SigmaDock：基于片段 SE(3) 扩散的分子对接解缠方法
机器学习
2026-03-26 v2 定量方法
摘要
确定配体与蛋白质结合构象的过程称为分子对接，这是药物发现中的基础任务。生成式方法相较于基于物理的方法在姿态抽样速度、效果和多样性方面具有优势，但常受化学不合理输出、泛化能力差以及高计算成本的制约。为此，我们提出一种新颖的片段化方案，利用结构化学中的归纳偏置，将配体分解为刚体片段。基于此分解，我们提出 SigmaDock—a 基于 SE(3) 流形扩散模型的框架，通过学习在结合口袋中重组这些刚体来生成构象。由于在 SE(3) 空间中 operate 于片段层面，SigmaDock 利用已建立的几何先验，避免复杂的扩散过程和不稳定的训练动力学。实验表明，SigmaDock 实现了最先进的性能，在 PoseBusters 数据集上实现 Top-1 成功率（RMSD<2 且 PB-valid）超过 79.9%，而最新深度学习方法仅报告 12.7-30.8%，同时展现出对未见蛋白的稳定泛化能力。SigmaDock 是首个在 PB 训练-测试划分下超越经典物理对接方法的深度学习方法，标志着深度学习在分子建模领域可靠性和可行性取得了显著进步。
引用
@article{arxiv.2511.04854,
title = {SigmaDock: Untwisting Molecular Docking With Fragment-Based SE(3) Diffusion},
author = {Alvaro Prat and Leo Zhang and Charlotte M. Deane and Yee Whye Teh and Garrett M. Morris},
journal= {arXiv preprint arXiv:2511.04854},
year = {2026}
}
备注
Camera-ready version for ICLR 2026