ProteinMPNN 很强，但它有一个天然盲区：它主要看蛋白骨架。对折叠稳定性来说，这已经很有用；可一旦目标变成 enzyme（酶）、sensor（传感器）、DNA-binding protein（DNA 结合蛋白）或 small-molecule binder（小分子结合蛋白），真正决定功能的往往不是骨架本身，而是某个氧原子、氮原子、金属离子和侧链之间能不能对上。

一句话总结：背景：ProteinMPNN 等 sequence design（序列设计）工具已经能为蛋白骨架快速配序列；问题：很多真正的功能来自蛋白与小分子、核酸或金属的原子级相互作用，只看蛋白骨架会漏掉这些约束；方法：作者提出 LigandMPNN，把非蛋白原子上下文直接编码进图神经网络，并同时预测序列和侧链扭转角；验证：模型在小分子、核酸、金属附近的天然序列恢复率分别达到 63.3%、50.5% 和 77.5%，并在 rocuronium 与 cholic acid 结合蛋白上完成实验救援；结论：LigandMPNN 把 ProteinMPNN 从“会看骨架”推进到“会看原子环境”，更适合功能蛋白设计。

问题真正难在哪里

这也是很多 AI 蛋白设计流程里最别扭的一步。前面可以用 RFdiffusion 或其他方法生成一个口袋，后面可以用 ProteinMPNN 给骨架配序列，但如果配序列的模型没有看见 ligand（配体），它就只能回答“这个序列像不像能折成这个蛋白”，却很难回答“这个序列能不能把目标分子真的抓住”。两者看起来接近，实际差得很远。

LigandMPNN 试图补上这个缺口。它不是重新发明从头生成骨架的模型，而是把 sequence design（序列设计）这一步升级成 atomic context-conditioned design（原子上下文条件化设计）。这篇文章真正解决的不是“怎样再造一个 ProteinMPNN”，而是让配序列模型终于看见蛋白功能赖以成立的那些非蛋白原子。

Fig. 1：把小分子、核酸和金属也放进图神经网络

Fig. 1：LigandMPNN 的整体架构：模型把蛋白骨架、小分子/核酸/金属等非蛋白原子，以及它们之间的几何关系放进三个图结构中，再通过蛋白编码器、蛋白-配体编码器和解码器预测氨基酸序列与侧链扭转角。

Fig. 1 是 LigandMPNN 的方法图，也是理解这篇文章的入口。作者保留了 ProteinMPNN 的核心思想：把蛋白 residue（残基）看作图上的节点，用 Cα-Cα 距离选最近邻边，再用 N、Cα、C、O 和 virtual Cβ（虚拟 Cβ）之间的几何距离描述骨架环境。

新东西在于，模型不再只看 protein graph（蛋白图）。它额外加入 ligand graph（配体图）和 protein-ligand graph（蛋白-配体图）：前者把小分子、核酸、金属等非蛋白原子当成节点，编码元素类型和原子间距离；后者把蛋白残基和非蛋白原子连起来，让模型知道每个残基附近有什么原子、距离多远、可能形成什么相互作用。

这套设计背后的直觉很清楚。一个结合口袋里，亮氨酸、天冬氨酸、组氨酸该不该出现，并不只取决于骨架形状，还取决于旁边是不是有疏水碳链、带电基团、磷酸骨架或金属离子。作者最后选择对每个残基使用最近的 25 个配体原子，作为效率和信息量之间的折中。

模型规模也很克制。LigandMPNN 大约有 2.62 million parameters（262 万参数），ProteinMPNN 大约是 1.66 million parameters（166 万参数）；在单个 CPU 上处理 100 个残基，ProteinMPNN 约 0.6 秒，LigandMPNN 约 0.9 秒。对一个要嵌入设计 pipeline（流程）的工具来说，这个速度很关键：它不是一个只适合论文展示的重模型，而是可以反复调用的设计模块。

Fig. 2：第一张成绩单，别再假装 ligand 不存在

Fig. 2：LigandMPNN 的序列设计基准结果：在靠近小分子、核酸和金属的位点上，它的 native sequence recovery（天然序列恢复率）分别达到 63.3%、50.5% 和 77.5%，明显高于 Rosetta 与 ProteinMPNN。

Fig. 2 回答一个最直接的问题：看见非蛋白原子，是否真的让序列设计更准？作者构建了三个测试集合，分别包含 317 个小分子复合物、74 个核酸复合物和 83 个过渡金属复合物，并重点评估距离非蛋白原子 5 Å 以内的位点。

结果很漂亮。对小分子附近残基，LigandMPNN 的 native sequence recovery（天然序列恢复率）达到 63.3%，Rosetta 是 50.4%，ProteinMPNN 是 50.5%。对核酸附近残基，LigandMPNN 是 50.5%，Rosetta 是 35.2%，ProteinMPNN 是 34.0%。对金属附近残基，LigandMPNN 更明显，达到 77.5%，而 Rosetta 和 ProteinMPNN 分别是 36.0% 和 40.6%。

这些数字的意思不是“天然序列一定就是唯一正确答案”。在设计任务里，一个口袋可以有不止一种序列解。但如果模型能更好地恢复天然蛋白在功能位点用过的氨基酸，至少说明它学到了哪些化学环境更偏好哪些残基。对 DNA 磷酸骨架、金属配位、小分子极性基团来说，这种偏好非常重要。

Fig. 2 里的 ablation（消融实验）也值得看。减少每个残基能看到的配体原子数，会特别伤害核酸任务；去掉化学元素类型，会让金属恢复率下降约 8%；去掉蛋白-配体图和配体图，序列恢复率整体下降约 3%。这些结果支持一个判断：LigandMPNN 的提升不是单纯来自多加参数，而是来自把原子环境以合适的方式送进模型。

这里最值得记住的一点是：功能位点的序列，不是蛋白骨架单独决定的，而是骨架和目标分子一起决定的。

Fig. 3：不只选氨基酸，还要把侧链角度摆对

Fig. 3：LigandMPNN 的侧链 packing（侧链摆放）结果：模型在 chi1/chi2 等关键扭转角恢复上优于 Rosetta 和不使用非蛋白原子上下文的版本，但 chi3/chi4 仍然是更难的长侧链问题。

只把氨基酸选对还不够。小分子结合、金属配位和核酸识别通常要求侧链以合适角度伸向目标原子，所以 Fig. 3 看的是 packing（侧链摆放）能力。作者训练了一个 sidechain packing network（侧链摆放网络），按 chi1、chi2、chi3、chi4 的顺序自回归预测侧链扭转角。

在小分子复合物中，如果以 chi1 是否落在 10° 以内作为标准，Rosetta 是 76.0%，不使用非蛋白原子上下文的 LigandMPNN-wo 是 83.3%，完整 LigandMPNN 是 86.1%。核酸场景里三者分别是 66.2%、65.6%、71.4%；金属场景里分别是 68.6%、76.7%、79.3%。这说明模型不仅更会选残基，也更会把常见关键侧链摆到合理位置。

不过这张图也提醒我们，不要把问题看得太简单。对小分子任务，LigandMPNN 的 chi1、chi2、chi3、chi4 加权平均恢复率分别为 84.0%、64.0%、28.3%、18.7%。也就是说，越往侧链末端走，角度自由度越高，预测就越难。长侧链的末端构象仍然是硬问题，尤其当它们参与细微氢键或疏水堆积时，后续可能还需要 Rosetta 或分子模拟来精修。

这部分最有意思的地方在于，作者发现侧链摆放的很多信息来自蛋白环境本身，而不完全来自 ligand（配体）。这和 binding site preorganization（结合位点预组织）这个经典观点一致：一个好的结合口袋，往往在配体来之前就已经把很多侧链预先排好，配体只是把这个构象稳定下来。

Fig. 4：真正有说服力的是把失败设计救回来

Fig. 4：LigandMPNN 的实验验证：作者用它重新设计先前失败或很弱的小分子结合蛋白，救回 rocuronium（罗库溴铵）结合，并把 cholic acid（胆酸）案例推进到纳摩尔级结合亲和力，图中报告的 KD 为 331.3 nM。

Fig. 4 是这篇文章从基准测试走向真实设计的部分，也最能说明 LigandMPNN 为什么值得放进工具链。作者拿了先前 Rosetta 设计中失败或很弱的小分子结合蛋白，重新用 LigandMPNN 设计序列，看看能不能把 binding（结合）救回来。

第一个例子是 rocuronium（罗库溴铵）。先前的 Rosetta 设计没有检测到结合，LigandMPNN 重新设计后恢复或引入了关键的 sidechain-ligand hydrogen bond（侧链-配体氢键）相互作用。作者用 yeast display（酵母展示）和流式细胞术检测，条件包括 1 μM 生物素化 rocuronium 以及 streptavidin phycoerythrin（链霉亲和素-藻红蛋白）标记，结果显示原本不结合的设计被救回来了。

第二个例子是 cholic acid（胆酸）。先前设计只有很弱的结合，LigandMPNN 重新设计后显著提升 affinity（亲和力）。图中 fluorescence polarization（荧光偏振）实验报告的 KD 为 331.3 nM，已经进入纳摩尔级。论文还提到，在一个已有胆酸结合蛋白晶体结构出发的案例中，LigandMPNN 带来了约 100-fold（100 倍）的亲和力提升。

作者还做了一个重要检查：训练数据里没有 rocuronium 结合蛋白复合物结构；对胆酸，PDB 中最接近的已知结合蛋白与设计目标的 TM-score 只有 0.59，而且结合位置不同。这个细节很关键，因为它说明 Fig. 4 不是简单记住训练集里的同款口袋，而是在一定程度上学会了原子环境和序列选择之间的关系。

对设计工具来说，最硬的证据不是基准测试多漂亮，而是能不能把一个原本不工作的设计推到可测的实验信号。Fig. 4 给的正是这种证据。

边界与启发

LigandMPNN 的定位需要说清楚。它不是一个从零生成结合蛋白骨架的模型，也不会自动替你决定 ligand（配体）该放在哪里。它更像是一个强力的 sequence design（序列设计）步骤：当你已经有蛋白骨架、目标分子坐标和大致结合构象时，它负责在这个原子环境下给出更合理的序列。

这也意味着它非常适合接在其他设计工具后面。比如先用 RFdiffusion 或 Rosetta 生成候选骨架，再用 LigandMPNN 进行功能位点感知的配序列，最后用 AlphaFold、Rosetta 或实验筛选去过滤。对 AI4Bio 的实际项目来说，这种“生成骨架 - 原子上下文配序列 - 结构/实验验证”的分工，会比把所有事情压给一个模型更稳。

边界也存在。第一，模型训练来自 PDB 中截至 2022 年 12 月 16 日的结构，筛选条件包括 X-ray/cryo-EM（X 射线/冷冻电镜）分辨率优于 3.5 Å、总长度小于 6000 个残基，以及 30% sequence identity（序列一致性）聚类划分。PDB 里稀有化学元素和罕见配体本来就少，所以论文也提醒，遇到训练中很少或没有出现的元素时，可能需要映射到相近元素，或者结合物理方法处理。

第二，模型的输入仍然依赖相对可信的三维坐标。若 ligand pose（配体构象）本身错了，LigandMPNN 很可能只是围绕一个错误假设认真配序列。第三，侧链末端构象和水分子、质子化状态、诱导契合等细节，仍然不是这篇文章完全解决的问题。

但放在 David Baker 系列里，这篇文章的意义很清楚。早期 ProteinMPNN 让蛋白骨架配序列变得又快又好；LigandMPNN 则把这个能力推进到功能位点。它承认一个现实：蛋白不是孤立折叠的雕塑，很多时候它是为了识别另一个分子而存在。当设计目标从“折得对”走向“做得成”，模型就必须开始看见那些真正发生化学作用的原子。