榴莲忘返AIDD
SAIR 用 520 万个 AI 生成的复合物结构填补了数据鸿沟，但也无情地揭示了：我们离用预测结构精准预测结合力，还有十万八千里。
- 海量合成数据： SAIR 数据集通过类似 AlphaFold 3 的共折叠模型，生成了超过 520 万个 PDB 中没有的蛋白 - 配体复合物结构，规模空前。
- 预测仍是软肋： 尽管结构质量看起来不错，但无论是传统打分函数还是图神经网络，在预测真实结合亲和力上都表现平平，相关性很低。
- 模型泛化难题： 用真实 PDB 结构训练的 AI 模型，在 SAIR 这个“合成世界”里水土不服，暴露了从实验数据到生成数据的“分布偏移”这一致命问题。
在 AI 制药领域，我们对数据的渴望就像沙漠里的旅人对水的渴望一样，尤其是高质量的 3D 结构数据。它是训练那些“聪明的”AI 模型的食粮。
现在，有人端上来一整个大水库——SAIR 数据集。520 万个蛋白 - 配体复合物结构，听起来是不是让人热血沸腾？
这不是从 PDB 数据库里扒下来的陈年旧货，而是全新的、合成的结构。研究者们没去费力地结晶，而是用了一个叫 Boltz-1x 的“黑科技”，一个受 AlphaFold 3 启发的共折叠模型，直接把蛋白和配体“扔”进去，让 AI 预测的结合构象。
这个操作相当大胆。他们绕过了实验解析结构的漫长周期，直接用算力“创造”数据。为了保证这些数据是“全新”的，他们还特意排除了所有 PDB 里已有的结构。
结构质量怎么样？用 PoseBusters 检查下来，97% 都过关了，听起来不错，至少 AI 画出来的构象大体上还算靠谱。但真正的考验来了：这些漂亮的 3D 模型能帮我们预测结合力吗？这才是药物研发里真正值钱的问题。
结果有点……尴尬。
不管是老派的 Vina 打分，还是时髦的 3D CNN 和 GNN 模型，在 SAIR 数据集上预测的亲和力跟实验值之间的相关性（Spearman 系数只有 0.25 左右）低得可怜。这就像你有了一张超高清的地图，但上面的距离标注全是错的。地图再好看，也找不到宝藏。
结构预测的成功，并不意味着我们自动解决了亲和力预测这个更棘手的难题。
更有意思的是，研究者发现，拿 PDB 里的“真家伙”训练出来的模型，一碰到 SAIR 这些“人造肉”，立马就懵了，完全不认识。这就是所谓的“分布偏移”（distribution shift）。
这又我们泼了一盆冷水：我们辛苦训练的 AI 模型，可能只是个在特定考场里表现出色的“刷题高手”，换个考场就原形毕露。从实验结构到生成结构，中间有一道看不见的鸿沟。
所以，SAIR 没能变出预测亲和力的“魔杖”。但它是不是就没用了？当然不是。它像一面镜子，照出了我们当前 AI 模型的短板和盲区，告诉我们必须开发能够适应合成数据的模型。
而且，它还揭示了一个非常酷的现象：同一个蛋白，为了结合不同的配体，口袋的形状可以千变万化——有个例子里，一个蛋白竟然为 345 个不同配体演化出 1000 多种口袋构象。这对于理解蛋白的动态性和柔性，价值巨大。
SAIR 是一项了不起的工程，它给了我们一个巨大的沙盒。但它也响亮地宣告：朋友们，别高兴得太早，真正的硬仗还在后头。
📜Title: SAIR: Enabling deep learning for protein-ligand interactions with a synthetic structural dataset 📜Paper: https://www.biorxiv.org/content/10.1101/2025.06.17.660168v1
