TankBind：蛋白-配体结合预测工具实测

TankBind（Trigonometry-Aware Neural networKs for Binding, NeurIPS 2022）走的是与直接回归坐标不同的路线：先预测蛋白-配体原子间的距离矩阵，再由距离矩阵通过优化重建三维姿势，同时输出一个亲和力预测。这种「先距离、后坐标」的思路借鉴自蛋白结构预测（AlphaFold 早期版本正是先预测距离图）。

部署

git clone https://github.com/luwei0917/TankBind.git
cd TankBind
conda env create -f environment.yml
conda activate tankbind

# 需先用 p2rank 做口袋检测，再按块推理
prank predict -f receptor.pdb -o p2rank_out/
python examples/inference.py   # 参考仓库示例脚本组织输入

依赖 torch-geometric 与 p2rank（口袋检测）。环境搭建比 Vina 类工具重，建议按仓库 environment 文件严格复现。

分块口袋策略

TankBind 不做全蛋白盲对接，而是先用 p2rank 检测出若干候选口袋，把蛋白切成若干「块」，对每个块分别预测距离矩阵与亲和力，最后取亲和力最高的块作为预测结合位点。

• 好处：把大搜索空间拆成若干小问题，降低难度；同时天然给出「结合在哪个口袋」的答案。
• 代价：整体表现受口袋检测质量制约——如果 p2rank 没检出真实口袋，后面再准也没用。这是使用中最需要监控的一环。
• 实践建议：保留 top 3～5 个口袋一起算，而不是只信第一个；有共晶结构或已知位点时，直接指定口袋更可靠。

三角约束的作用

模型名里的 trigonometry-aware 指它在更新距离表示时引入了三角不等式约束（任意三点距离需自洽）。这让预测出的距离矩阵更接近一个几何上可实现的构型，重建坐标时更少出现自相矛盾的解。这是它相比朴素距离预测的关键改进。

实际表现与用法

• 姿势精度：在 PDBBind 类基准上优于 EquiBind，与 DiffDock 相比互有胜负，具体取决于评测划分与是否用 apo 结构。独立评测中，深度学习对接整体仍未稳定超过精心设置的传统对接。
• 亲和力输出是差异点：它同时给亲和力估计，而 DiffDock / EquiBind 不给。但这个预测的相关性有限，只适合粗排序，不能当定量结果。
• 速度：比传统对接快，比 EquiBind 慢，属中间档，适合十万级规模。
• 同样需要物理检查：重建出的坐标可能有键长键角问题，建议过 PoseBusters 并做能量最小化。

怎么放进流程

把它当作深度学习对接的一条独立技术路线做交叉验证最有价值：让 TankBind、DiffDock、GNINA 各跑一遍，看三者是否指向同一口袋、同一结合模式。三条不同原理的方法给出一致答案，可信度远高于任何单一方法的高分。

延伸资源

• 论文与方法线：103《TankBind 论文精读》、101《DiffDock 论文精读》、102《EquiBind 论文精读》；
• 对照工具：184《DiffDock》、185《EquiBind》、183《GNINA》；
• 口袋检测背景：091《蛋白口袋 Protein Pocket》。