随着精准医疗时代的到来，药物耐药性已成为全球公共卫生领域的重大挑战。病毒、细菌和癌细胞通过基因突变不断进化，导致原有药物疗效下降甚至失效。其中，蛋白质与药物分子结合亲和力的改变是产生耐药性的关键机制之一。传统实验方法测定突变对蛋白-配体结合亲和力影响既耗时又昂贵，这促使计算生物学方法应运而生。
近年来，AlphaFold2和AlphaFold3等蛋白质结构预测技术的突破，为药物研发带来了革命性变革。这些工具能够快速生成高精度的蛋白质三维结构，甚至预测蛋白质与配体的相互作用模式。然而，一个关键问题尚未得到解答：这些计算预测的结构能否可靠地用于评估突变对药物结合的影响？尽管科研人员已开发出mCSM-lig、PremPLI等预测工具，但它们大多基于实验测得的蛋白-配体复合物结构进行验证。在实际应用中，特别是对新发现的突变位点，实验结构往往不可得，研究者不得不依赖计算预测的模型。这种"结构盲"条件下的预测可靠性，直接关系到药物耐药性研究的准确性。
为了填补这一知识空白，研究团队开展了一项系统性评估研究，比较了不同计算模型在预测蛋白-配体结合亲和力变化方面的表现。该研究近期发表于生物信息学领域权威期刊《Briefings in Bioinformatics》，为计算生物学和药物设计领域提供了重要参考。
研究团队首先构建了一个包含791个突变、涉及221个独特蛋白-配体复合物的高质量数据集，这些数据来源于Platinum、TKI等多个权威数据库。为确保数据可靠性，他们仅选择基于解离常数(Kd)或抑制常数(Ki)计算的结合自由能变化(ΔΔGbind)数据，排除了基于半最大抑制浓度(IC50)的数据，以避免引入非线性噪声。
在方法学上，研究采用了多层次的蛋白-配体复合物建模策略：使用AlphaFold2和同源建模（分高序列一致性85%-99%和低序列一致性10%-35%两组）生成蛋白受体结构；通过AutoDock Vina进行分子对接获得配体结合姿态；同时利用AlphaFold3直接预测完整的蛋白-配体复合物。评估体系包含三类预测方法：机器学习驱动的突变特异性方法（mCSM-lig、PremPLI）、能量函数方法（flexddg）以及打分函数方法（CSM-lig、ΔvinaRF20等）。性能评估分为回归任务（预测ΔΔGbind变化）和分类任务（识别潜在耐药突变）两个维度。
蛋白-配体复合物计算建模与结构偏差分析
研究显示，AlphaFold2预测的受体结构与实验结构具有较低的整体偏差（平均RMSD=1.51Å），而同源建模低序列一致性组的结构偏差较大（平均RMSD=6.49Å）。然而，配体对接结果却呈现出不同趋势：AlphaFold2受体上对接的配体平均RMSD为5.04Å，与高序列一致性同源模型结果相似（5.13Å）。值得注意的是，AlphaFold3直接预测的复合物展现出最优的配体定位精度，平均RMSD仅为3.40Å，且75.11%的配体预测位置与实验结构偏差小于2Å。
不同计算方法在预测结构上的性能表现
在回归任务中，使用实验结构作为基准，mCSM-lig和PremPLI的Pearson相关系数分别达到0.76和0.75。当输入结构变为计算预测模型时，性能出现不同程度下降：实验受体+随机初始构象对接下降约5%，AlphaFold2模型下降10%-20%，而低序列一致性同源模型下降超过30%。AlphaFold3模型的表现与实验受体+重对接相当，仅下降约5%。能量函数方法flexddg表现出不同的性能变化模式，对结构质量敏感度较低但整体预测准确性较差。
基于受体和配体特性的性能差异
界面突变（距离配体≤5Å）的预测准确性普遍高于非界面突变，但性能下降幅度也更大。特别是在AlphaFold2和同源模型上，界面突变的性能下降幅度是非界面突变的近两倍。配体特性方面，低分子量（≤500Da）和符合Lipinski五规则（logP在0-5之间）的配体，其突变效应预测受结构质量影响较小。而配体灵活性（可旋转键数量）对预测性能影响不大。
打分函数在突变效应预测中的局限性
与专门的突变效应预测工具相比，传统的打分函数（如AutoDock Vina、RF-score等）在识别潜在耐药突变方面表现不佳，AUPRC值普遍低于0.62。这表明这些原本用于评估结合亲和力的工具，不适合直接用于突变效应研究。
研究结论强调，尽管使用计算预测的蛋白-配体结构会导致一定程度的性能下降（5%-30%），但在缺乏实验结构的情况下，这些工具仍能为耐药突变筛查提供有价值的信息。性能下降的主要限制因素是侧链构象的准确性，特别是结合口袋残基的取向。机器学习方法对输入结构质量更为敏感，而能量函数方法虽然对结构变化容忍度较高，但预测准确性有限。
这项研究为计算生物学和药物设计领域提供了重要实践指南：首先，它明确了不同预测结构对突变效应分析的影响程度，帮助研究者合理设置结果解读的置信区间；其次，研究指出AlphaFold3在蛋白-配体复合物建模方面的优势，为未来相关研究提供了工具选择参考；最重要的是，该工作为在缺乏实验结构条件下开展耐药突变研究建立了评估框架，推动了计算生物学方法在精准医疗中的应用。随着蛋白质结构预测技术的不断进步和突变特异性方法的持续优化，计算驱动的新药研发和耐药机制研究将更加精准可靠。
