或AbMPNN（VHHs）在低温度（T=0.1）下重设计非约束区域，提升序列-结构兼容性与折叠稳定性。

3. AF3Score：高效精准的候选分子筛选工具

为解决传统筛选方法计算成本高、效率低的问题，PPIFlow集成了AlphaFold3的简化评分工具AF3Score，无需构建多序列比对（MSA）与迭代循环，即可快速评估候选分子的结构置信度与结合潜力。

• 计算效率提升约两个数量级，大幅缩短候选分子优先级排序时间；
• 采用复合评分标准（AF3 ipTM×100 - Rosetta界面评分），结合AlphaFold3结构验证与Rosetta界面分析，确保筛选出的候选分子兼具结构稳定性与结合特异性。

三、实验验证：全面超越现有技术的性能表现

研究团队在15个治疗相关靶标上对PPIFlow进行了严格验证，涵盖7个微型结合剂靶标（IL7RA、IFNAR2、IL17A等）与8个VHH靶标（CCL2、HNMT、PDGFR等），实验结果展现出三大核心优势：

1. 超高亲和力与成功率

• mini-结合剂：210个候选分子全部成功表达，36.2%（76个）的结合剂亲和力优于1μM，其中6个靶标获得pM级结合剂，最优亲和力达1pM（TRKA_05、IL7RA_02）；
• VHHs：240个候选分子表达成功率100%，33.8%（81个）实现特异性结合，27.9%（67个）亲和力优于1μM，CCL2靶向VHH（CCL2_21）亲和力达250pM，PDGFR、1433E等靶标获得单-digit nM级结合剂；
• 表位精准性：VHH设计的热点覆盖度中位数＞0.9，框架一致性误差（RMSD）仅0.18Å，确保了结合特异性与成药潜力。

2. 优于现有方法的综合性能

在MotifBench基准测试中，PPIFlow得分为42.38，远超RFdiffusion的28.6，成功缓解了4JHW、4XOJ等多片段 motif 支架搭建难题；在75-200残基长度的结合剂设计中，其结构多样性、设计成功率与界面能量评分均全面超越RFdiffusion、BindCraft与BoltzGen等主流工具，尤其在大尺寸结合剂设计中优势更为突出。

四、局限性与未来展望

尽管PPIFlow展现出卓越性能，但仍存在一些局限性：

1. 目前仅支持骨架生成，侧链堆积需后续处理，全原子生成框架可能进一步提升复杂界面的设计效果；
2. 针对部分靶标（如IL13）的成功率较低，主要原因是难以识别稳定的 锚定残基，限制了体外maturation的效果；
3. 仅适用于蛋白质-蛋白质复合物设计，尚未拓展至核酸、小分子等其他靶点类型。

未来，团队计划通过开发全原子流匹配模型、优化低成功率靶标的锚定残基识别算法、拓展多靶点类型支持等方向，进一步提升框架的通用性与性能。此外，PPIFlow的代码与数据已开源（https://github.com/Mingchenchen/PPIFlow），将为全球科研人员提供免费可用的技术支撑。

六、总结

PPIFlow框架通过流匹配生成模型、新型体外maturation策略与高效筛选工具的深度融合，成功实现了高亲和力蛋白结合剂的纯计算从头设计，其在实验验证中展现的高成功率、超高亲和力与计算效率。

参考文献：Qilin Yu, Liangyue Guo, Xiayan Qin, Xikun Huang, Baihui Tian, Hongzhun Wang, Yu Liu, Yunzhi Lang, Di Wang, Zhouhanyu Shen, Jie Lin, Mingchen Chen, High-Affinity Protein Binder Design via Flow Matching and In Silico Maturation, bioRxiv 2026.01.19.700484