EQCNNet：融合等变性与量子启发的蛋白质-配体结合亲和力预测新范式

EQCNNet是一种SE(3)等变量子启发卷积神经网络，专为蛋白质-配体结合亲和力预测设计。它通过结合Clebsch-Gordan积、球谐函数和量子启发卷积层，精准学习复合物三维几何结构，解决传统方法计算成本高或泛化能力不足的问题，为药物发现提供新路径。

药物研发核心环节之一是预测小分子配体与靶标蛋白质的结合亲和力。传统基于物理的方法（如分子动力学模拟）精度高但计算昂贵；传统机器学习忽略三维几何特性，泛化能力不足。等变神经网络在分子建模潜力巨大，但如何融合三维几何信息与节点级相互作用仍是开放问题。

EQCNNet核心创新在于SE(3)等变性与量子启发卷积机制的结合：

1. SE(3)等变表示学习：通过Clebsch-Gordan积和球谐函数实现，确保旋转平移不变性，捕捉原子相对空间关系；
2. 距离编码与图构建：用高斯径向基函数编码原子距离，动态构建图（节点为原子，边为10.0Å内邻近关系）；
3. 量子启发卷积层：QCNNLayer模拟量子卷积操作，增强对复杂分子相互作用的表达能力。

数据集：采用PDBbind v.2019精炼集（4000+复合物），划分策略为30%序列同一性（严格外分布）和60%（中等同源性）； 消融实验：设计5种变体验证组件有效性，通过Wilcoxon符号秩检验证明完整模型在所有变体上p<0.05，验证协同作用。

模型配置：maxl=2，max-sh=2，num-cg-levels=4，通道数32，原子种类5，批次16，学习率1e-3，训练轮数100； 依赖与环境：基于PyTorch Geometric，依赖PyTorch>=1.9.0、torch-geometric、cormorant等，推荐NVIDIA A100/V100 GPU（16GB内存）。

EQCNNet为基于结构的药物设计提供新路径，优势包括：

1. 物理一致性（SE(3)等变性符合物理直觉）；
2. 数据效率（等变先验降低数据依赖）；
3. 可解释性（CG积层级结构提供决策理解）。 在CSAR-HiQ基准上验证了泛化能力。

EQCNNet是几何深度学习在分子科学的重要进展，融合等变表示、量子启发计算与分子建模，为高效准确的药物筛选工具开辟新方向，有望加速新药发现，助力精准医疗。