通过探索增强的潜空间推理赋能大语言模型以进行基于结构的药物设计
机器学习
2026-01-27 v2 人工智能
定量方法
摘要
大语言模型（LLMs）具备强大的表示和推理能力，但其在基于结构的药物设计（SBDD）中的应用受限于对蛋白质结构理解的不足以及分子生成的不可预测性。为了应对这些挑战，我们提出了用于 LLMs 的探索增强潜空间推理（Exploration-Augmented Latent Inference for LLMs, ELILLM），这是一个将 LLM 生成过程重新解释为编码、潜空间探索和解码工作流的框架。ELILLM 显式探索超出模型当前知识范围的设计问题部分，同时使用解码模块处理熟悉区域，从而生成化学有效且合成合理的分子。在我们的实现中，贝叶斯优化引导潜嵌入的系统性探索，位置感知代理模型高效预测结合亲和力分布以指导搜索。知识引导的解码进一步降低了随机性，并有效施加了化学有效性约束。我们在 CrossDocked2020 基准上展示了 ELILLM，与七种基线方法相比，表现出强大的受控探索能力和高结合亲和力得分。这些结果表明 ELILLM 能有效增强 LLMs 在 SBDD 方面的能力。
引用
@article{arxiv.2601.15333,
title = {Empowering LLMs for Structure-Based Drug Design via Exploration-Augmented Latent Inference},
author = {Xuanning Hu and Anchen Li and Qianli Xing and Jinglong Ji and Hao Tuo and Bo Yang},
journal= {arXiv preprint arXiv:2601.15333},
year = {2026}
}