企业官网建设流程全解析

本文收录于专栏开源多肽性质预测—— 专栏系统覆盖开源多肽性质预测工具，点击订阅可跟踪后续更新。

你如果做过环肽药物筛选，大概率撞过这堵墙：纯 2D 描述符在训练集内 R=0.77，一旦拿去预测骨架和设计理念不同的全新肽系列就掉到 R=0.29。这篇解读给你拆开 Sugita et al. (ACS Omega 2026) 的 MDML_PeptPerm 方案——用 REST/REUS 增强采样 MD 在膜中心、界面、水相三个位置提取 PS3D 构象描述符，把跨细胞膜预测的 R 拉回 0.59，全文 252 个训练肽、94 个去冗余描述符、XGBoost 嵌套 CV 的每个数字都对回论文 Table 1-8。你可以直接照着第六节在本机复现：clone 官方 GitHub 仓库、mamba 建环境、跑 main.ipynb 训练和 ex_test.ipynb 外部测试，再用 LODSO 留一数据集的思路诚实评估自己模型的泛化能力。

关键字：环肽膜渗透性、PS3D 描述符、REST/REUS 增强采样、机器学习预测、XGBoost、留一数据集验证（LODSO）、PAMPA、CPPTRAJ

目录

• 一、背景——"变色龙"肽与 2D 描述符的天花板
• 二、方法全景——MD 怎么和 ML 接上头？
• 三、机器学习——6 种模型 + 嵌套 CV + 严格外部验证
• 四、最严峻的考验——留一数据集 (Leave-One-Data-Set-Out)
• 五、与深度学习方法对比——Table 8
• 六、本地实战
• 七、局限与注意事项（来自论文原文的诚实讨论）
• 八、这个工作的真正意义——"蒸馏 MD 智能"的思路

核心洞察：只用 2D 描述符（如 SlogP）预测环肽膜渗透率，在"见过"的化学空间里还行（R=0.77），一旦遇到骨架不同、设计理念不同的全新肽系列就崩（R=0.29）。PS3D 描述符——从 REST/REUS 增强采样 MD 中按残基位置提取的构象指纹——在跨化学系列预测中把 R 从 0.29 拉回到 0.59。这就是 MD 信息补上了 2D 描述符的结构性盲区。

论文：Sugita M, Noso Y, Li J, Fujie T, Yanagisawa K, Akiyama Y.Protocol for Membrane Permeability Prediction of Cyclic Peptides Using Descriptors Obtained from Extended Ensemble Molecular Dynamics Simulations and Chemical Structures.ACS Omega, 2026, 11(27): 40628–40644. DOI: 10.1021/acsomega.6c03721

GitHub：https://github.com/akiyamalab/MDML_PeptPerm

一、背景——"变色龙"肽与 2D 描述符的天花板

环肽药物研发有一个公认瓶颈：膜渗透率。更麻烦的是，环肽具有"变色龙"（chameleonic）行为——在水里暴露极性基团保持溶解，进膜后反而把极性基团"藏"起来形成分子内氢键。两个 SlogP 几乎相同的肽，一个"能变色"（穿膜），一个"不变化"（卡住），2D 化学描述符完全区分不了。

这个问题在数据层面有一个更微妙的表现。看论文 Figure 6——四个数据集中 SlogP 和膜渗透率的相关性：

Kelly 2021 是最反直觉的：SlogP 和渗透率 R=0.83，看着相关性极强，但当你用其他三个数据集训练模型、预测 Kelly 2021 时，纯 2D 描述符只拿到 R=0.29——而 PS3D 描述符能做到 R=0.59。为什么？因为 Kelly 2021 中大量肽具有相同的氨基酸组成、不同的序列顺序，导致不同的 3D 构象。2D 描述符看不出序列排列差异，但 PS3D 描述符可以。

二、方法全景——MD 怎么和 ML 接上头？

2.1 总览工作流：两条通道，一个汇合点

整条管线只有两条输入通道：2D 通道直接从 SMILES 算经典描述符（不花钱）；3D 通道把每个肽放进 POPC/胆固醇膜里跑 REST/REUS 增强采样，在膜中心、界面、水相三个深度各取 10,000 个构象 snapshot，再用 MOE + CPPTRAJ 提取构象描述符。两条通道在"四类描述符"处汇合：2D / 3D（三位置均值）/ PS3D（每位置独立）/ ΔPS3D（位置间差值），去冗余后共 94 个特征，交给 6 种 ML 模型做嵌套 CV。

一句话理解设计意图：2D 告诉你这个肽"是什么"，PS3D/ΔPS3D 告诉你它"进膜时怎么变"——后者的构象信息正是纯 2D 描述符的结构性盲区。

2.2 MD 模拟设置——四个关键工程选择

这套 MD 比常规"跑个动力学"重得多，核心设置一张表看全：

每个膜位置 2 × 8 = 16 个副本并行，每肽总时长 400 ns（前 100 ns @350 K 加速膜松弛，后 300 ns @300 K 生产）。

成本量级（这也是本方法最大的门槛）：

GitHub 仓库只放描述符 CSV 不放原始轨迹——53 TB 实在分享不了。

2.3 四类描述符——分类逻辑与来源

描述符分四类，区分逻辑非常物理，一张表连来源一起看全：

3D 和 PS3D 怎么判：算某一描述符在三个位置上的肽间 Pearson R——任意一对位置 R < 0.9，说明该描述符随环境显著变化，归 PS3D（三位置各留一个特征）；三对 R 全部 ≥ 0.9，说明穿膜前后几乎不变，取均值归 3D。

结果是只有 1 个描述符进了 3D 类——几乎所有 MD 衍生描述符都有显著的环境依赖性。这本身就是个重要发现：环肽的构象特性在膜的不同深度截然不同，也解释了为什么 PS3D/ΔPS3D 能补上 2D 看不见的盲区。

三、机器学习——6 种模型 + 嵌套 CV + 严格外部验证

3.1 特征筛选

因描述符数（735 原始） >> 样本数（252），先做相关性去冗余：计算所有描述符对的 Pearson R，若两描述符 R > 阈值则保留与目标变量相关性更高的那个。阈值通过 RF 5 折 CV MAE 扫描确定（Figure S6），最终选0.6。

去冗余后：20（2D）+ 1（3D）+ 28（PS3D）+ 45（ΔPS3D）=94 个描述符。

3.2 嵌套交叉验证

外循环：5 折 CV（80% 训练 / 20% 验证）
内循环：4 折 CV（在训练集内做超参网格搜索）
评价指标：R、MAE、RMSE、Q²（验证）/ R²（测试）

3.3 全数据集 5 折 CV 结果

Table 1——全部 252 肽混合随机划分：

三个关键观察：

1. 线性模型（LASSO/Ridge R=0.73）和树模型（XGBoost R=0.77）差距不大——说明问题没有复杂的非线性交互，特征工程本身已经捕获了核心信号。
2. Friedman test + Wilcoxon post-hoc 显示六个模型间无统计学显著差异（P > 0.42）。
3. 复杂模型未过拟合——如果过拟合，Ridge 和 XGBoost 的差距会更大。

3.4 分数据集 CV 结果

Table 2——在四个数据集上的分别表现：

3.5 描述符消融实验——Table 3 的核心信息

用全部 252 肽混合随机 CV，拆解四类描述符的独立贡献：

关键发现：

• 2D 单独已经很强（R=0.77）——因为随机划分 CV 中训练集总包含与测试集化学相似的肽
• PS3D 单独中等（R=0.57）——3D 构象信息本身含有渗透率信号
• 2D + PS3D 最优（R=0.79, Q²=0.61）——略优于全描述符
• 加 ΔPS3D 反而略降——可能是因为差值引入统计噪声
• 3D 描述符只剩 1 个（几乎所有的都因位置间 R < 0.9 被归为 PS3D）

3.6 Top 10 特征——Figure 2

前三物理因素：① 亲水/疏水特性（去溶剂化惩罚）→ ② 分子大小和柔性（插入膜的代价）→ ③ 构象重排程度（从水到膜的"变色"能力）。

一个重要的 caveat：特征重要性 ≠ 因果关系。这些描述符应该被理解为"与渗透率统计关联的设计相关因素"，而非独立的优化目标。

3.7 外部测试——Wang 2021（24 个全新肽）

外部独立测试集来自不同实验室，化学结构与训练集相关但位于训练描述符空间的边缘（Figure 3 PCA 图显示 Wang 2021 肽在 PC1-PC2 空间中靠近训练集分布但覆盖独特区域）。

结果：R = 0.76 ± 0.01, MAE = 0.96 ± 0.03, RMSE = 1.14 ± 0.03, Q² = −0.07 ± 0.05。

预测值系统性低于实验值约 1 个数量级——作者归因于 Wang 2021 实验条件导致的 PAMPA 值整体偏高。但 R=0.76 说明排序能力稳健，这对虚拟筛选而言是最重要的。

SHAP 分析（Figure 5）显示外部测试中PS3D 和 ΔPS3D 描述符的重要性显著上升——如膜中的溶解自由能（E_sol_mem）、膜中心肽-水氢键数（out_hbond_mem）、脂-水接触数差值（LW_contacts_mem − LW_contacts_wat）在外部测试中的贡献远大于内部验证。这正是"3D 描述符的泛化价值在跨系列预测中才真正体现"。

四、最严峻的考验——留一数据集 (Leave-One-Data-Set-Out)

这才是这篇论文的"真刀真枪"实验。每次把四个数据集中完整的一个当测试集，用其他三个训练。超参统一用 Table S17 的最优值，不做针对测试集的特调。

4.1 LODSO 总览

4.2 Kelly 2021 案例——最反直觉的发现

这四个测试集中最精彩的是 Kelly 2021：

• 纯 2D_描述符：R =0.29——训练集（Furukawa 2016/2020 + Bhardwaj 2022）的 SlogP-渗透率关系完全不适用于 Kelly 2021
• 纯 PS3D 描述符：R =0.59——3D 构象信息独立贡献了渗透率预测能力
• 2D + PS3D：R = 0.47——加了 2D 反而变差！说明当肽的设计理念（相同组成、不同序列）与训练集完全不同时，2D 描述符的"经验规则"反而成了噪声

Kelly 2021 中 SlogP 与渗透率 R=0.83，看起来"很容易预测"——但那是在同一数据集内部的统计规律。跨数据集后，这条规律不成立。作者将此归因于 Kelly 2021 的肽设计原则（固定组成、变化序列）导致2D 描述符与训练集趋势不同。

4.3 Furukawa 2016——唯一 2D 够用的特例

Furukawa 2016 的肽共享同一主链骨架（Library 1），只有侧链变。此时 2D 描述符预测 R=0.80，加 PS3D 后反而略降——说明当化学骨架统一时，构象信息是冗余的，甚至引入噪声。

五、与深度学习方法对比——Table 8

作者指出，MultiCycPermea:OD 是唯一在严格 OOD 设定下测试的方法（R=0.48），略低于本文的 LODSO 平均 R=0.61。但这并非直接的"碾压"——测试数据难度不同，不可直接比。关键信息是：随机划分的 CV 显著高估了真实泛化能力。

六、本地实战

6.1 环境

gitclone https://github.com/akiyamalab/MDML_PeptPerm.gitcdMDML_PeptPerm# 官方环境（Python 3.9.6）mambaenvcreate-fenvironment.yml mamba activate MDMLpept# 如果已有 Python 3.10+ 环境，直接用 pip 也兼容pipinstallxgboost scikit-learn rdkit openpyxl lightgbm shap

论文实际使用的软件栈：

• MD 引擎：AMBER 20 + AMBER 22（pmemd.cuda）
• 肽参数化：MOE 2019.01 / 2022.02，Amber10:EHT 力场
• 膜/水：Lipid17 + TIP3P
• ML：Python 3.9.6 + pandas 2.1.1 + scikit-learn 1.4.2 + xgboost 2.0.3 + lightgbm 4.5.0 + shap 0.48.0

6.2 数据一览

importpandasaspd y=pd.read_csv('data/y.csv')print(y['Set'].value_counts())# Kelly2021 86# Bhardwaj2022 85# Furukawa2016 67# Wang2021 24 ← 仅用于外部测试# Furukawa2020 18desc=pd.read_csv('data/descriptors.csv')print(desc.shape)# (280, 735) — 280 肽 × 734 描述符 + ID 列

注意总数 280 = 252（训练/验证）+ 24（Wang 2021 外部测试）+ 4（额外的？实际论文 252+24=276，y.csv 有 280 行可能是包含了少量重复或其他数据）。

6.3 训练

jupyter notebook main.ipynb

main.ipynb流程：加载数据 → 相关性去冗余（threshold=0.6）→ 六种模型网格搜索 → 5 折 CV → 特征重要性 → PCA 可视化。

6.4 外部测试

jupyter notebook ex_test.ipynb

使用 Wang 2021 的 24 个肽做独立预测。预训练的最优超参在weight/XGBoost_search_results.csv。

七、局限与注意事项（来自论文原文的诚实讨论）

八、这个工作的真正意义——"蒸馏 MD 智能"的思路

这篇论文不是"一个更强的预测模型"这么简单。它的核心贡献在于提供了一种范式：

1. 用昂贵的增强采样 MD 做一次性知识提取（描述符生成），而不是对每个新肽跑 PMF
2. PS3D 描述符在跨系列预测中补上了 2D 描述符的盲区——尤其是在肽的设计理念与训练数据不同时（Kelly 2021 从 R=0.29 拉到 R=0.59）
3. 严格证明了混合随机 CV 会高估泛化能力——LODSO 才是诚实评估
4. 全数据+代码开源——虽然原始轨迹太大放不下（53 TB），但所有描述符 CSV 和分析 notebook 都在 GitHub

对于做环肽药物发现的团队，这个工具的"甜区"是：你手头有一批环肽 hit，想优先合成那些既可能活又可能穿膜的。同时你需要接受一个前提——MD 描述符的制作极其昂贵（140 GPU h/肽），但一旦训好模型，预测是瞬间的。

作者在论文末尾提出了一个很有野心的愿景：把环肽膜渗透率预测的计算成本降低到 FEP 计算的水平——让制药公司能常规地对数十上百个环肽做膜渗透率评估。虽然目前"训一次需 3.8 万 GPU 小时"离这个目标还有距离，但方向清晰。

数据来源：ACS Omega 2026, 11(27): 40628–40644 全文 + GitHub 仓库本地实测。本文所有性能数字均可从论文 Table 1-8 和 Supporting Information Tables S1-S28 中查证。

系列导航：专栏全集开源多肽性质预测

我的专栏