学习对齐分子与蛋白质：面向结合亲和力的几何感知方法
机器学习
2025-09-26 v1 人工智能
分子网络
摘要
准确的药物-靶标结合亲和力预测可以通过在昂贵的湿实验筛选之前对有前景的化合物进行优先级排序，从而加速药物发现。虽然深度学习已推动了该任务的发展，但大多数模型通过简单拼接来融合配体和蛋白质表示，缺乏显式的几何正则化，导致在化学空间和时间上的泛化能力较差。我们提出了FIRM-DTI，一个轻量级框架，通过特征线性调制（FiLM）层将分子嵌入条件化于蛋白质嵌入之上，并通过三元组损失强制度量结构。作用于嵌入距离的RBF回归头可生成平滑、可解释的亲和力预测。尽管规模较小，FIRM-DTI在Therapeutics Data Commons DTI-DG基准测试上取得了最先进的性能，这由广泛的消融研究和域外评估所证明。我们的结果强调了条件化和度量学习对于鲁棒的药物-靶标亲和力预测的价值。
引用
@article{arxiv.2509.20693,
title = {Learning to Align Molecules and Proteins: A Geometry-Aware Approach to Binding Affinity},
author = {Mohammadsaleh Refahi and Bahrad A. Sokhansanj and James R. Brown and Gail Rosen},
journal= {arXiv preprint arXiv:2509.20693},
year = {2025}
}
备注
10pages,2 figures