Lacuna：通过构象集合分析发现隐秘结合口袋

Lacuna 是一款开源的 Python 工具，用于发现隐匿性结合口袋：这类位点在蛋白质未结合状态的结构中不存在或过小而无法检测，只在构象涨落过程中才会打开。大多数结合位点预测器都是对单一静态结构进行评分，而这恰恰是隐匿位点不可见的结构。相比之下，Lacuna 会从任意输入结构生成构象集合，在每个构象中独立检测口袋，将这些检测结果聚类为整个集合中持续存在的位点，并使用基于结构内配对数据拟合的模型对这些位点进行排序。构象集合的生成是可插拔的：默认采用正常模分析，也可替换为隐式溶剂分子动力学、Boltz-2 扩散采样，或用户提供的构象集合。 在 CryptoBench 的指定测试折上，Lacuna 在前五个预测中恢复了 55.6% 的隐匿位点，若使用可选的 PLM 辅助排序器则提升至 66.1%；在 PocketMiner 数据集、文献整理的 apo/holo 配对集合以及 COACH420 上，分别恢复了 73%、45% 和 87%。默认后端在单个 CPU 核心上每条链的中位运行时间为 2.6 秒，因此基于集合的口袋发现并不需要模拟预算。每个位点都带有连续的隐匿性评分，输出结果以可直接用于对接的 Boltz YAML 约束、AutoDock Vina 盒子以及伪原子 PDB 文件形式给出。Lacuna 采用 MIT 许可证，项目地址为 https://github.com/mooreneural/lacuna，亦可在 PyPI 上以 lacuna-pockets 获取。

Lacuna 是一款开源的 Python 工具，用于发现隐匿性结合口袋：即在蛋白质未结合结构中不存在或过小而无法检测、仅在构象涨落期间开放的位点。大多数结合位点预测器只对单一静态结构进行评分，而这恰恰是隐匿位点不可见的结构。相比之下，Lacuna 从任意输入结构生成构象集合，在每个构象中独立检测口袋，将检测结果聚类为遍及整个构象集合的持久位点，并使用基于结构内成对样本拟合的模型对这些位点进行排序。构象集合的生成采用可插拔机制：默认使用正常模分析，也可替换为隐式溶剂分子动力学、Boltz-2 扩散采样，或用户提供的构象集合。在 CryptoBench 的指定测试折上，Lacuna 在前五个预测中恢复了 55.6% 的隐匿位点，若采用可选的 PLM 辅助排序器则提升至 66.1%；在 PocketMiner 数据集、文献整理的 apo/holo 配对数据集以及 COACH420 上，其恢复率分别为 73%、45% 和 87%。默认后端在一颗 CPU 核心上每条链的中位运行时间为 2.6 秒，因此基于构象集合的口袋发现并不需要模拟预算。每个位点都带有连续的隐匿性评分，并输出可直接用于对接的 Boltz YAML 约束、AutoDock Vina 盒以及伪原子 PDB 文件。Lacuna 采用 MIT 许可，项目地址为 https://github.com/mooreneural/lacuna，并可在 PyPI 上以 lacuna-pockets 名称获取。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.08.14.744956v1?rss=1

🏷️ 隐匿结合口袋 蛋白质构象集合 结合位点预测 分子对接 开源Python工具