面向靶点感知分子生成的半等变连续归一化流
机器学习
2022-11-10 v1 定量方法
摘要
我们提出了一种算法，用于学习给定靶点条件下分子的条件生成模型。具体而言，给定一个希望与之结合的受体分子，该条件模型生成可能与之结合的候选配体分子。该分布应对同时作用于配体和受体的刚体变换保持不变，也应对配体或受体原子的置换保持不变。我们的学习算法基于连续归一化流。我们在流上建立了半等变条件，以保证条件分布满足上述不变性条件。我们提出了一种图神经网络架构来实现该流，其设计旨在有效学习，尽管配体和受体之间尺寸差异巨大。我们在 CrossDocked2020 数据集上评估了我们的方法，在结合亲和力方面相较于竞争方法取得了显著提升。
引用
@article{arxiv.2211.04754,
title = {Semi-Equivariant Continuous Normalizing Flows for Target-Aware Molecule Generation},
author = {Eyal Rozenberg and Daniel Freedman},
journal= {arXiv preprint arXiv:2211.04754},
year = {2022}
}