超越亲和力：1D、2D、3D方法基准测试揭示结构驱动药物设计中的关键权衡
机器学习
2026-01-22 v1 人工智能
摘要
目前，结构驱动药物设计领域主要依赖三类算法：搜索型算法、深度生成模型和强化学习。虽然已有研究通常聚焦于单一算法类别内部的模型比较，但跨算法类别的比较仍较稀少。本文为填补这一空白，构建了一个基准测试，评估十五种不同算法基础的模型，通过衡量生成分子的药学属性及其与特定目标蛋白的对接亲和力和构象位点。我们突出了每种算法方法的独特优势，并为未来药物设计模型的设计提供了建议。我们强调，1D/2D配体中心的药物设计方法可通过将对接函数当作黑箱预言机来在药物设计中使用，这一点往往被忽视。我们的评估结果显示，不同模型类别之间存在显著的模式差异。3D结构驱动模型在结合亲和力方面表现出色，但在化学有效性和构象质量方面表现不一。1D模型在标准分子指标上表现可靠，但很少实现最佳结合亲和力。2D模型在化学有效性保持较高水平的同时，还能获得适中的数据得分。通过对多种蛋白目标进行详细分析，我们为每一模型类别的关键改进领域提供了洞察，为研究者提供了灵感，如何结合不同方法的优势以克服其局限性。所有用于基准测试的代码均已公开于 https://github.com/zkysfls/2025-sbdd-benchmark
引用
@article{arxiv.2601.14283,
title = {Beyond Affinity: A Benchmark of 1D, 2D, and 3D Methods Reveals Critical Trade-offs in Structure-Based Drug Design},
author = {Kangyu Zheng and Kai Zhang and Jiale Tan and Xuehan Chen and Yingzhou Lu and Zaixi Zhang and Lichao Sun and Marinka Zitnik and Tianfan Fu and Zhiding Liang},
journal= {arXiv preprint arXiv:2601.14283},
year = {2026}
}