从全息口袋到电子密度: 基于密度的 GPT 式药物设计
人工智能
2026-05-12 v1
摘要
近期生成式建模的进展推动了结构导向药物设计(SBDD)的显著进展。现有方法通常以空洞结合口袋（即完整复合物中的空腔）为条件生成分子，忽略了如配体和溶剂等有信息的组成部分。本文利用从填充物（配体和溶剂）中获得的低分辨率电子密度(ED)，作为 \textit{de novo} 药物设计的物理依据条件。我们考虑两种类型的 ED：计算得到的和 cryo-EM/X-ray，可来自计算或实验来源，支持统一的预训练与实验集成。相较于刚性口袋表示，实验 ED 自然捕捉构象柔性，提供更忠实的结合环境描述。基于此，我们引入 EDMolGPT，一个仅解码器的自回归框架，基于低分辨率 ED 点云生成分子。通过以物理有意义的密度信号为生成依据，EDMolGPT 减轻结构偏置，生成具有 3D 构象的分子。针对 101 个生物靶点进行评估验证了其有效性。项目页面: https://jiahaochen1.github.io/EDMolGPT_Page/。
引用
@article{arxiv.2605.08767,
title = {From Holo Pockets to Electron Density: GPT-style Drug Design with Density},
author = {Jiahao Chen and Letian Gao and Yanhao Zhu and Wenbiao Zhou and Bing Su and Zhi John Lu and Bo Huang},
journal= {arXiv preprint arXiv:2605.08767},
year = {2026}
}
备注
Published as a conference paper in ICML 2026