利用预训练分子嵌入距离推进基于配体的虚拟筛选与分子生成
机器学习
2026-04-28 v1
摘要
分子相似性在基于配体的药物发现中起着核心作用，例如虚拟筛选、类似物搜索和目标导向的分子生成。然而，传统的相似性度量方法，从基于分子指纹的 Tanimoto 系数到 3D 形状叠加，在大规模计算时通常计算成本高昂，或依赖于手工设计的分子描述符。同时，许多面向相似性感知设计的深度学习方法仍然依赖于特定于相似性的监督或昂贵的数据整理，限制了它们在不同靶点间的通用性。在本工作中，我们提出预训练嵌入距离（PED）作为一种有效的替代方案，它直接从预训练分子模型中计算得出，无需任务特定的训练。实验结果表明，PED 与传统相似性度量表现出显著的相关性，并且在虚拟筛选的分子排序和通过奖励设计指导分子生成方面均表现有效。这些发现表明，预训练分子嵌入捕获了丰富的结构信息，可以作为现代 AI 辅助药物发现中一种有前景且可扩展的相似性度量方法。
引用
@article{arxiv.2604.24474,
title = {Advancing Ligand-based Virtual Screening and Molecular Generation with Pretrained Molecular Embedding Distance},
author = {Shiyun Wa and Yifei Wang and Simone Sciabola and Ye Wang},
journal= {arXiv preprint arXiv:2604.24474},
year = {2026}
}
备注
26 pages, 12 figures, 9 tables