AAAI | 从宏观到微观：跨尺度 3D 建模M²N 模型解锁 AI 药物 - 靶点亲和力预测新范式

准确的药物-靶点亲和力（DTA）预测在AI药物发现领域具有重要潜力。然而，现有的方法主要在单一尺度上进行操作，即针对靶点蛋白在宏观尺度（残基尺度）和针对药物在微观尺度（原子尺度），这限制了它们在靶点微观尺度（原子尺度）和药物宏观尺度（官能团，FG）提供信息的能力。这种局限性阻碍了对药物-靶点对结合模式和特性的全面理解。

江南大学团队发表于AAAI-25的研究论文《M²N：A Progressive Macro-to-Micro 3D Modeling Scheme for Unveiling Drug-Target Affinity》，提出了一种渐进式宏观到微观（跨尺度建模）3D建模框架，实现了药物与靶点从宏观到微观的统一表征，为DTA预测提供了全新的技术范式。本文将从技术原理、创新突破、实验验证及领域影响四个维度，深度解析这一里程碑式研究。

一、领域瓶颈：单尺度建模的固有局限与跨尺度需求

从分子作用机制来看，DTA的本质是药物与靶点在多尺度上的协同作用：

• 药物官能团（FG）作为原子的集合体，决定了分子的化学反应特性与靶点结合倾向性，其空间排布直接影响药物活性与药代动力学性质；
• 蛋白质的原子级精细结构（如活性位点的原子构型、化学键取向）是实现特异性结合的关键，仅依赖残基尺度无法捕捉此类高分辨率信息；
• 宏观尺度（残基/官能团）的整体构象与微观尺度（原子）的局部相互作用形成层级依赖关系，单一尺度建模必然导致信息丢失。

因此，构建能够贯通宏观与微观的跨尺度建模框架，成为突破DTA预测精度瓶颈的核心方向。

二、技术解析：M²N模型的跨尺度建模架构与核心创新

M²N（Macro-to-Micro 3D Modeling Network）的核心设计理念是宏观粗粒度表征→微观细粒度精炼→自适应特征融合，通过三大功能模块（宏到微药物建模模块（M2D）、宏到微靶点建模模块（M2T）以及自适应融合模块（AFM））实现药物与靶点的全尺度信息挖掘（图1）。

2.1 药物跨尺度建模模块（M²D）：官能团→原子的渐进式表征

M²D模块创新性地构建了"官能团图-原子图"的两级建模流程，实现药物特征的层级精炼：

• 宏观官能团图构建与学习：基于SMARTS模式识别药物分子中的官能团（FG），以FG为节点、空间欧氏距离为边构建3D官能团图（G_DFG）。通过DFG-GTformer（图Transformer变体）学习FG间的空间关系与反应活性特征，核心是引入带边特征的多头注意力机制，通过将边特征（空间距离编码）融入注意力计算，实现FG间相互作用的精准建模；
• 微观原子图构建与知识迁移：以原子为节点、化学键为边构建3D原子图（G_DA），每个原子节点的特征融合三类信息——原子固有属性（元素类型、氢键供体/受体、芳香性等）、3D空间坐标、对应FG的宏观特征（通过concat操作实现跨尺度知识迁移）；
• 原子级特征精炼：采用DAtom-GTformer处理原子图，通过门控残差连接避免过平滑，捕捉原子间的共价键、非共价键相互作用，生成细粒度药物原子嵌入。

2.2 靶蛋白跨尺度建模模块（M²T）：残基→原子的多维度信息整合

M²T模块借鉴蛋白质多尺度建模的最新进展，实现从残基到原子的全维度特征提取：

• 宏观残基图构建与特征融合：以氨基酸残基为节点，基于残基骨架中心坐标的空间邻近性构建3D残基图（G_T-Res），每个残基节点整合三类核心特征——序列特征（氨基酸one-hot编码）、进化特征（ESM蛋白语言模型嵌入，捕捉2.5亿条序列的进化保守性）、空间特征（残基骨架中心3D坐标）；通过TRes-GTformer学习残基间的空间协作与序列依赖关系，生成残基尺度粗粒度嵌入；
• 微观原子图构建与几何特征编码：构建3D原子图（G_T-Atom），节点特征包含残基尺度迁移特征与原子几何特征——通过计算φ、ψ、ω二面角的正余弦值编码局部构象，边特征通过局部坐标系转换捕捉原子间的距离、方向与取向差异，实现原子级空间关系的精准表征；
• 原子级特征精炼：利用TAtom-GTformer挖掘原子间的复杂相互作用，通过多层图Transformer实现特征迭代精炼，生成蛋白质原子级细粒度嵌入。

2.3 自适应融合模块（AFM）：多尺度特征的动态整合与优化

AFM模块的核心是解决跨尺度、跨模态特征的协同融合问题，避免简单拼接导致的信息冗余：

• 双阶段自适应加权：首先对药物（官能团+原子）和蛋白质（残基+原子）的跨尺度特征分别进行权重分配，通过Softmax生成动态权重矩阵，突出对DTA预测关键的特征维度；再对融合后的药物-靶点特征进行二次加权，捕捉两者间的特异性相互作用模式；
• 多任务训练优化：设计主任务（全尺度特征DTA预测）与辅助任务（宏观/微观尺度单独预测）的联合训练目标，通过λ₁（0.1）和λ₂（0.2）平衡不同尺度的贡献，利用多任务监督提升模型泛化能力；
• 端到端学习机制：从特征提取到亲和力预测全程端到端训练，确保跨尺度信息在传递过程中不丢失，实现特征优化与预测任务的协同。

2.4 核心创新点总结

1. 实现药物-靶点的3D跨尺度统一建模：突破传统单尺度局限，构建"残基/官能团→原子"的层级建模框架，贯通宏观与微观信息；
2. 官能团级药物建模的创新性应用：将官能团作为药物建模的核心中间层，还原药物作用的化学本质，填补现有方法在药物宏观活性特征建模上的空白；
3. 原子级几何特征的精细化编码：通过二面角、局部坐标系转换等方式，实现蛋白质原子级空间关系的精准表征，超越传统基于结构方法的拓扑结构建模；
4. 自适应融合机制的高效性：双阶段加权与多任务训练相结合，实现跨尺度特征的动态优化，提升模型对复杂相互作用模式的捕捉能力。

三、实验验证：多场景下的性能优势与 ablation 分析

研究团队在DAVIS和KIBA两大权威数据集上进行了全面验证，通过三类挑战性场景（S1：未见过的靶点；S2：未见过的药物；S3：均未见过的药物-靶点对）评估模型泛化能力，核心实验结果如下：

3.1 基准模型对比

• DAVIS数据集：S1场景下M²N的MSE=0.316（低于最优基线HiSIFDTA的0.359），PCC=0.639（提升3.1%），CI=0.816（提升1.3%）；S3场景（最严苛）下PCC提升8.7%，MSE降低5.6%，展现出较强的未知样本预测能力；
• KIBA数据集：S1场景下CI=0.742（高于MSFDTA的0.735），S2场景下MSE=0.421（低于HiSIFDTA的0.415），1场景下最优，综合三类场景，M²N的平均性能最优；
• 关键发现：基于结构方法整体优于基于序列方法，验证了3D结构信息的重要性；而M²N通过跨尺度建模，进一步突破了传统基于结构方法的单尺度局限，实现性能跃升。

3.2 Ablation分析：核心组件的必要性验证

通过构建6类模型变体（表5），验证各组件的贡献：

• 跨尺度建模的必要性：移除药物官能团特征（w/o DFG）或原子特征（w/o DAtom）后，M²N在DAVIS的MSE分别上升8.2%和10.1%；移除蛋白质残基特征（w/o TRes）或原子特征（w/o TAtom）后，PCC分别下降3.6%和4.8%，证明宏观与微观尺度信息的互补性；
• 自适应融合模块的关键作用：替换AFM为直接拼接后（w/o AFM），KIBA数据集的CI下降0.7%，表明动态加权能有效提升特征融合效率；
• 渐进式建模的价值：移除药物渐进式建模（w/o PDM）或蛋白质渐进式建模（w/o PTM）后，模型性能均显著下降，验证"宏观→微观"的层级特征迁移是实现精准表征的关键。

3.3 超参数敏感性分析：模型鲁棒性验证

• 平衡系数λ₁/λ₂：当λ₁=0.1、λ₂=0.2时模型性能最优，λ₂>λ₁表明原子级微观信息对DTA预测的贡献更大；过大的λ值会导致模型过度关注辅助任务，性能下降；
• 邻域节点数k₁/k₂：G_DFG的k₁=5、G_T-Res的k₂=25时最优，过小的k导致邻域信息不足，过大的k引发过平滑，证明模型对超参数具有良好的鲁棒性。

四、局限性与未来方向

• 计算复杂度优化：原子图的构建与图Transformer计算导致模型训练成本较高，未来可通过稀疏图采样、特征蒸馏等方式提升效率；
• 动态构象适应性：当前模型基于静态3D结构，未考虑药物与靶点结合过程中的构象变化，未来可整合分子动力学模拟数据，构建动态跨尺度模型；
• 多靶点、多药物组合预测：现有模型聚焦一对一DTA预测，未来可扩展至多靶点药物设计、药物组合筛选等更复杂场景；
• 实验验证落地：需通过湿实验验证模型预测的高亲和力药物-靶点对，建立"计算预测-实验验证"的闭环，推动技术转化。

五、总结

M²N模型通过创新性的跨尺度3D建模框架，突破了传统DTA预测方法的单尺度局限，实现了药物（官能团→原子）与靶蛋白（残基→原子）的全维度信息挖掘。其核心优势在于：以生物学与化学机制为基础，构建层级化的特征表征体系；通过自适应融合模块实现跨尺度信息的高效协同；在多类挑战性场景下展现出超越SOTA方法的预测精度与泛化能力。

参考文献：Lv T, Zhu J, Liu J, et al. M²N: A Progressive Macro-to-Micro 3D Modeling Scheme for Unveiling Drug-Target Affinity[C]//Proceedings of the AAAI Conference on Artificial Intelligence. 2025, 39(1): 586-594.