利用深度生成模型基于受体结合位点条件生成三维分子结构
化学物理
2020-11-24 v3 机器学习
生物大分子
摘要
深度生成模型已越来越成功地应用于以SMILES字符串和分子图形式生成二维分子。在这项工作中，我们首次描述了一种深度生成模型，能够基于三维（3D）结合口袋条件生成三维分子结构。利用卷积神经网络，我们将原子密度网格编码为独立的受体和配体潜空间。配体潜空间为变分形式以支持新分子的采样。解码器网络基于受体条件生成新配体的原子密度。随后将离散原子拟合到这些连续密度上以创建分子结构。我们展示了可以从由参考“种子”结构定义的变分潜空间中轻松采样出有效且唯一的分子，且生成的结构与结合位点具有合理的相互作用。随着在潜空间中采样离种子结构越来越远，生成结构的新颖性增加，但预测的结合亲和力下降。总体而言，我们证明了条件三维分子结构生成的可行性，并为那些同时显式优化所需分子性质（如高结合亲和力）的方法提供了起点。
引用
@article{arxiv.2010.14442,
title = {Generating 3D Molecular Structures Conditional on a Receptor Binding Site with Deep Generative Models},
author = {Tomohide Masuda and Matthew Ragoza and David Ryan Koes},
journal= {arXiv preprint arXiv:2010.14442},
year = {2020}
}