Matcha：用于精确且物理上有效的分子对齐的多阶段黎巴耶流匹配
机器学习
2026-02-09 v3
摘要
精确预测蛋白-配体结合构象对于基于结构的药物设计至关重要，但现有方法在速度、精度和物理可行性之间难以取得平衡。我们引入Matcha，这是一种新的分子对齐管道，结合了多阶段流匹配与物理感知后处理。我们的方法由三个连续应用于逐步细化对齐预测的阶段组成，其中每个阶段都实现为在合适几何空间上（、和）上运行的流匹配模型。通过GNINA能量最小化来提高预测质量，并应用无监督的物理有效性过滤器以消除不现实的构象。与各种方法相比，Matcha在所有考虑的基准测试中表现出优异的物理可行性。此外，我们的方法比现代大规模co折叠模型快约31倍。模型权重和推理代码可在https://github.com/LigandPro/Matcha上获取。
引用
@article{arxiv.2510.14586,
title = {Matcha: Multi-Stage Riemannian Flow Matching for Accurate and Physically Valid Molecular Docking},
author = {Daria Frolova and Talgat Daulbaev and Egor Sevriugov and Sergei A. Nikolenko and Dmitry N. Ivankov and Ivan Oseledets and Marina A. Pak},
journal= {arXiv preprint arXiv:2510.14586},
year = {2026}
}