MSCoD：面向基于结构药物设计的结合多尺度信息瓶颈与协同注意力的增强贝叶斯更新框架
机器学习
2025-11-18 v2
摘要
基于结构的药物设计是计算药物发现中的一种强大策略，利用三维蛋白质结构来指导具有改善的结合亲和力的分子设计。然而，跨多尺度捕捉复杂的蛋白质-配体相互作用仍然具有挑战性，因为当前方法通常忽略了这些相互作用的层级组织和内在不对称性。为了解决这些局限性，我们提出了 MSCoD，一种新颖的基于贝叶斯更新的基于结构药物设计生成框架。在我们的 MSCoD 中，开发了多尺度信息瓶颈，能够在多个抽象层级进行语义压缩，从而实现高效的层级特征提取。此外，还开发了多头协同注意力机制，该机制采用不对称的蛋白质到配体注意力来捕捉多样的相互作用类型，同时解决蛋白质与配体之间的维度差异。实证研究表明，MSCoD 在基准数据集上优于 SOTA 方法。通过对 KRAS G12D (7XKJ) 等困难靶点的案例研究，证实了其在现实世界中的适用性。此外，MSIB 和 MHCA 模块被证明具有可迁移性，在标准药物靶点亲和力预测基准（Davis 和 Kiba）上提升了 GraphDTA 的性能。本文相关的代码和数据可在 https://github.com/xulong0826/MSCoD 免费获取。
引用
@article{arxiv.2509.25225,
title = {MSCoD: An Enhanced Bayesian Updating Framework with Multi-Scale Information Bottleneck and Cooperative Attention for Structure-Based Drug Design},
author = {Long Xu and Yongcai Chen and Fengshuo Liu and Yuzhong Peng},
journal= {arXiv preprint arXiv:2509.25225},
year = {2025}
}
备注
11 pages, 5 figures