分子相互作用预测：从静电势图到结合自由能的多层级筛选方法

分子相互作用预测的终极问题是：两个分子会不会结合、怎么结合、结合多强。这个问题在药物设计中对应”配体能否识别靶点”，在自组装材料中对应”分子能否组装成有序结构”。单一方法回答这个问题几乎不可能——静电势图能看出互补性但不出能量数字，对接打分会排队但不解决蛋白柔性问题，MD能模拟构象动态但费时。真正的答案藏在多层级递进验证里。

静电势面：第一轮定性筛选

分子表面的静电势（ESP）分布是分子识别的第一道过滤器——正电势区倾向于和负电势区互补，形状匹配也很关键。用Gaussian算完单点能后，Multiwfn或Cubegen提取ESP在范德华表面（电子密度=0.001 e/Bohr³等值面）上的分布，得到分子表面的”红蓝图”——红色对应负电势（富电子区）、蓝色对应正电势（缺电子区）。

团队在筛选一组BET溴结构域蛋白抑制剂时，先用ESP图做第一轮粗筛。BET蛋白的KAc结合口袋有一个关键的Asn氢键供体和三个保守水分子形成的极性网络——配体的对应位置必须有一个良好的氢键受体（通常是乙酰基或三唑环的N）。粗筛2000个候选分子后，只保留在对应位置有明显负电势区的分子，过滤到~600个。这个过滤的底线是”静电互补性存在”，不做这一步直接跑对接相当于大海捞针。

对接构象：第二轮几何约束

分子相互作用预测的第二层级是分子对接——在静电互补候选者中，用对接进一步筛选出几何上能嵌入口袋的分子。Vina score作为近似结合亲和力来排序，但关键是看对接pose的物理合理性而不是分数。

BET抑制剂筛选中有一个教训：分数排第一（Vina score -9.8 kcal/mol）的分子，在口袋里的pose显示配体的两个芳香环堆叠形成了完美的π-π sandwich——但其中一侧的苯环距离口袋壁只有1.6 Å（远小于正常的3.5-4.0 Å范德华接触距离）。这个”高分”来自repulsion项的权重偏低和疏水接触项的过补偿。看了一眼pose就知道这是假高分——评分函数的盲区，人在这个环节的判断力数值给不了。

静电互补性筛出600个→Vina打分配合pose人工审核筛出85个——通过率约14%。这一轮筛掉的主要是两类：几何不匹配（分子太大/形状不互补）和构象不稳定（多个低能pose但无一占优，说明势能面浅）。

MD自由能：第三轮定量验证

85个候选进入MD验证——每个跑20 ns显式溶剂MD → 最后10 ns计算MM/PBSA结合自由能。这一步的精度足够揭示Vina score排名中的假信号。BET项目中有一个Vina排名第12的分子，MM/PBSA给出的ΔG是-11.2 kcal/mol（N=3个独立MD，SEM=0.8），超过了许多排名更靠前的候选——它是”被Vina低估了”的类型。

翻回MD轨迹分析原因：该配体的结合模式在8 ns左右发生一次构象重排，原先悬在口袋外的一个甲氧基旋转进入了一个由三个水分子组成的浅沟——这个”水介导的相互作用”被Vina忽略了（Vina没有显式水），但被MD捕捉到了。MM/PBSA的溶剂化能项反映了这个效应：ΔG_PB从重排前的-38.4降到重排后的-42.1 kcal/mol，净增益~3.7 kcal/mol，全部来自极性溶剂化能的改善。

三级预测的决策逻辑

分子相互作用预测的三级递进筛选，经过团队多次在不同靶点上的验证，呈现出稳定的效率特征：ESP粗筛→过滤50-70%的候选、对接精筛→过滤90%以上、MD验证→给出最终优先级。这套流程不是理论上的最优方案，而是计算成本和预测精度之间的务实平衡。ESP分析几秒一个分子，对接几十秒，MD几小时——但正是这种速度差距让分工成为可能。

更多内容请访问 https://www.keyanxueshu.com/