编辑丨王多鱼

排版丨水成文

加速分子探针发现和先导化合物优化，需要准确且高效的结合亲和力预测。

2026 年 6 月 12 日，中国科学院上海药物研究所郑明月、张素林、王明亮团队在Nature Chemical Biology期刊发表了题为：Atomic-level protein–ligand recognition with PBCNet2.0 for probe discovery 的研究论文。

该研究开发了一种用于预测蛋白质-配体结合亲和力的新一代 AI 算法——PBCNet2.0。

打开网易新闻 查看精彩图片

在这项研究中，研究团队提出了一种基于笛卡尔张量的孪生神经网络——PBCNet2.0，用于预测蛋白质-配体相对结合亲和力。PBCNet2.0 在 860 万个蛋白质-配体复合物对上进行训练，实现了与计算密集型物理模拟相当的零样本准确度，同时保持高效性。回顾性优先排序实验表明，PBCNet2.0 将优化效率提升了 7.18 倍，并将资源消耗降低了 41%。机制分析表明，该模型能够捕捉分子间相互作用并编码空间几何约束，从而对氟正交多极相互作用等细微效应保持敏感性。值得注意的是，尽管未接受突变数据训练，PBCNet2.0 展现出预测结合口袋残基变异所引发的亲和力变化的涌现能力，可支持耐药性分析。

打开网易新闻 查看精彩图片

研究团队针对 ENPP1 和 ALDH1B1 对这些能力进行了前瞻性验证，准确解析了由微小相互作用和构象差异引起的亲和力变化，并从六个选定残基中识别出五个关键结合残基，命中率达到 5/6。

论文链接：

https://www.nature.com/articles/s41589-026-02241-x