SculptDrug：基于贝叶斯流模型的空间条件感知药物结构设计
机器学习
2025-11-27 v2
摘要
基于结构的药物设计（Structure-Based drug design，SBDD）已成为药物发现的热门方法，利用三维蛋白质结构生成药物配体。然而，现有的生成模型面临几个关键挑战：（1）纳入边界条件约束，（2）整合层次化结构条件，（3）确保空间建模保真度。为此，本文提出 SculptDrug，一种基于贝叶斯流网络（Bayesian flow networks，BFNs）的空间条件感知生成模型。首先，SculptDrug 遵循基于 BFN 的框架，采用渐进去噪策略以确保空间建模保真度，迭代细化原子位置，同时增强局部相互作用，以实现精确的空间对齐。其次，我们引入边界感知模块（Boundary Awareness Block），将蛋白质表面约束纳入生成过程，以确保生成的配体与靶标蛋白具有几何兼容性。最后，我们设计了层次化编码器（Hierarchical Encoder），捕获全局结构背景，同时保留细粒度的分子相互作用，确保整体一致性和准确的配体-蛋白构象。我们在 CrossDocked 数据集上评估了 SculptDrug，实验结果表明，SculptDrug 在多个 SOTA 基准上均取得优异性能，凸显了空间条件感知建模的有效性。
引用
@article{arxiv.2511.12489,
title = {SculptDrug : A Spatial Condition-Aware Bayesian Flow Model for Structure-based Drug Design},
author = {Qingsong Zhong and Haomin Yu and Yan Lin and Wangmeng Shen and Long Zeng and Jilin Hu},
journal= {arXiv preprint arXiv:2511.12489},
year = {2025}
}