ChiGNN：基于扭转扩散的蛋白质侧链构象生成模型

ChiGNN是一个轻量级图神经网络模型，针对蛋白质侧链构象恢复问题，采用冯·米塞斯分布的扭转扩散方法，为计算药物设计和结构生物学提供新思路。其核心创新在于处理二面角周期性的数学建模，轻量级架构降低研究门槛，且具备不确定性量化能力。

AlphaFold2在骨架预测取得突破，但侧链χ₁角度恢复率仅70-75%，而侧链是功能核心（活性位点、药物结合、氢键网络）。传统方法如SCWRL4/Rosetta视为确定性优化，忽略概率分布；ChiGNN采用生成式概率方法，首次在轻量级架构实现不确定性量化校准。

扭转扩散与圆形分布：用冯·米塞斯分布（圆形空间自然分布）作为噪声源，处理二面角周期性，避免高斯扩散的边界错误。

模型架构：4层GCNConv+批归一化+残差连接，仅80404参数，Colab T4 GPU可流畅运行。

训练数据集：PDB-REDO筛选597个高分辨率（<2.0Å）结构，预处理包括图构建（Cα节点、8Å边）、节点特征（残基类型、Cα坐标、φ/ψ）、标签提取（BioPython计算χ₁-χ₄）；AdamW优化器+余弦退火，50epoch，最佳在42轮（验证损失0.0885）。

测试集指标：χ₁圆形MAE 56.41°（基线60-65°，随机90°）；χ₁恢复率(±40°)53.9%（基线47%，随机33%）。虽不及SCWRL4的83%，但轻量级（80K参数）已超统计基线。

不确定性量化：预测置信度与误差Spearman相关系数0.299（p<0.001），能识别高不确定性预测。

可视化：玫瑰图复现χ₁三峰分布（g⁻≈-60°、t≈180°、g⁺≈+60°），体现物理合理性。

局限性：数据规模小（597 vs 工业级数万）；GCNConv缺乏旋转等变性；与SCWRL4有30%恢复率差距。

未来方向：引入等变图神经网络（EGNN/GVP）；扩大训练数据；探索更复杂扩散调度策略。

可及性：开源Colab笔记本、文档、预训练模型，Google账户即可30分钟复现，推动领域民主化。

药物设计应用：快速评估侧链构象不确定性，识别需实验验证的关键残基，优化先导化合物设计。