设计只识别靶标单一形态的蛋白质：AlloGen 与可学习的构象选择性（arXiv，2026）
2026 年 6 月 3 日发布于 arXiv 的 AlloGen 提出了一种设计定制蛋白质的方法，使其只识别靶标的一种形态——例如酶的活性形态，而非其静息形态。系统的核心是一个可学习的打分器 Q_θ，经训练用于评估两个蛋白质之间界面的构象选择性。在八个训练中从未见过的靶标上，它能正确排序候选物（平均秩相关 0.520），并在接入三个现有蛋白质生成器后，提高了识别目标形态的候选物比例。在钙调蛋白上，从头设计的多肽确实结合"holo"形态，而对"apo"形态无可检测结合。构象选择性可学习的证明既优雅又可复现——但仅一个湿实验靶标、一个替代指标、薄弱的对照以及非商业许可证，使其远在任何药物的上游。
背景
自 RFdiffusion、BindCraft 等生成模型问世以来，设计一个粘附到另一个蛋白质上的蛋白质——即"结合子"（binder）——已成为令人印象深刻的常规操作。但这些工具几乎总是只优化一件事：亲和力，即结合子抓住靶标的强度。对于很大一部分有意思的治疗靶标，亲和力并不够。许多蛋白质会随其状态改变形态：激酶在活性与非活性构象之间切换（生物学家称之为"DFG-in"与"DFG-out"状态），像雌激素受体这样的核受体会因是否有配体存在而采取不同位置，而G 蛋白偶联受体（GPCR，最大的药物靶标家族）则在开放与闭合形态之间摆动。
若要精确作用于生物学，人们往往想要一个只识别其中一种形态——例如致病形态——并忽略另一种的结合子。一个同时抓住两种状态的结合子，无论多强，都什么也分辨不出，因而什么也控制不了。这正是 AlloGen 所针对的空白：不是"结合得强"，而是"结合正确的构象并拒绝另一个"。论文对比同一蛋白质的两个参考状态：apo 状态（没有其伙伴或离子，常为"静息"形态）和 holo 状态（伙伴已结合，常为"激活"形态）。
方法
该工作是一篇 arXiv 预印本（2606.05474，类别 q-bio.BM 与 cs.LG，于 2026 年 6 月 3 日发布，尚未经过同行评审）。由香港中文大学和宾夕法尼亚大学（Pranam Chatterjee 实验室）的团队署名，它基于一个模块化设计：将蛋白质骨架的生成与其选择性的评估分离开来。
核心是打分器 Q_θ，一个 SE(3) 不变的界面图 transformer。逐一拆解：transformer 是支撑大语言模型的网络类型；这里它把两个蛋白质之间的界面当作一个图来处理（接触的原子及其化学键）；"SE(3) 不变"意味着即便把整体在空间中旋转或平移，它的分数也不变——这是对 3D 结构进行推理所必需的性质。Q_θ 通过两阶段课程训练。第一阶段教它通过回归 DockQ（一个标准的对接质量分数）来判断界面的质量。第二阶段通过对比学习（一种学习把该靠近的拉近、把其余推远的技术）使其区分 apo/holo 配对：即真正的选择性。模型建立在蛋白质语言模型 ESM-2 的嵌入（序列的可学习数值表示）之上。
基准包含跨 15 个蛋白质家族、65 个靶标的 2,896 个受体-结合子复合物。尤为关键的是，评估是在从训练中保留出的八个靶标（即所谓的 分布外）上进行的：A2AR（一个 GPCR）、BCL-2、钙调蛋白（CaM）、ERα（雌激素受体）、一个整合素、MDM2、PAI-1 和 Ran。由于 Q_θ 可微且与生成器无关，它能以两种方式接入任何骨架生成器：作为被动的重排器（先生成，再打分并保留最佳）或作为通过梯度引导生成的主动引导器。作者在三个不同的生成器（RFdiffusion、PXDesign、Proteina-ComplexA）和五种引导策略上测试它，共十五种组合。
结果
在打分方面，Q_θ 在其分数与真实界面质量之间达到平均（Spearman）秩相关 0.520 ± 0.010，在全部八个靶标上为正、在其中四个上超过 0.5；第二训练阶段把均值从 0.481 提升到 0.520。作为对比，最好的经典对照（PRODIGY，一个亲和力估计器）止步于 0.143，其余（界面大小、图密度、随机）则在零附近或为负。跨靶标特异性很明显：一个靶标对其自身构象的分数，平均比它对其他构象的分数高出 19.8 倍。在形态偏好上，八个靶标中有七个显示出正的 holo 减 apo 差值；钙调蛋白和 MDM2 达到 100% 和 98% 的 holo 偏好，而整合素仍是难例（差值 +0.001，52%，即随机水平）。
在生成方面，接入 Q_θ 把候选物的平均选择性在全部十五种组合上提升到 +0.305。对于钙调蛋白，十五种组合中有十四种给出正选择性，最佳者（RFdiffusion 经 Langevin 引导）达到 +0.677，且 88% 的候选物既折叠良好又具选择性；作为简单重排器，从十个设计中保留最佳可将选择性推至 +0.885。所生成的骨架在物理上仍合理（无 Ramachandran 离群点，键长平均偏移 0.005 Å）。作者并不只依赖自己的分数：独立工具（Boltz-2、AlphaFold 3、Rosetta、ProteinMPNN）大体上确认了对目标形态的偏好。
最后是钙调蛋白上的湿实验验证。通过生物膜层干涉（BLI，一种物理结合测量），从头设计的多肽结合钙调蛋白的 holo 形态而对 apo 形态无可检测结合，且一个故意低分的对照不结合。这是重头戏：计算信号转化为真实分子。对非专业读者而言：构象选择性结合子是一种只作用于蛋白质致病形态的分子——理论上脱靶效应更少。但这里说的是计算加上试管里的单一蛋白质：没有细胞、没有动物、没有药代动力学、没有治疗终点。
好的方面
一个可复用的打分器，无需重训即可接入任何生成器。生成与打分的分离不只是优雅：它在三种不同架构的生成器和五种引导模式上得到了证明。这种工程上的通用性既罕见又有用——社区可以原样复用 Q_θ。
一次诚实的分布外评估。八个测试靶标从训练中保留，跨靶标特异性矩阵（19.8 倍）表明模型并非给所有人同样打分，而作者用独立的第三方工具佐证结果，而非自我评分。模型权重已在 Hugging Face 公开（ChatterjeeLab/AlloGen）。
一个实验锚点。很少有生成式设计方法附带物理确认。结合 holo 形态而不结合 apo 形态、且带有阴性对照的钙调蛋白多肽，赋予这一论证仅靠计算数字所无法获得的分量。
不足之处
一个替代指标（失效模式：误导性指标）。Q_θ 是针对 DockQ 和一个内部选择性分数训练和评估的，而非针对真实亲和力。0.520 的相关性是中等，并非压倒性。而且在整个基准上并未测量物理亲和力：只有钙调蛋白经过了湿实验。所查阅的 HTML 版本中并未出现解离常数本身——因此只能停留在"结合 holo、无可检测的 apo 结合"，没有数字。
薄弱的对照（失效模式：有偏的对照）。被击败的基线——PRODIGY、界面大小、图密度、随机——要求都不高；最强的也只到 0.143。没有与另一个可学习的选择性打分器的比较。0.520 之所以令人印象深刻，首先是因为门槛低。
不平衡的基准与有待证明的泛化（失效模式：靶标偏倚与数据泄露）。该数据集被单一靶标主导（Ran 占 2,896 个复合物中的 2,268 个），各家族代表性不均，而若被测家族的同源物仍留在训练中，"分布外"的承诺就会被削弱。整合素实际上失败了（52%，随机水平），ERα 受阻不在打分而在生成。单一的物理验证靶标无法确立泛化。最后，CC BY-NC-ND 4.0 许可证是非商业且禁止演绎的——因此无法原样用于工业制药流程。
它改变了什么
对研究界而言，AlloGen 将构象选择性确立为一种可学习、模块化的性质，并提供了一个可复用的打分器以及一个他人可以超越的基准。这是一个子领域——状态选择性设计——可信的开端，与一味追求亲和力的竞赛截然不同。
对临床医生而言，今天没有任何改变。我们远在临床前工作的上游：这里没有治疗候选物，没有细胞或动物数据。其意义在于方法学，而非近期的医学。
对患者和公众而言，长期的前景是只触及蛋白质有害形态的药物，因而可能具有更少的副作用。但这一前景以年和许多验证步骤来计算——从试管里的选择性多肽到一种疗法，距离依然巨大。
延伸阅读
完整预印本见 arXiv（2606.05474）及其 PDF。模型权重以 CC BY-NC-ND 4.0 许可证发布于 Hugging Face。为定位该方法，它所驱动的骨架生成器（RFdiffusion、PXDesign、Proteina-ComplexA）以及独立的对照工具（AlphaFold 3、Rosetta、ProteinMPNN）是进入深度学习蛋白质设计的有用入口。