跨域蛋白结合器的潜在检索增强生成
机器学习
2025-10-17 v2 人工智能
摘要
设计针对特定位点的蛋白结合器，这需要生成足够合理且可解释的相互作用模式，是药物发现中的基本挑战。当前基于结构的生成模型在生成具有足够理性和可解释性的界面方面受限。本文提出了检索增强扩散用于对齐界面（RADiAnce），一个新框架利用已知界面指导新型结合器的设计。通过将检索和生成统一到共享的对比潜在空间中，该模型有效地识别给定结合位点的相关界面，并无缝通过条件潜在扩散生成器将其整合，从而实现跨域界面迁移。广泛的实验表明，RADiAnce 在多个指标上（包括结合亲和力和几何和相互作用的恢复）显著优于基线模型。额外的实验结果验证了跨域的泛化能力，表明从多样化领域（如肽、抗体和蛋白片段）检索界面可增强其他领域结合器的生成性能。我们的工作建立了蛋白结合器设计的新范式，成功地将检索基础知识与生成式 AI 桥接起来，为药物发现开辟了新的可能性。
引用
@article{arxiv.2510.10480,
title = {Latent Retrieval Augmented Generation of Cross-Domain Protein Binders},
author = {Zishen Zhang and Xiangzhe Kong and Wenbing Huang and Yang Liu},
journal= {arXiv preprint arXiv:2510.10480},
year = {2025}
}