Seq2Mol：通过深度神经网络以目标蛋白序列为条件自动设计从头分子
生物大分子
2020-11-02 v1 定量方法
摘要
分子的从头设计近来已借助生成式深度神经网络的能力。当前方法旨在生成类似于训练集中分子性质的分子，或相对于特定物理化学性质被优化的分子。这些方法均不生成特定于目标蛋白的分子。在此提出的方法中，我们引入一种以蛋白目标序列为条件来生成与该目标相关的从头分子的方法。我们使用改编自 Google 的“Show and Tell”图像字幕生成方法的实现，从由深度双向语言模型 ELMo 生成的蛋白序列嵌入来生成分子的 SMILES 字符串。ELMo 用于生成蛋白序列的上下文嵌入向量。利用强化学习，通过增广情景似然对训练模型进一步优化，以相比训练集增加所生成化合物的多样性。我们使用该模型为两个主要药物靶点家族即 GPCR 和酪氨酸激酶靶点生成化合物。该模型生成的化合物在结构上不同于训练集，同时相比随机分子集合更类似于已知结合于这两类药物靶点的化合物。这些化合物还显示出合理的可合成性和类药性分数。
引用
@article{arxiv.2010.15900,
title = {Seq2Mol: Automatic design of de novo molecules conditioned by the target protein sequences through deep neural networks},
author = {Ahmadreza Ghanbarpour and Markus A. Lill},
journal= {arXiv preprint arXiv:2010.15900},
year = {2020}
}