SurfSpec：不依赖脱靶结构信息的先导化合物优化框架，通过几何失配下界提升特异性
arXiv预印本提出SurfSpec，在无需脱靶结构先验的条件下，用口袋-配体几何失配的保守下界引导配体生长，在CrossDocked2020测试集上改善经验特异性并保持靶标亲和力提升。
AI解读：药物设计中，先导化合物优化常面临两难：增强对靶标的结合可能同时增加与脱靶蛋白的意外作用，导致副作用。现有方法要么只关注亲和力而忽视特异性，要么需要事先知道脱靶蛋白的结构才能避开，但很多脱靶结构未知。SurfSpec论文的核心思路是利用几何失配的数学性质，在不接触脱靶结构的情况下，通过三角不等式证明：只要配体与靶标口袋贴合得好，它对空间上分离的脱靶口袋的失配程度就有一个保守的下界，从而在理论上保证了特异性。具体实现上，SurfSpec反复在靶标表面未占据区域生成连接子并优化，使配体逐步填满口袋而不过度伸出。在CrossDocked2020数据集上，它相比不依赖脱靶信息的基线在经验特异性上更优，同时保持相当的亲和力提升。这意味着，对缺少脱靶结构数据的药物研发项目，研究人员可以无需额外实验就能更早筛出特异性更高的候选分子，降低后期副作用风险。不过该框架依赖几何分离的假设，对重叠或构象可变的脱靶口袋的有效性仍需进一步验证。
arXiv预印本（编号 2609.02963）于 2026 年 9 月 2 日提交，介绍SurfSpec——一个针对基于结构的药物设计中的先导化合物优化框架。论文称，SurfSpec无需脱靶口袋的结构先验，即可在提升靶标亲和力的同时改善配体特异性，并在CrossDocked2020测试集上优于所评估的不依赖脱靶信息的基线方法。
问题与理论
结构导向的药物设计的先导化合物优化旨在增强目标结合，同时避免与脱靶口袋发生非预期相互作用。论文指出，现有亲和力驱动的方法未显式控制特异性；当前特异性感知方法通常需要有关脱靶结构的先验知识。
作者通过分析配体与靶标口袋间的几何失配，处理不依赖脱靶信息的特异性感知优化问题。他们为几何上分离的脱靶目标提供了一个保守的特异性下界，而不需要访问脱靶结构。通过口袋-配体失配的度量化和三角不等式，减少目标-配体失配可改善与分离脱靶类别失配的保守下界；借助经验几何-亲和力校准，可将该下界转化为特异性下界。
SurfSpec方法
受上述分析启发，作者提出SurfSpec：一种不依赖脱靶信息的先导化合物优化框架，通过反复向靶标口袋表面的未充分占据区域生长配体来完成优化。
SurfSpec在两阶段间交替：一是向选定的靶标表面补丁生成连接子（提供几何伪标签），二是在口袋条件下的配体先验下进行细化（将伪标签恢复为有效配体）。
实验结果
在CrossDocked2020测试集上，SurfSpec减少了几何失配，并且在经验特异性上优于已评估的不依赖脱靶信息的先导化合物优化基线，同时保持具有竞争力的靶标亲和力改善。
该论文发表于arXiv的Quantitative Methods (q-bio.QM) 和Machine Learning (cs.LG) 类目下，作者包括Minyeong Hwang、Yoorim Gang、Ziseok Lee等。