h-MINT：基于分层分子相互作用网络建模口袋-配体结合
机器学习
2026-04-28 v1
摘要
精准的分子表征是药物发现的关键挑战，核心在于捕捉分子片段的化学环境，因为关键相互作用（如 H 桥联和 π 堆积）仅在特定局部条件下才会发生。大多数现有方法将分子表示为原子级图；然而，原子级表示难以表达更高阶的化学上下文（如立体化学、孤对电子、共轭）。片段基方法（如主子图、预定义功能基团）也无法保留手性、芳香性和离子状态等关键信息。本工作从两个方面解决上述局限性。（i）OverlapBPE 分词。我们提出一种新型数据驱动的分子分词方法。与现有方法不同，本方法允许重叠片段，反映小分子亚结构边界本质上的模糊性，并通过分词层面的化学信息丰富化，进而保留更完整的化学上下文。（ii）h-MINT 模型。OverlapBPE 引入了许多对许多的原子-片段映射，故需一种新的分层架构。我们因此开发了一种能够同时建模原子级和片段级相互作用的分层分子相互作用网络。通过支持片段重叠，该模型自然适应 OverlapBPE 方案引入的许多对许多的原子-片段映射。广泛的评估表明，我们的方法在 PDBBind 和 LBA 上对结合亲和力预测提高了 2-4% 的 Pearson/Spearman 相关性，在 DUD-E 和 LIT-PCBA 上虚拟筛选关键指标提升 1-3%，并在 PubChem 实验室筛选中实现最佳整体 HTS 性能。进一步分析表明，本方法有效捕捉了相互作用信息，同时保持良好的泛化能力。
引用
@article{arxiv.2604.23134,
title = {h-MINT: Modeling Pocket-Ligand Binding with Hierarchical Molecular Interaction Network},
author = {Yanru Qu and Yijie Zhang and Wenjuan Tan and Xiangzhe Kong and Xiangxin Zhou and Chaoran Cheng and Mathieu Blanchette and Jiaxuan You and Ge Liu},
journal= {arXiv preprint arXiv:2604.23134},
year = {2026}
}