ActivityDiff：基于正负活性指导的扩散模型用于原创药物设计
机器学习
2025-08-11 v1 人工智能
生物大分子
摘要
在原创药物设计中，实现对分子生物活性（包括靶向激活/抑制、协作多靶点调制和脱靶毒性缓解）的精确控制，仍是关键挑战。然而，现有生成方法主要关注产生单一目标活性的分子，缺乏对多个预期和非预期分子相互作用的集成管理机制。本文提出ActivityDiff，一种基于扩散模型分类器指导技术的生成方法。它利用分别训练的药物靶点分类器进行正负指导，使模型能够增强所需活性，同时最小化有害脱靶效应。实验结果表明，ActivityDiff有效处理了关键药物设计任务，包括单靶/双靶生成、片段约束双靶设计、选择性生成以增强靶点特异性以及减少脱靶效应。这些结果表明分类器引导的扩散在分子设计中平衡疗效与安全性方面具有有效性。总体而言，本工作引入了一种实现分子活性集成控制的新范式，并提供ActivityDiff作为一种通用且可扩展的框架。
引用
@article{arxiv.2508.06364,
title = {ActivityDiff: A diffusion model with Positive and Negative Activity Guidance for De Novo Drug Design},
author = {Renyi Zhou and Huimin Zhu and Jing Tang and Min Li},
journal= {arXiv preprint arXiv:2508.06364},
year = {2025}
}