基于对比 3D 蛋白质-配体学习的结构引导分子设计
机器学习
2026-04-22 v1
摘要
基于结构的药物发现面临着双重挑战：既要准确捕捉 3D 蛋白质-配体相互作用，又要在超大规模化学空间中导航以识别具有合成可行性的候选药物。在本工作中，我们提出了一个统一框架，通过将对比 3D 结构编码与以商业化合物空间为条件的自回归分子生成相结合来解决这些挑战。首先，我们引入了一个 SE(3) 等变 Transformer，它通过对比学习将配体和口袋结构编码到一个共享嵌入空间中，在零样本虚拟筛选中取得了具有竞争力的结果。其次，我们将这些嵌入整合到一个多模态化学语言模型（MCLM）中。该模型以口袋或配体结构为条件生成靶点特异性分子，并利用学习到的数据集标记将输出引导至目标化学空间，从而在多种靶点上产生具有良好预测结合性质的候选分子。
引用
@article{arxiv.2604.19562,
title = {Structure-guided molecular design with contrastive 3D protein-ligand learning},
author = {Carles Navarro and Philipp Tholke and Gianni de Fabritiis},
journal= {arXiv preprint arXiv:2604.19562},
year = {2026}
}