基于强化学习的蛋白质靶点特异性骨架抑制剂从头设计
机器学习
2022-05-24 v1
摘要
高效设计与发现靶点驱动分子是促进药物发现中先导优化的关键步骤。当前为目标蛋白开发分子的方法依赖直觉，因利用 3D 结构数据存在计算挑战而导致缓慢的迭代设计-测试周期，并最终受限于化学家的专业知识——从而在分子设计中造成瓶颈。在本文中，我们提出一种称为 3D-MolGNN 的新框架，将强化学习（RL）与基于 3D-Scaffold 的深度生成模型相耦合，从起始核心骨架逐原子生成针对某蛋白的候选靶点。3D-MolGNN 提供了一种在蛋白质口袋内使用并行图神经网络模型通过多目标奖励函数优化关键特征的高效方式。该智能体学习在 3D 空间中构建分子，同时优化为传染病蛋白靶点所生成候选物的活性、结合亲和力、效价与合成可及性。我们的方法可作为一种可解释的人工智能（AI）工具，用于具有优化活性、效价与生物物理性质的先导优化。
引用
@article{arxiv.2205.10473,
title = {De novo design of protein target specific scaffold-based Inhibitors via Reinforcement Learning},
author = {Andrew D. McNaughton and Mridula S. Bontha and Carter R. Knutson and Jenna A. Pope and Neeraj Kumar},
journal= {arXiv preprint arXiv:2205.10473},
year = {2022}
}
备注
Published at the MLDD workshop, ICLR 2022