TextOmics引导的扩散模型用于靶向分子生成
计算与语言
2025-07-15 v1
摘要
具有治疗潜力的靶向药物发现中，Hit-like分子生成至关重要。然而，该领域缺乏异构数据和统一框架，用于整合多样化的分子表征。为弥合这一差距，我们提出TextOmics——一个首创性基准，建立了omics表达与分子文本描述之间的一对一对应关系。TextOmics提供了异构数据集，促进通过表征对齐实现分子生成。基于此基础，我们提出ToDi——一个生成框架，联合条件化于omics表达和分子文本描述，以产生生物学相关且化学有效的Hit-like分子。ToDi利用两个编码器(OmicsEn和TextEn)捕获多层次的生物学和语义关联，开发条件扩散(DiffGen)以实现可控生成。广泛实验表明TextOmics和ToDi的有效性，ToDi在现有SOTA方法中显著优越，并展现出在零样图治疗分子生成方面的显著潜力。源码请参见：https://github.com/hala-ToDi。
引用
@article{arxiv.2507.09982,
title = {TextOmics-Guided Diffusion for Hit-like Molecular Generation},
author = {Hang Yuan and Chen Li and Wenjun Ma and Yuncheng Jiang},
journal= {arXiv preprint arXiv:2507.09982},
year = {2025}
}