LLMsFold：将大语言模型与生物物理模拟结合用于从头药物设计

构建了一条把结构感知嵌入生成全过程的流水线：先用 Convex Hull Pocket Finder 做几何口袋识别，再把口袋残基描述直接写入提示词，让 LLM 在指定区域生成分子，而不是先枚举库再事后过滤。 相较传统虚拟筛选的“先建库后过滤”范式，这里把空间信息前置到生成阶段，使生成过程被约束在生物学上有意义的蛋白表面区域。 方法学描述完整，给出了口袋筛选的确定性参数（最小维度 8 Å、各向同性外扩 5 Å、盒子上限 30 Å、邻近半径 8 Å），并在 ACVR1 与 CD19 上分别演示。

采用纯上下文学习而非微调，用 Llama-3.3-70B 在提示中给出临床相关分子作为“灵感来源”，并强制 Lipinski 五规则与规避 PAINS 结构。 与 REINVENT、DrugGPT 等需要任务特定训练或微调的框架相比，该方案不需要专用 GPU 集群与大规模化学语料，切换新靶点只需重写提示词。 论文明确说明未做重训练或微调，并指出上下文示例增多可能引入噪声、缺少梯度优化限制了对特定靶点构效关系的深入内化。

用 Boltz-2 同时承担筛选与排序双重角色，输出结合概率、pIC50、ipTM 与 pLDDT，并把结果回灌进生成循环形成迭代优化轨迹。 Boltz-2 在此不仅预测结合方式，还提供亲和力估计与快速虚拟筛选，其扩散模块隐式考虑蛋白柔性，可捕捉刚性对接可能遗漏的诱导契合效应。 ACVR1 Molecule 1 的 ipTM = 0.983、配体 pLDDT = 0.958、亲和力概率 0.953；AutoDock Vina 在 ACVR1 上给出与 Boltz-2 首位构象 RMSD < 1.5 Å 的相似构象，构成一次交叉核对。

在 ACVR1 与 CD19 上产出通过全部筛选的候选分子，且最终先导物在 PubChem 中无匹配，提示为潜在新化学实体。 ACVR1 候选为多环杂环骨架，QED 0.55–0.64、SA 评分 2.64 与 2.81，满足全部四条 Lipinski 标准且无 PAINS 警报；CD19 三个口袋的预测亲和力呈梯度（Pocket 1 最高，Pocket 3 最低）。 每个靶点生成 50 个独特分子，ACVR1 中约 50 个提案里有 15 个被 Boltz-2 判定为强结合；CD19 共识别 7 个分子分布于三个口袋。所有亲和力与结构数值均为计算预测。

该框架面向早期先导发现阶段，适用于已有实验解析结构（PDB 格式）的靶蛋白，并需要提供口袋描述与参考抑制剂；作者将其定位为加速早期构思的工具，而非替代药物化学专业判断。其设计意图覆盖激酶类深口袋（如 ACVR1 的 ATP 结合位点）与浅表蛋白-蛋白相互作用界面（如 CD19 的三个口袋），后者历史上较难被小分子干预。由于生成与共折叠在远程 API 上完成，该方法对算力有限的学术团队、患者基金会与小型生物技术公司具有可及性，作者特别指出这对 ACVR1 相关 FOP 这类约每两百万人中一例的罕见病具有不成比例的意义。

所有结合亲和力与结构预测均为计算估计，Boltz-2 虽在既有基准上接近 AlphaFold3 水平，其输出仍需表面等离子共振或等温滴定量热等生物物理实验确认；流程目前未纳入吸收、分布、代谢、排泄与毒性预测，QED 与 SA 评分不能替代专门的药代建模；语言模型存在化学幻觉风险，可能生成语法正确但化学上不合理或不稳定的 SMILES，多级过滤可缓解但无法完全消除；生成质量依赖提示中参考化合物的选择，示例选择不当可能把模型引向狭窄化学空间；Boltz-2 的亲和力预测适合排序，但在针对具体靶点做实验校准前不宜解读为定量 IC50。此外，论文正文未展示生成分子的具体结构，附录基准也仅在 ACVR1 单一靶点上进行，读者若需评估跨靶点泛化能力，仍需等待更多靶点的验证结果。