PoseX：AI 在蛋白质-配体交叉对接中击败物理方法
机器学习
2026-04-28 v3 定量方法
摘要
现有的蛋白质-配体对接研究通常关注自对接场景，这在实际应用中不太实用。此外，一些研究涉及需要大量训练的繁重框架，给便捷高效地评估对接方法带来了挑战。为填补这些空白，我们设计了 PoseX，一个用于评估自对接和交叉对接的开源基准，能够对算法进展进行实用且全面的评估。具体而言，首先，我们整理了一个包含 718 个自对接条目和 1312 个交叉对接条目的新数据集；其次，我们纳入了三大方法类别中的 23 种对接方法，包括基于物理的方法（如 Schr"odinger Glide）、AI 对接方法（如 DiffDock）和 AI 共折叠方法（如 AlphaFold3）；第三，我们开发了一种用于后处理的弛豫方法，以最小化构象能量并优化结合姿态；第四，我们构建了一个排行榜，用于实时排名提交的模型。我们从大量实验中得出了一些关键见解和结论：（1）AI 方法在整体对接成功率上持续优于基于物理的方法。（2）AI 方法的大多数分子内和分子间冲突可以通过弛豫得到极大缓解，这意味着将 AI 建模与基于物理的后处理相结合可以实现优异的性能。（3）AI 共折叠方法表现出配体手性问题，但 Boltz-1x 除外，它引入了物理启发的势能来修复幻觉，这表明对立体化学进行建模可以显著提高结构的合理性。（4）指定结合口袋显著提升了对接性能，表明在未来的建模工作中，口袋信息可以得到充分利用，特别是对于 AI 共折叠方法。代码、数据集和排行榜发布于 https://github.com/CataAI/PoseX。
引用
@article{arxiv.2505.01700,
title = {PoseX: AI Defeats Physics Approaches on Protein-Ligand Cross Docking},
author = {Yize Jiang and Xinze Li and Yuanyuan Zhang and Jin Han and Youjun Xu and Ayush Pandit and Zaixi Zhang and Mengdi Wang and Mengyang Wang and Minjie Shen and Guang Yang and Yejin Choi and Wu-Jun Li and Tianfan Fu and Fang Wu and Junhong Liu},
journal= {arXiv preprint arXiv:2505.01700},
year = {2026}
}