对比几何学习解锁统一的基于结构和基于配体的药物设计
机器学习
2026-02-04 v2 机器学习
摘要
基于结构的和基于配体的计算药物设计传统上依赖于不相交的数据源和建模假设，限制了它们在大规模上的联合使用。在这项工作中，我们引入了用于统一计算药物设计的对比几何学习（ConGLUDe），这是一个单一的对比几何模型，统一了基于结构和基于配体的训练。ConGLUDe 将一个生成全蛋白表示和预测结合位点隐式嵌入的几何蛋白编码器与一个快速配体编码器耦合，从而无需预定义口袋。通过对比学习将配体与全局蛋白表示和多个候选结合位点对齐，ConGLUDe 除了支持虚拟筛选和靶点垂钓外，还支持配体条件下的口袋预测，同时它是在蛋白-配体复合物和大规模生物活性数据上联合训练的。在多个基准测试中，ConGLUDe 取得了有竞争力的零样本虚拟筛选性能，在具有挑战性的靶点垂钓任务上大幅优于现有方法，并展示了最先进的配体条件口袋选择。这些结果突显了统一结构-配体训练的优势，并将 ConGLUDe 定位为迈向药物发现通用基础模型的一步。
引用
@article{arxiv.2601.09693,
title = {Contrastive Geometric Learning Unlocks Unified Structure- and Ligand-Based Drug Design},
author = {Lisa Schneckenreiter and Sohvi Luukkonen and Lukas Friedrich and Daniel Kuhn and Günter Klambauer},
journal= {arXiv preprint arXiv:2601.09693},
year = {2026}
}
备注
ELLIS ML4Molecules Workshop 2025, ELLIS Unconference, Copenhagen 2025 Revised version with additional timing evaluation