学习亚口袋原型以实现可推广的基于结构的药物设计

ICMLMay, 2023

学习亚口袋原型以实现可推广的基于结构的药物设计

Learning Subpocket Prototypes for Generalizable Structure-based Drug Design

Zaixi Zhang, Qi Liu

TL;DR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。

Abstract

Generating molecules with high binding affinities to target proteins (a.k.a. structure-based drug design) is a fundamental and challenging task in drug discovery. Recently, deep generative models have achieved re

structure-based drug design deep generative models protein pockets subpockets molecular motifs

发现论文，激发创造

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

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

蛋白质片段周围对齐的自监督口袋预训练

通过在高分辨率原子蛋白质结构中分割药物样片段和相应的口袋，并与一些预训练的小分子编码器生成的伪配体表示对齐，我们提出了一种新颖的口袋预训练方法 ProFSA，该方法在口袋可药性预测、口袋匹配和配体结合亲和力预测等多个任务中取得了最先进的性能，同时通过利用高质量和多样性的蛋白质结构数据库，我们的研究为缓解蛋白质 - 配体复合物数据的稀缺性开辟了新途径。

Oct, 2023

Lingo3DMol: 基于口袋的三维分子生成语言模型

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。

May, 2023

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

基序能够作为归纳偏差用于学习分子分布

通过研究亚图结构和词汇设计对分布学习的影响，揭示了 Subcover 对于提高现有方法的性能和可扩展性的潜力，从而在分子机器学习方面为化学家提供了优秀的工具。

Apr, 2023

PILOT: 利用重要性采样实现多目标引导的基于变换的口袋条件下新生配体生成的扩散模型

基于构象的药物设计中，我们提出了一种使用等变扩散模型 PILOT 的基于计算的方法，通过结合口袋调节和大规模预训练与性质引导，来进行 3D 配体结构的 $ extit {de novo}$ 生成。PILOT 的多目标基于轨迹的重要性抽样策略旨在引导模型生成既具有增强与给定蛋白质口袋结合亲和力等所需特性，同时又保持高合成可访问性的分子。PILOT 在常见基准数据集 CrossDocked2020 上在各种评估指标上明显优于现有方法。此外，我们使用 PILOT 为 Kinodata-3D 数据集中未见蛋白质口袋生成了新的配体结构，该数据集包含了人类蛋白激酶组的大部分内容。生成的结构体预测的 $IC_{50}$ 值表明具有强大的生物活性，突显了 PILOT 作为基于构象的药物设计强大工具的潜力。

May, 2024

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

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

基于几何信息的 GFlowNets 用于结构化药物设计

利用生成流网络（GFlowNets）有效地探索药物样分子的组合空间，改进了 GFlowNet 框架，以增强生成特定蛋白质口袋的分子的能力，并通过使用 CrossDocked2020 数据集的实验证明了生成分子与蛋白质口袋之间的结合亲和力的提高，提出了进一步增加蛋白质 - 配体相互作用几何信息的未来研究方向。

Jun, 2024