TacoGFN：面向基于结构的药物设计的靶标条件化 GFlowNet
机器学习
2024-09-09 v6
摘要
在广阔的化学空间中搜索能与蛋白质口袋结合的类药物分子是药物发现中的一项挑战性任务。近来，基于结构的生成模型被引入，其有望通过学习为任意给定蛋白质结构生成分子而更加高效。然而，由于它们学习的是有限的蛋白质-配体复合物数据集的分布，基于结构的方法尚未超越针对单一口袋生成结合分子的基于优化的方法。为克服数据局限同时利用跨蛋白质靶标的学习，我们选择对以口袋结构为条件的奖励分布建模，而非训练数据分布。我们设计了 TacoGFN，一种基于 GFlowNet 的新型基于结构的药物设计方法，其能以正比于亲和力和属性奖励的概率生成以任意蛋白质口袋结构为条件的分子。在 CrossDocked2020 基准的生成式设定中，TacoGFN 取得了 的 SOTA 成功率和 kcal/mol 的中位 Vina Dock 分数，同时将生成时间缩短了数个数量级。对 TacoGFN 微调进一步将中位 Vina Dock 分数提升至 kcal/mol、成功率提升至 ，优于所有基于优化的方法。
引用
@article{arxiv.2310.03223,
title = {TacoGFN: Target-conditioned GFlowNet for Structure-based Drug Design},
author = {Tony Shen and Seonghwan Seo and Grayson Lee and Mohit Pandey and Jason R Smith and Artem Cherkasov and Woo Youn Kim and Martin Ester},
journal= {arXiv preprint arXiv:2310.03223},
year = {2024}
}
备注
Published in Transactions on Machine Learning Research (TMLR), 09/2024