基于双通道变分自编码器的表型特征信息驱动的类药分子生成
生物大分子
2025-06-04 v1 人工智能
机器学习
摘要
能够诱导理想表型变化的类药分子的从头生成正受到越来越多的关注。然而，以往的方法主要依赖表达谱来指导分子生成，却忽略了分子对细胞环境的扰动效应。为了克服这一局限性，我们提出了 SmilesGEN，一种基于变分自编码器（VAE）架构的新型生成模型，用于生成具有潜在治疗效果的分子。SmilesGEN 将预训练的药物 VAE（SmilesNet）与表达谱 VAE（ProfileNet）相结合，在共同的潜在空间中联合建模药物扰动与转录响应之间的相互作用。具体而言，ProfileNet 被设定为在消除潜在空间中药物诱导的扰动时重建处理前的表达谱，而 SmilesNet 则根据理想的表达谱生成类药分子。我们的实验表明，SmilesGEN 在生成分子的有效性、独特性、新颖性以及与靶向相关蛋白的已知配体更高的 Tanimoto 相似度方面，均优于当前最先进的模型。此外，我们评估了 SmilesGEN 在基于骨架的分子优化和治疗药物生成中的表现，并证实了其在生成与已批准药物相似度更高的分子方面的优越性能。SmilesGEN 建立了一个稳健的框架，利用基因特征生成类药分子，这些分子具有诱导理想细胞表型变化的良好潜力。
引用
@article{arxiv.2506.02051,
title = {Phenotypic Profile-Informed Generation of Drug-Like Molecules via Dual-Channel Variational Autoencoders},
author = {Hui Liu and Shiye Tian and Xuejun Liu},
journal= {arXiv preprint arXiv:2506.02051},
year = {2025}
}
备注
IJCAI2025