Feb, 2024
MFBind：一种多保真度方法用于在实际生成建模中评估药物化合物
MFBind: a Multi-Fidelity Approach for Evaluating Drug Compounds in Practical Generative Modeling
Peter Eckmann, Dongxia Wu, Germano Heinzelmann, Michael K Gilson, Rose Yu
TL;DR当前药物发现的生成模型主要使用分子对接来评估生成化合物的质量，但这种模型在实践中往往无用，因为即使具有较高对接分数的化合物也未必总是显示实验活性。我们提出了一种多保真度的方法，Multi-Fidelity Bind (MFBind)，以实现准确性和计算成本之间的最佳权衡。MFBind 整合了对接和结合自由能模拟器，使用主动学习训练了一个多保真度深度代理模型。我们的深度代理模型利用预训练技术和线性预测头部高效拟合少量高保真度数据。我们进行了大量实验，并表明 MFBind (1) 在代理模型中胜过其他最先进的单一和多保真度基线，并且 (2) 提高了生成模型的性能，生成了质量更高的化合物。