Mar, 2024

SBDD 中特异性的重新思考：利用 Delta Score 和能量引导的扩散

PDF
TL;DR在结构基础药物设计（SBDD）领域，基于深度学习的生成模型在对接得分方面取得了杰出的表现。然而，进一步的研究表明现有的分子生成方法和对接得分在特异性方面都缺乏考虑，这意味着生成的分子以高亲和力结合到几乎每一个蛋白质口袋。为了解决这个问题，我们引入了 Delta Score，一种用于评估分子结合特异性的新指标。为了进一步在生成过程中考虑这一洞察力，我们开发了一种创新的以能量引导为核心的方法，使用对活性化合物进行对比学习，以引导生成模型创造具有高特异性的分子。我们的实证结果表明，该方法不仅增强了 Delta Score，而且还保持或提高了传统的对接得分，成功地弥合了 SBDD 和现实需求之间的差距。
structure-based drug designdeep learning-based generative modelsdelta scorespecificity of molecular bindingcontrastive learning
发现论文，激发创造
  • Delta Score: 提升基于结构的药物设计方法的结合评估

    我们引入了一种名为 delta 分数的新的评估指标，通过与实际生物需求的对比，发现当前的深度生成模型所产生的分子在 delta 分数上远远落后于基准配体，这一新的指标不仅补充了现有的基准测试，还为该领域的后续研究提供了重要方向。

    Nov, 2023

  • 基于结构和等变扩散模型的药物设计

    使用机器学习方法建立了一个新颖的三维生成模型 DiffSBDD，用于设计小分子配体与指定蛋白质靶点高度亲和并具有特异性。 DiffSBDD 通过生成出新型具有高结合能量的药物配体，展现了显著的效率和多样性。

    Oct, 2022

  • 基于结构的药物设计中扩散模型的一般结合亲和力指导

    使用神经网络作为可微能量函数代理，我们提出了一种导向方法，能够将扩散抽样过程引导至改进的蛋白质配体结合，从而调整配体与蛋白质之间的结合亲和力分布，以提高生成配体与其蛋白质受体的结合亲和力，优于以往的机器学习方法。

    Jun, 2024

  • 基于结构的药物设计的绑定自适应扩散模型

    基于结构的药物设计旨在生成与特定蛋白质靶点结合的三维配体分子。本研究提出了一种名为 Binding-Adaptive Diffusion Models (BindDM) 的新框架，通过自适应地提取负责蛋白质 - 配体相互作用的结合位点的关键部分，使用 SE (3)- 等变神经网络对所选的蛋白质 - 配体子复合物进行处理，并将其与复合物的每个原子传递回来，以在生成具有结合相互作用信息的面向目标的三维分子扩散时增强。实验证明 BindDM 能够生成具有更真实的三维结构和更高结合亲和力的分子，平均 Vina 得分高达 - 5.92，同时保持良好的分子属性。

    Jan, 2024

  • 多尺度迭代细化的稳健与多功能分子对接

    DeltaDock 是一个用于高效分子对接的强大且通用的框架，它在快速采样准确结构和多尺度迭代优化初步结构两个步骤中操作，通过大型蛋白质模型和图神经网络，结合 GPU 加速采样算法，实现了盲对接和特定位点对接设置下的卓越性能和预测物理有效结构的能力。

    Nov, 2023

  • 从理论到治疗：通过实用指标重构 SBDD 模型评估

    通过评估生成分子与已知活性化合物的相似性，引入基于虚拟筛选的实际部署能力度量，以更严格地重新评估结合亲和性，我们提出了一个综合评估框架来解决结构基药物设计在实际应用中的限制，研究结果显示，尽管当前的结构基药物设计模型在 Vina 评分上表现出色，但在实际可用性指标上存在不足，突显了理论预测与实际应用之间的巨大差距，我们提出的指标和数据集旨在填补这一差距，提高未来结构基药物设计模型的实际适用性，使其更贴合制药研究与开发的需求。

    Jun, 2024

  • 基于结构的药物设计基准：3D 方法真的占主导地位吗？

    通过评估生成的分子的药物特性及其与指定目标蛋白的结合亲和力来建立了一个基准，评估了十六种不同算法基础上的模型在这些算法基础上的性能，并突出了每种算法方法的独特优势，对未来 SBDD 模型的设计提出了建议。实证结果表明，将 1D/2D 配体中心的药物设计方法用于 SBDD 是可行的，通过将对接函数视为黑盒预言，可以实现与明确使用目标蛋白的三维方法相竞争的性能。此外，基于 2D 分子图的遗传算法 AutoGrow4 在优化能力方面超过了 SBDD。

    Jun, 2024

  • 基于几何深度学习的结构药物设计系统性调查

    本文系统地回顾了几何深度学习在基于结构的药物设计中的最近进展，并包括了结合位点预测、结合姿势生成、分子生成、连接器设计和结合亲和力预测等任务的详细综述和相关进展的挑战以及潜在机会。

    Jun, 2023

  • 具有虚拟受体的分子扩散模型

    通过扩展扩散方法，引入虚拟受体和蛋白质嵌入技术，实现了结构为基础的药物设计中的机器学习方法，提高了性能并显著加快了计算速度。

    Jun, 2024

  • 与精确能量优化对齐的目标感知分子扩散模型

    提出了一种名为 AliDiff 的新型通用对齐框架，该框架可以将预训练的目标扩散模型与所需的功能属性对齐，以优化化学物质的生成。经过实证研究，发现 AliDiff 可以生成具有最先进的结合能的分子，并且仍然具有强大的分子特性。

    Jul, 2024