受生物学启发的分子生成机器学习多模态评估

尽管生成模型近来在许多科学领域已无处不在，但其评估所受关注较少。对于分子生成模型，当前最优方法孤立地或相对于输入考察其输出。然而，其生物学与功能特性，如配体-靶标相互作用，未被涉及。本研究提出一种新颖的受生物学启发的分子生成模型评估基准。具体而言，设计了三个不同的参考数据集，并引入一组与药物发现过程直接相关的指标。我们特别提出了一种重构指标，并应用药物-靶标亲和力预测与分子对接作为评估生成输出的互补技术。尽管三项指标在所测试生成模型上结果一致，但对药物-靶标亲和力结合与分子对接分数的更详细比较揭示，单模态预测器会在分子水平上对靶标结合得出错误结论，因而多模态方法更可取。该框架的关键优势在于，它通过明确关注配体-靶标相互作用，将先验物理化学领域知识纳入基准过程，从而不仅为特定分子生成输出评估，也为一般药物发现过程 enrichment 创造了高效工具。