PockLigGPT：以口袋序列为条件的 GPT 分子生成与强化学习框架
核心概要
该工作提出 PockLigGPT，一个以蛋白质口袋氨基酸序列为条件、基于 GPT 的配体分子生成框架，采用四阶段训练（ZINC20 化学预训练、ChEMBL 生物活性适配、口袋序列条件微调、基于 AutoDock Vina 奖励的口袋特异性对接引导强化学习），在标准化评测协议下取得有竞争力的对接导向表现，同时保持化学合理性与基于 Lipinski 的类药性，并在阿尔茨海默病相关靶点的对接研究与 token 级分析中显示出实用性。
(a) Full protein structure with the bound ligand shown in green. (b) Pocket region enclosed by the yellow box. (c) Full protein sequence, with pocket residues highlighted in yellow.
PubMed深度剖析
将配体设计表述为以口袋氨基酸组成为条件的序列生成问题，而非直接输出固定三维坐标。 相对显式建模口袋-配体几何的 3D 结构生成方法，本文提供了一条基于序列的互补路线，用口袋氨基酸序列作为条件信号。 论文以方法描述与标准化评测协议下的对接导向结果支持该表述，摘要未给出具体数值。
提出四阶段训练流程：ZINC20 大规模化学预训练、ChEMBL 生物活性导向适配、口袋序列条件微调、以及基于 AutoDock Vina 奖励的口袋特异性对接引导强化学习。 把多阶段训练与对接引导强化学习整合进一条可用的生成流水线，回应了序列口袋信息能否有效引导生成、多阶段训练是否改善口袋特异性生成、以及对接引导强化学习能否落地的问题。 证据来自论文对训练阶段与奖励来源的明确说明，以及标准化评测协议下的表现报告。
在保持化学合理性与类药性的同时取得有竞争力的对接导向性能。 在对接导向指标之外同时报告化学合理性与基于 Lipinski 的类药性，回应了 3D 生成方法结果未必化学现实或可用的关切。 依据为标准化评测协议下的对接导向结果，以及化学合理性、理化性质与 Lipinski 类药性的报告。
在阿尔茨海默病相关靶点上的对接研究与 token 级分析支持其用于 de novo 药物设计的实用性。 把评测从通用基准延伸到具体疾病相关靶点，并加入 token 级分析以观察模型行为。 证据为针对阿尔茨海默病相关靶点的对接研究结果与 token 级分析，摘要未提供样本量或具体统计量。
启示与展望
该工作面向以蛋白质口袋氨基酸序列为条件、以对接为导向评估的 de novo 配体生成场景，适用于希望在不直接输出三维坐标的前提下获得候选分子的研究者与早期设计流程；其结论建立在标准化评测协议、阿尔茨海默病相关靶点对接研究与 token 级分析之上，因此适用范围应与这些评测设置相对应。
读者仍会关注：序列式口袋条件在不同靶点家族上的表现是否一致；对接引导强化学习奖励与化学合理性、类药性之间的平衡如何随训练推进而变化；阿尔茨海默病相关靶点对接研究与 token 级分析的具体设置与规模；以及标准化评测协议下与 3D 结构生成方法的可比性。由于当前为摘要层面的阅读，图表与具体数值未纳入，上述问题属于后续阅读原文时值得留意的开放点。