面向靶向优化与重抽样的有效属性增强对比学习：用于新药设计
机器学习
2025-09-03 v1 人工智能
摘要
在数据有限的条件下，高效引导生成模型向药理学相关区域的化学空间探索仍是分子药物发现中的主要障碍。我们提出了 VECTOR+：一种面向靶向优化和重抽样的有效属性增强对比学习框架，融合属性引导的表征学习与可控分子生成。VECTOR+ 可用于回归和分类任务，使探索功能化化学空间的数据高效且可解释。我们在两个数据集上进行评估：一个精选的PD-L1 抑制剂集合（296 种化合物，实验 IC50 值）和一个受体酪氨酸激酶抑制剂集合（2,056 种分子）。尽管训练数据有限，VECTOR+ 仍能生成新型、可合成的候选分子。针对PD-L1（PDB 5J89），100 个 8,374 个生成分子中超过 -15.0 卡尔文/摩尔的对接阈值，其中最佳得分为 -17.6 卡尔文/摩尔，优于最佳参考抑制剂的 -15.4 卡尔文/摩尔。最佳表现分子保留了保守的双苯药效基，同时引入了新颖的结构模块。分子动力学（250 纳秒）确认了结合稳定性（配体RMSD < 2.5 埃）。VECTOR+ 也推广到酪氨酸激酶抑制剂，生成的化合物在对接得分上优于已知药物如brigatinib和sorafenib。与 JT-VAE 和 MolGPT 进行基准测试，涵盖对接、新颖性、唯一性和Tanimoto相似性，凸显了本方法的优越性能。这些结果表明，我们的工作是一种稳健、可扩展的属性条件分子设计方法，弥合了对比学习与生成模型在低数据环境下可重复、AI 加速的发现之间的鸿沟。
引用
@article{arxiv.2509.00684,
title = {Valid Property-Enhanced Contrastive Learning for Targeted Optimization & Resampling for Novel Drug Design},
author = {Amartya Banerjee and Somnath Kar and Anirban Pal and Debabrata Maiti},
journal= {arXiv preprint arXiv:2509.00684},
year = {2025}
}
备注
Code: https://github.com/amartya21/vector-drug-design.git