FLOWR.ROOT：一个流匹配基础模型同时搞定3D配体生成和亲和力预测
7月6日，Nature Communications发表了一篇来自Djork-Arné Clevert团队的论文，推出了FLOWR.ROOT——一个SE(3)-等变流匹配基础模型，首次在单一架构中统一了口袋条件3D配体生成、多端点亲和力预测和置信度估计。这意味着药物发现AI从"先设计后打分"的两步脱节流程，走向了"边设计边打分"的联合优化范式。
这是什么
FLOWR.ROOT是一个面向结构药物设计（SBDD）的基础模型，基于SE(3)-等变流匹配（flow matching）框架构建。一个训练好的模型同时支持六大功能：
- 从头口袋条件生成：给定蛋白结合口袋，直接生成3D配体
- 相互作用条件采样：根据指定蛋白-配体相互作用约束生成配体
- 药效团条件采样：按药效团特征引导配体设计
- 骨架跃迁（scaffold hopping）：保留关键子结构，替换核心骨架
- 片段生长/替换：在已有片段基础上扩展或替换
- 多端点亲和力预测：同时预测pIC50、pKi、pKd、pEC50四类亲和力指标
这些功能不需要切换模型或调用外部工具，全部在同一个骨干网络中完成。
为什么重要：解决了什么问题
传统AI药物发现流程有一个根本矛盾：生成模型负责产出候选分子结构，打分函数负责评估结合亲和力——但这两步是脱节的。生成模型优化的是"像不像训练数据"，打分函数优化的是"结合强不强"，两者的目标不一致，导致生成的分子往往打分不高，打分高的分子又生成不出来。
FLOWR.ROOT的核心创新是联合训练：亲和力预测和结构生成共享同一个模型骨干，亲和力信息直接参与生成过程的训练。推理时，通过重要性采样（importance sampling），可以用亲和力预测结果引导生成方向——不需要外接打分函数，模型自己就能"边生成边筛选"。
这带来的实际好处是：
- 单目标引导：比如只优化对某个靶点的亲和力
- 多目标引导：同时优化亲和力和选择性，或同时优化多个亲和力端点
- 无需外部评分：省去了docking或FEP的额外计算开销
三阶段训练策略
FLOWR.ROOT的训练分三个阶段，逐步从"广"到"精"：
第一阶段：大规模预训练。 使用数十亿配体构象和数百万蛋白-配体复合物，配合多种亲和力标签，让模型学习广泛的化学和结构先验。这一步解决的是"见多识广"的问题。
第二阶段：高质量精调。 在筛选过的高质量共晶结构数据上精调，提升结构精度和亲和力预测的可靠性。这一步解决的是"精益求精"的问题。
第三阶段：项目适配。 通过参数高效的LoRA微调和重要性采样引导，让模型快速适配特定项目的数据。药物发现项目的结构-活性关系（SAR）往往与公开训练数据差异很大，LoRA适配让模型在少量项目数据上就能"入乡随俗"。
这种三阶段策略的思路，与大语言模型的"预训练→指令微调→RLHF"异曲同工，只是面向的是化学和结构数据。
实际案例
论文展示了从hit识别到lead优化的完整案例：
激酶选择性设计：在CK2α和CLK3两个激酶之间做选择性设计，FLOWR.ROOT能够通过多目标引导生成对CK2α选择性更高的配体。
骨架扩展：在TYK2、ERα和BACE1三个靶点上展示了骨架扩展和片段生长的能力，证明模型不仅能从头设计，还能在已有分子基础上做增量优化。
这些案例覆盖了药物发现从早期hit识别到后期lead优化的关键环节。
对谁有用
药企CADD团队：一个模型覆盖从hit到lead的多个环节，减少了工具链切换和结果不一致的问题。LoRA适配让模型能快速融入特定项目。
学术实验室：可以基于FLOWR.ROOT的框架进行方法改进和基准测试，联合训练的范式为后续研究提供了新的基线。
AI药物发现公司：重要性采样引导和多目标优化的能力，适合集成到自动化药物发现工作流中。
需要冷静看待的地方
- 亲和力预测 vs FEP：虽然FLOWR.ROOT在排名精度上接近自由能微扰（FEP）水平，但绝对亲和力值的预测精度仍有差距。在需要精确ΔG数值的场景下，FEP仍然是金标准。
- 训练数据瓶颈：高质量蛋白-配体复合物与亲和力标注数据仍然稀缺，这是整个领域的共同挑战。FLOWR.ROOT通过多阶段训练和混合保真度数据缓解了这个问题，但并未根本解决。
- 生成多样性：在重要性采样的强引导下，生成多样性可能下降——模型倾向于生成"安全"的高亲和力分子，但可能错过非直觉的化学空间。
---
*信息来源：Nature Communications论文 [FLOWR.ROOT – A flow matching-based foundation model for joint multi-purpose structure-aware 3D ligand generation and affinity prediction](https://www.nature.com/articles/s41467-026-74130-9)，发表于2026年7月6日。*