用于基于结构的药物发现的通用跨域分子学习框架
机器学习
2025-03-07 v1 人工智能
生物大分子
摘要
基于结构的药物发现（SBDD）是一种通过利用靶标蛋白的详细物理结构来开发新药物的系统科学过程。生物分子预训练模型的最新进展已在药物发现和蛋白质工程等多种生化应用中取得了显著成功。然而，在大多数方法中，预训练模型主要关注小分子或蛋白质各自的特性，而未深入探讨它们之间的结合相互作用——这些是SBDD中至关重要的跨域关系。为填补这一空白，我们提出了一种通用基础模型BIT（Biomolecular Interaction Transformer的缩写），能够对多种生化实体进行编码，包括小分子、蛋白质以及蛋白质-配体复合物，同时涵盖2D和3D结构等多种数据格式。具体而言，我们引入了领域专家混合（Mixture-of-Domain-Experts, MoDE）来处理来自不同生化域的生物分子，以及结构专家混合（Mixture-of-Structure-Experts, MoSE）来捕获分子结构中的位置依赖关系。所提出的专家混合方法使BIT能够同时实现深度融合与领域特定编码，有效捕捉蛋白质-配体复合物内的细粒度分子相互作用。随后，我们通过多个统一的自监督去噪任务对共享Transformer骨干网络进行跨域预训练。在各种基准测试上的实验结果表明，BIT在下游任务中取得了卓越性能，包括结合亲和力预测、基于结构的虚拟筛选和分子性质预测。
引用
@article{arxiv.2503.04362,
title = {A Generalist Cross-Domain Molecular Learning Framework for Structure-Based Drug Discovery},
author = {Yiheng Zhu and Mingyang Li and Junlong Liu and Kun Fu and Jiansheng Wu and Qiuyi Li and Mingze Yin and Jieping Ye and Jian Wu and Zheng Wang},
journal= {arXiv preprint arXiv:2503.04362},
year = {2025}
}