基于神经场的全原子分子生成
机器学习
2025-11-21 v1 生物大分子
摘要
结构导向药物设计的生成模型通常局限于特定模态，限制了其更广泛的适用性。为此，我们引入 FuncBind，一个基于计算机视觉的框架，用于生成针对目标的、跨原子系统的全原子分子。FuncBind 使用神经场将分子表示为连续原子密度，并采用从计算机视觉领域改编的现代体系结构的基于得分的生成模型。这一模态无关的表示允许训练一个统一的模型，在来自小到大分子的多样化原子系统上进行，并处理可变的原子/残基数量，包括非标准氨基酸。FuncBind 在生成小分子、环肽和抗体可变区区域（CDR）循环方面实现了与现有方法相当的 in silico 性能。FuncBind 还通过对两种选定共晶结构的 CDR H3 区域进行 de novo 重构，生成了体内新型抗体结合物。作为最后一项贡献，我们引入了一个用于结构条件下环肽生成的新数据集和基准。代码已在 https://github.com/prescient-design/funcbind 提供。
引用
@article{arxiv.2511.15906,
title = {Unified all-atom molecule generation with neural fields},
author = {Matthieu Kirchmeyer and Pedro O. Pinheiro and Emma Willett and Karolis Martinkus and Joseph Kleinhenz and Emily K. Makowski and Andrew M. Watkins and Vladimir Gligorijevic and Richard Bonneau and Saeed Saremi},
journal= {arXiv preprint arXiv:2511.15906},
year = {2025}
}
备注
NeurIPS 2025