SynthFormer：基于药物构象的等变性分子可综合生成，用于配体基药物设计
机器学习
2025-01-30 v2
摘要
药物发现是复杂且耗时的过程，需要大量时间和成本才能将新药带给患者。许多生成模型旨加速药物发现，但很少产生可综合的分子。相反，面向合成的模型并未利用对于有效药物设计至关重要的 3D 信息。我们介绍了 SynthFormer，一种新的机器学习模型，用于生成完全可综合的分子，结构为合成树，通过引入 3D 信息和药物构象作为输入。SynthFormer 采用 3D 等变图神经网络对药物构象进行编码，随后采用基于 Transformer 的合成感知解码机制，用于构建作为记号序列的合成树。这一方法是首创性的，可为基于药物构象设计活性分子、探索命中分子周围可综合化学空间以及优化其性质提供能力。我们通过各种具有挑战性的任务演示了其有效性，包括为多种蛋白质设计活性化合物、执行命中扩增和优化分子性质。
关键词
引用
@article{arxiv.2410.02718,
title = {SynthFormer: Equivariant Pharmacophore-based Generation of Synthesizable Molecules for Ligand-Based Drug Design},
author = {Zygimantas Jocys and Zhanxing Zhu and Henriette M. G. Willems and Katayoun Farrahi},
journal= {arXiv preprint arXiv:2410.02718},
year = {2025}
}