May, 2023

Lingo3DMol: 基于口袋的三维分子生成语言模型

PDF
TL;DR本文提出了一种基于口袋的三维分子生成方法，利用具有生成 3D 坐标能力的语言模型，并设计了扰动复原预训练任务，介绍了一种新的分子表示方法，并利用 CrossDocked 和 DUD-E 数据集对其进行了评估。该方法在几乎所有指标上实现了最优的表现，特别是在结合模式、药物性质、合理构型和推理速度方面。
structure-based drug designdeep generative modelslanguage modelsgeometric deep learningmolecule generation
发现论文，激发创造
  • 基于结构的药物设计：3D 分子生成预训练与采样

    基于结构的药物设计通过利用三维靶点结构的先验知识生成高亲和力配体。本研究提出了 MolEdit3D 方法，将三维分子生成与优化框架相结合，通过使用片段开发了一种新的三维图形编辑模型来生成分子，并在丰富的三维配体上进行了预训练，然后采用目标引导的自学习策略来改进与目标相关的性质。MolEdit3D 在大多数评估指标上达到了最先进水平，并且展示了对目标相关和目标无关性质的强大能力。

    Feb, 2024

  • 语言模型能够直接在三维空间中生成 XYZ、CIF 和 PDB 文件的分子、材料和蛋白质结合位点

    本文研究利用语言模型进行分子设计，探讨了通过正常神经网络训练的语言模型在不修改结构的情况下，如何从多种显著不同的化学结构产生三维化合物、晶体和蛋白质结合位点。同时，讨论了语言模型的优点和局限性，并强调了无需使用简化的分子表示方法进行训练即可探索三维化学空间的能力。

    May, 2023

  • 用于基于结构药物设计的三维生成模型

    本文提出了一种生成指定蛋白质结合位点分子的 3D 生成模型，可应用于结构基因设计任务，通过学习原子的概率密度分布并提出自回归采样策略，实现了生成有效和多样性分子的能力，在实验结果中表现出较高的亲和力和良好的药物特性。

    Mar, 2022

  • Pocket2Mol: 基于蛋白质 3D 结构口袋的高效分子采样

    Pocket2Mol 是一个用于 in silico 药物设计的 E (3)- 等变生成网络，它能采样新的受约束化合物，考虑了蛋白质袋的结构。从 Pocket2Mol 中采样的分子具有显著更好的结合亲和力和其他药物性质。

    May, 2022

  • 基于深度生成模型的条件受体结合位点三维分子生成

    本文提出了一种新的基于深度学习的方法来生成可预测结合蛋白质的三维分子结构，对生成的分子进行了性质评估，并探索了生成模型的潜在空间，为利用深度学习从蛋白结构预测稳定的生物活性分子开启了新的可能性。

    Oct, 2021

  • 3D-MolT5: 以 3D 分子标记建立统一的 3D 分子 - 文本模型

    我们提出了 3D-MolT5 框架，通过在特定的三维令牌词汇表上映射细粒度的三维亚结构表示，实现了一维分子序列和三维分子结构的无缝组合，在一个统一的架构中编码了分子序列、分子结构和文本序列。对于分子属性预测、分子说明和基于文本的分子生成任务，我们的 3D-MolT5 在多个下游数据集上展现出优异的性能。

    Jun, 2024

  • 使用深度生成模型基于受体结合位点生成三维分子结构

    本研究实现了基于深度生成模型、卷积神经网络和可变潜空间的三维分子结构生成，在此基础上，也为优化生成的分子性质提供了初始方法。

    Oct, 2020

  • 面向语言模型中的三维分子 - 文本解释

    通过在语言模型中嵌入 3D 分子编码器，我们提出了 3D-MoLM：3D 分子语言建模，用于解决语言模型在理解三维分子结构方面的限制，在生物分子领域具有潜力。

    Jan, 2024

  • 学习亚口袋原型以实现可推广的基于结构的药物设计

    本文提出了 DrugGPS 方法用于结构为基础的药物设计，通过学习亚口袋原型并构建全局交互图，模拟亚口袋原型与分子模体之间的相互作用，同时使用层次图转换编码器和基于模体的 3D 分子生成方案来提高模型性能，实验结果表明该方法的实用性在现实应用中得到了充分验证。

    May, 2023

  • 基于片段的分子生成深度生成模型

    通过采用 Fragment-Based Drug Design 范例生成小分子结构语言模型并进行分子生成，大幅提高了分子的有效性和独特性，达到了基于图像的模型的最佳表现。

    Feb, 2020