3DLinker：用于分子连接体设计的 E(3) 等变变分自编码器
机器学习
2022-05-17 v1 人工智能
生物大分子
摘要
深度学习在设计具有理想药物性质的新化合物方面取得了巨大成功。本工作中，我们关注一类新型药物设计问题——生成一个小的“连接体”以物理连接两个具有不同功能的独立分子。主要计算挑战包括：1）连接体的生成以两个给定分子为条件，不同于以往从零生成完整分子；2）连接体严重依赖于待连接两分子的锚原子，而锚原子事先未知；3）需要考虑分子的 3D 结构与朝向以避免原子冲突，因此需要对 E(3) 群等变。为应对这些问题，我们提出一个条件生成模型，名为 3DLinker，它能够基于 E(3) 等变图变分自编码器预测锚原子并联合生成连接体图及其 3D 结构。据我们所知，此前没有模型能完成该任务。我们将我们的模型与从其他分子设计任务改造的多个条件生成模型比较，发现我们的模型在恢复分子图方面具有显著更高的比率，且更重要的是能准确预测所有原子的 3D 坐标。
引用
@article{arxiv.2205.07309,
title = {3DLinker: An E(3) Equivariant Variational Autoencoder for Molecular Linker Design},
author = {Yinan Huang and Xingang Peng and Jianzhu Ma and Muhan Zhang},
journal= {arXiv preprint arXiv:2205.07309},
year = {2022}
}