靶点感知的分子图生成
机器学习
2022-10-24 v2 人工智能
摘要
生成具有所需生物活性的分子在药物发现中引起了越来越多的关注。以往的分子生成模型被设计为以化学为中心的方法，几乎不考虑药物-靶点相互作用，限制了其实际应用。本文旨在以靶点感知的方式生成分子药物，从而连接生物活性与分子设计。为解决这一问题，我们从多个公开数据集中编制了一个基准数据集，并在一个统一框架内构建了基线模型。基于近期基于流的分子生成模型的优势，我们提出了 SiamFlow，它强制流在潜在空间中拟合靶点序列嵌入的分布。具体来说，我们采用对齐损失和均匀损失，使靶点序列嵌入和药物图嵌入达成一致，同时避免坍缩。此外，通过学习靶点序列嵌入的空间，我们将对齐问题形式化为一个一对多问题。实验定量表明，我们提出的方法在潜在空间中学习到了面向靶点感知分子图生成的有意义表示，并为药物发现中连接生物学与化学提供了一种替代途径。
引用
@article{arxiv.2202.04829,
title = {Target-aware Molecular Graph Generation},
author = {Cheng Tan and Zhangyang Gao and Stan Z. Li},
journal= {arXiv preprint arXiv:2202.04829},
year = {2022}
}
备注
Accepted by the 2nd AI4Science Workshop at the 39th International Conference on Machine Learning (ICML), 2022