引导的多目标生成人工智能以增强基于结构的药物设计
利用基于深度学习的分子生成加速药物候选物的发现的思想引起了极大关注，并开发了许多用于自动药物设计的深度生成模型，称为分子生成。其中，优化主导在实际药物设计中起着重要作用，我们对传统的计算机辅助药物设计方法进行了系统评述，将这些策略组织成了四个主要子任务，每个任务都有明确的输入和输出。此评述还探讨了基本概念、目标、传统 CADD 技术和 AIDD 的最新进展。此外，我们提出了一种基于受限子图生成的统一视角，以协调 de novo 设计和主导优化的方法。通过这种视角，de novo 设计可以融入主导优化的策略，以解决生成难以合成的分子的挑战；反之，主导优化可通过将其作为在特定次结构上生成分子的任务来受益于 de novo 设计的创新。
Apr, 2024
本文介绍了一种生成具有理想属性的分子的新方法，该方法通过在分子和分子片段上执行扩散来获取混合高斯分布，并使用新颖的基于电子效应的分解方法优化多个分子属性，从而在人工智能驱动的药物设计和发现方面具有重要的应用前景。
Oct, 2023
人工智能在药物研发的各个阶段中得到了越来越多的应用。我们提出了一个新的数据挑战，即数据集常常相互独立收集，缺乏重叠部分，导致数据稀疏。为解决这一挑战，我们提出了一种新颖的扩散图神经网络模型 Syngand，可以全面生成配体和药物动力学数据。利用我们的 Syngand 模型，我们展示了一种用于现有配体采样药物动力学数据的方法学。我们在 AqSolDB、LD50 和 hERG central 等下游回归任务上展示了 Syngand 生成的合成靶标属性数据的初步有效结果。使用我们提出的模型和方法，研究人员可以轻松生成合成配体数据，以帮助他们探索涉及跨多个数据集的研究问题。
May, 2024
研究表明 Generative AI 方法在药物研发领域有广泛应用，本论文开发了一种基于变分自编码器和主动学习步骤工作流程的 GM 方法，可以从分子指标学习，生成与特定靶点高度亲和的化学有效分子和新的不同于目标已知结构的分子，并开启了针对特定目标探索新化学领域的可能性。
May, 2023
3D 生成模型在结构基药物设计中表现出显著的潜力，尤其在发现适应特定靶点结合位点的配体方面。TAGMol 是一个综合的药物生成框架，通过将问题分解为分子生成和特性预测，并通过引导扩散采样过程来实现生成具有所需特性的有意义的分子。在基准数据集上进行的实验证明，TAGMol 相对于现有先进算法具有优越性能，在平均 Vina 分数上提高了 22％，并在重要辅助属性方面取得了良好的结果。
Jun, 2024
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
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
提出了一种可视化框架，用于可视化深度图形生成模型的编码和解码过程中生成的分子，并提供实时分子优化功能，这完善了黑盒子人工智能驱动的药物发现模型的可解释性。
Jul, 2020
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