BindCLIP：用于虚拟筛选的统一对比-生成表示学习框架
机器学习
2026-02-18 v1
摘要
虚拟筛选旨在从海量化学库中高效识别给定靶点口袋的活性配体。最近的 CLIP-style 模型如 DrugCLIP 通过将口袋和配体嵌入共享空间来实现可扩展的虚拟筛选。然而，我们的分析表明，这些表示对细粒度的结合相互作用不够敏感，可能依赖训练数据中的捷径关联，限制了其按真实结合兼容性对配体进行排序的能力。为此，我们提出 BindCLIP，一个用于虚拟筛选的统一对比-生成表示学习框架。BindCLIP 联合训练口袋和配体编码器，采用 CLIP-style 对比学习，同时引入基于口袋条件的扩散目标用于结合构象生成，以便让构象级监督信息直接塑造检索嵌入空间，以致于更关注相互作用特征。为进一步缓解捷径依赖问题，我们引入硬性负样本增强和配体-配体锚定正则化器，以防止表示塌陷。在两个公开基准上进行实验，显示在强基线上持续取得改进。BindCLIP 在具有挑战性的 out-of-distribution 虚拟筛选任务上取得显著提升，并在 FEP+ 基准上改善了配体类比的排序。这些结果表明，将生成式、构象级监督与对比学习集成，能够获得更具相互作用感知力的嵌入，并在现实筛选场景中提升泛化能力，使虚拟筛选更接近实际应用场景。
关键词
引用
@article{arxiv.2602.15236,
title = {BindCLIP: A Unified Contrastive-Generative Representation Learning Framework for Virtual Screening},
author = {Anjie Qiao and Zhen Wang and Yaliang Li and Jiahua Rao and Yuedong Yang},
journal= {arXiv preprint arXiv:2602.15236},
year = {2026}
}