PaccMann$^{RL}$ 应用于 SARS-CoV-2：利用条件生成模型设计抗病毒候选药物
定量方法
2020-11-24 v3 机器学习
机器学习
摘要
随着 COVID-19 迅速发展为全球大流行，全球科学家正迫切寻找有效的抗病毒治疗剂。为桥接系统生物学与药物发现，我们提出一种深度学习框架，用于针对给定蛋白靶标的条件从头设计抗病毒候选药物。首先，我们训练一个多模态配体—蛋白结合亲和力模型来预测抗病毒化合物对靶蛋白的亲和力，并将该模型与药理毒性预测器耦合。利用此多目标作为条件分子生成器（由两个 VAE 组成）的奖励函数，我们展示了一个将化学空间导向含更多抗病毒分子区域的框架。具体而言，我们探索了对未见蛋白靶标生成配体的挑战性设定，通过对 41 个 SARS-CoV-2 相关靶蛋白进行留一交叉验证。利用深度 RL，证明在 41 个案例中的 35 个里，生成偏向采样更多结合配体，与无偏 VAE 相比平均提升 83%。我们展示了一个潜在 Envelope 蛋白抑制剂的案例研究，并对最佳生成分子进行了合成可及性评估，其 resemble 了一条通往潜在 SARS-CoV-2 抑制剂快速体外评估的可行路线图。
引用
@article{arxiv.2005.13285,
title = {PaccMann$^{RL}$ on SARS-CoV-2: Designing antiviral candidates with conditional generative models},
author = {Jannis Born and Matteo Manica and Joris Cadow and Greta Markert and Nil Adell Mill and Modestas Filipavicius and María Rodríguez Martínez},
journal= {arXiv preprint arXiv:2005.13285},
year = {2020}
}
备注
5 pages, 6 figures