面向大规模虚拟筛选的适配结构建模：AuroBind
机器学习
2025-08-05 v1 人工智能
摘要
绝大多数人类蛋白质至今未被药物利用，超过96%的人类蛋白质尚未被批准的治疗方案所覆盖。虽然基于结构的虚拟筛选承诺可拓展可药化生物学谱系，但现有方法缺乏原子级精度，无法预测结合适配性，限制了其转化影响。我们提出AuroBind，一个可扩展的虚拟筛选框架，通过在百万级化生物组学数据上对自定义原子级结构模型进行微调。AuroBind集成了直接偏好优化、来自高置信度复合物的自蒸馏以及教师-学生加速策略，联合预测配体结合结构和结合适配性。该方法在结构和功能基准测试中超越了当前最先进的模型，同时实现了对超大型化合物库的百万倍加速筛选。在针对十个疾病相关靶点的前瞻性筛选中，AuroBind实现了7%至69%的实验命中率，其中顶级化合物达到亚纳mol至皮mol的亲和力。对于失门GPCR靶点GPR151和GPR160，AuroBind识别出agonist和antagonist，成功率达16%至30%，功能实验确认GPR160在肝癌和前列腺癌模型中的调制作用。AuroBind提供了一个可推广的框架，用于结构-功能学习和高通量分子筛选，弥合了结构预测与治疗发现之间的鸿沟。
引用
@article{arxiv.2508.02137,
title = {Fitness aligned structural modeling enables scalable virtual screening with AuroBind},
author = {Zhongyue Zhang and Jiahua Rao and Jie Zhong and Weiqiang Bai and Dongxue Wang and Shaobo Ning and Lifeng Qiao and Sheng Xu and Runze Ma and Will Hua and Jack Xiaoyu Chen and Odin Zhang and Wei Lu and Hanyi Feng and He Yang and Xinchao Shi and Rui Li and Wanli Ouyang and Xinzhu Ma and Jiahao Wang and Jixian Zhang and Jia Duan and Siqi Sun and Jian Zhang and Shuangjia Zheng},
journal= {arXiv preprint arXiv:2508.02137},
year = {2025}
}
备注
54 pages, 13 figures, code available at https://github.com/GENTEL-lab/AuroBind