EvoEGF-Mol: 用于基于结构的药物设计的指数测地流演化
机器学习
2026-05-26 v2
摘要
基于结构的药物设计(SBDD)旨在发现生物活性配体。传统方法在欧几里得空间和概率空间分别构建连续原子坐标与离散化学类别的概率路径，导致与底层统计流形之间的不匹配。我们通过对分子进行组合指数分布建模，將坐标和类别在统一的自然参数空间中表示，以在费马尔-罗度度量下沿指数测地线同步演化。为避免直接针对Dirac分布导致轨迹瞬时坍缩的问题，我们提出了用于SBDD的演化指数测地流(EvoEGF-Mol)，该方法用动态浓缩分布取代静态Dirac目标，并采用渐进参数精炼架构进行训练。该模型在CrossDock上实现了接近参考水平PoseBusters的通过率(93.4%)，在几何精度和相互作用保真度方面表现卓越，同时在针对真实MolGenBench任务的生物活性骨架恢复中优于基线方法。代码已公开于https://github.com/BLEACH366/EvoEGF-Mol。
引用
@article{arxiv.2601.22466,
title = {EvoEGF-Mol: Evolving Exponential Geodesic Flow for Structure-based Drug Design},
author = {Yaowei Jin and Junjie Wang and Cheng Cao and Penglei Wang and Duo An and Qian Shi},
journal= {arXiv preprint arXiv:2601.22466},
year = {2026}
}
备注
Accepted to ICML 2026