EquiBind 论文精读：等变网络如何预测结合姿势

EquiBind（Stärk 等，2022）是最早用等变图神经网络做「一步直接预测」结合姿势的工作之一。它的方法后来被证明准确度不足，但它引入的等变性概念，成为了后续几乎所有几何深度学习方法的基础。

什么是等变性，为什么它重要

# 不变性（invariance）：
#   输入旋转/平移后，输出不变
#   例：预测结合亲和力 —— 分子怎么转，亲和力都一样
#
# 等变性（equivariance）：
#   输入旋转/平移后，输出做相同的变换
#   例：预测原子坐标 —— 分子转了，预测的坐标也应该跟着转
#
#   数学表述：f(R·x + t) = R·f(x) + t
#
# 为什么姿势预测需要等变性：
#   如果模型不等变，把蛋白旋转 90° 再预测，
#   得到的姿势可能完全不同 —— 这显然是错的
#
# 不用等变网络的替代方案：
#   数据增强（随机旋转训练样本）
#   → 让模型「学会」近似的等变性
#   → 需要更多数据，且只是近似
#
# 等变网络的优势：
#   等变性由架构保证，不需要学
#   → 样本效率高得多
#   → 这是几何深度学习的核心洞察

# 实现方式：
#   EquiBind 用 E(3)-等变图神经网络（EGNN）
#   消息传递时只使用不变量（距离），
#   坐标更新时沿相对位置向量方向
#   → 天然满足等变性

方法：回归而非搜索

	传统对接	EquiBind
范式	搜索 + 打分	一步回归
输出	多个候选姿势	单一姿势
速度	秒到分钟	毫秒级
可给多样候选	是	否

# EquiBind 的处理流程：
#
# 1) 分别编码蛋白与配体的图
#    蛋白：残基级图（每个残基一个节点）
#    配体：原子级图
#
# 2) 通过等变消息传递，预测：
#    - 配体各原子的目标位置（在蛋白坐标系中）
#    - 蛋白上的结合位点
#
# 3) 用 Kabsch 算法做刚性对齐
#    把配体的构象刚性变换到预测位置
#
# 4) 配体的内部构象来自
#    独立生成 + 预测的扭转角调整
#
# 关键限制：
#   一步回归意味着模型必须「一次猜对」
#   → 无法通过迭代改进
#   → 对不确定的情况没有表达方式
#   → 天然倾向于预测「平均姿势」

为什么它的准确度不足

• 回归到均值。这是最根本的问题。当模型不确定时，回归损失（如 MSE）会驱使它预测所有可能姿势的平均——而平均姿势通常物理上不合理，可能既不在这个亚口袋也不在那个；
• 无物理约束：预测的坐标可能与蛋白重叠、键长异常；
• 无法表达多模态：真实的结合可能有多个合理姿势，一步回归只能给一个；
• 后续评估：EquiBind 的 RMSD < 2 Å 成功率在独立评估中通常低于 20%，且物理有效性问题严重——明显低于传统对接方法。

它的历史价值

• 证明了等变网络能处理蛋白-配体问题，打开了这个方向；
• 暴露了「一步回归」范式的根本缺陷，直接推动了生成式方法的兴起——DiffDock（见 101《DiffDock 论文精读》）正是同一课题组针对这个缺陷提出的改进：用扩散模型建模姿势的分布，而非回归到单点；
• 速度优势启发了后续的粗筛应用：虽然精度不足，但毫秒级的速度让它可以作为超大库的第一道过滤；
• 方法学教训：「回归到均值」是所有确定性预测模型在多模态问题上的通病——这个教训适用于远超对接的范围。

从 EquiBind 到 DiffDock 的演进

	EquiBind	DiffDock
建模	确定性回归	生成式（扩散）
多模态	无法表达	天然支持
输出	1 个姿势	N 个候选 + 置信度排序
速度	毫秒	秒
准确度	低	明显更高

这个演进路径是深度学习方法论的一个典型案例：当问题本质上是多模态的（一个输入对应多个合理输出），确定性回归必然失败，必须换成生成式建模。

现在还值得用吗

• 作为生产工具：不推荐，准确度与物理有效性都不足；
• 作为学习材料：很有价值——它的代码简洁，是理解等变图网络的好例子；
• 作为超快粗筛：有条件可用，但要接受高假阴性率；
• 实际选择：口袋未知用 DiffDock 或 Boltz/Chai-1（见 344《用 Boltz 或 Chai-1 预测蛋白-配体复合物》）；口袋已知用 Vina/GNINA。

延伸资源

• DiffDock：101《DiffDock 论文精读》；TankBind：103《TankBind 论文精读》；
• 等变网络：160《等变神经网络》；GNN 基础：159《图神经网络 GNN》。