基于几何信息的GFlowNets用于基于结构的药物设计
机器学习
2024-06-18 v1 生物大分子
摘要
药物发现成本的上升以及当前发现速度的不足，凸显了对更高效的基于结构的药物设计 (SBDD) 方法的需求。我们采用生成流网络 (GFlowNets) 来有效探索类药分子的巨大组合空间，这是传统虚拟筛选方法无法覆盖的。我们对 GFlowNet 框架引入了一项新颖的修改，即融入三角一致嵌入，该嵌入先前用于涉及蛋白质构象和蛋白质-配体相互作用的任务中，以增强模型生成针对特定蛋白质口袋的定制分子的能力。我们修改了 GFlowNets 使用的现有蛋白质条件化方法，融合了来自蛋白质和配体嵌入的几何信息，以实现更几何一致的嵌入。使用 CrossDocked2020 进行的实验表明，与先前工作相比，在单目标和多目标任务中，生成分子与蛋白质口袋之间的结合亲和力均有所提高。此外，我们提出了旨在进一步增加蛋白质-配体相互作用中捕获的几何信息的未来工作。
关键词
引用
@article{arxiv.2406.10867,
title = {Geometric-informed GFlowNets for Structure-Based Drug Design},
author = {Grayson Lee and Tony Shen and Martin Ester},
journal= {arXiv preprint arXiv:2406.10867},
year = {2024}
}
备注
Accepted at MoML 2024 as Spotlight