用于基于配体药物设计的等变形状条件化 3D 分子生成
化学物理
2022-10-12 v1 机器学习
生物大分子
摘要
基于形状的虚拟筛选在基于配体的药物设计中被广泛用于搜索化学库，以寻找相比已知配体具有相似 3D 形状但新颖 2D 化学结构的分子。3D 深度生成模型有潜力自动化这种对形状条件化 3D 化学空间的探索；然而，现有模型均无法可靠地生成以特定形状（如已知结合构象）为构象的有效类药物分子。我们引入一种新的多模态 3D 生成模型，通过等变编码分子形状与变分编码化学身份，实现形状条件化 3D 分子设计。我们利用基于自回归片段的生成与启发式成键几何确保生成分子的局部几何与化学有效性，使模型能优先对可旋转键打分，以最佳对齐生长中的构象结构至目标形状。我们在与药物设计相关的任务中评估了我们的 3D 生成模型，包括化学多样分子结构的形状条件化生成与形状约束分子性质优化，展示了其相对于枚举库虚拟筛选的效用。
引用
@article{arxiv.2210.04893,
title = {Equivariant Shape-Conditioned Generation of 3D Molecules for Ligand-Based Drug Design},
author = {Keir Adams and Connor W. Coley},
journal= {arXiv preprint arXiv:2210.04893},
year = {2022}
}