arXiv:2409.19645

FlexSBDD: Structure-Based Drug Design with Flexible Protein Modeling

Zaixi Zhang, Mengdi Wang, Qi Liu

제출 2024-09-29

원문 초록

Structure-based drug design (SBDD), which aims to generate 3D ligand molecules binding to target proteins, is a fundamental task in drug discovery. Existing SBDD methods typically treat protein as rigid and neglect protein structural change when binding with ligand molecules, leading to a big gap with real-world scenarios and inferior generation qualities (e.g., many steric clashes). To bridge the gap, we propose FlexSBDD, a deep generative model capable of accurately modeling the flexible protein-ligand complex structure for ligand molecule generation. FlexSBDD adopts an efficient flow matching framework and leverages E(3)-equivariant network with scalar-vector dual representation to model dynamic structural changes. Moreover, novel data augmentation schemes based on structure relaxation/sidechain repacking are adopted to boost performance. Extensive experiments demonstrate that FlexSBDD achieves state-of-the-art performance in generating high-affinity molecules and effectively modeling the protein's conformation change to increase favorable protein-ligand interactions (e.g., Hydrogen bonds) and decrease steric clashes.

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2607.08404v1q-bio.QM공통 태그 Drug Discovery, Drug Design

DrugGen 2: 신약 발견 향상을 위한 질병 인식 언어 모델

DrugGen 2: A disease-aware language model for enhancing drug discovery

신약 설계를 위한 현재의 계산적 접근법은 일반적으로 특정 타겟 또는 일반적인 분자 특성에 조건화하여 분자를 생성하는 데 초점을 맞추며, 타겟 거동 및 치료 결과에 대한 질병 맥락의 영향을 종종 간과한다. 이러한 간극을 해소하기 위해, 우리는 질병 온톨로지(disease ontology)와 타겟 단백질 서열 모두에 조건화하여 소분자를 설계하는 새로운 생성 모델인 DrugGen-2를 소개한다. DrugGen-2는 사전학습된 GPT-2 모델을 질병 및 타겟과 연결된 승인 약물의 큐레이션된 데이터셋에 대해 미세조정하여 개발되었으며, 지도 미세조정에 이어 그룹 상대 정책 최적화(GRPO, group relative policy optimization)를 통한 강화학습으로 구성된 2단계 전략을 사용하였다. 이 과정은 화학적 유효성, 신규성, 다양성 및 높은 예측 결합 친화도를 최적화하는 보상 함수에 의해 가이드되었다. 당뇨병성 신증에 관련된 5개의 단백질 타겟에 대한 평가에서, DrugGen-2는 기준선 모델(DrugGPT 및 DrugGen)을 크게 능가하였다. DrugGen-2는 고유한 분자를 생성하는 우월한 능력을 보여주었고, 승인 약물과의 더 높은 구조적 유사성을 나타냈으며, 모든 타겟에서 개선된 예측 결합 친화도를 달성하였다. 분자 도킹 분석은 이러한 결과를 추가로 뒷받침하였으며, 앤지오텐신 전환 효소에 대한 에날라프릴(-8.283) 등 참조 약물을 초과하는 예측 친화도(-9.917, -9.485, -9.367)를 가진 화합물을 포함하여 강한 결합 잠재력을 가진 후보 리간드를 식별하였다. 분자 생성에 질병 특이적 맥락을 통합함으로써, DrugGen-2는 질병과 분자 타겟 간의 복잡한 상호작용을 고려하는 드 노보(de novo) 설계 및 약물 재창출을 위한 강력한 도구를 제공하며 AI 기반 신약 발견을 발전시킨다.

arXiv:2607.12380v2cs.LG공통 태그 Drug Discovery

SinAE: 교차 도메인 원자계를 위한 단일 아키텍처 플로우 매칭 오토인코더

SinAE: A Single-Architecture Flow-Matching Autoencoder for Cross-Domain Atomic Systems

소분자, 결정체, 단백질은 모두 3차원 공간의 원자로 환원되지만, 생성 파이프라인은 여전히 도메인별로 분절되어 있으며 각각 고유한 그래프, 등변(equivariant), 또는 프레임 기반 아키텍처를 사용한다. 교차 도메인 학습은 도메인별 데이터 부족을 완화할 수 있지만, 3차원 좌표 공간에서의 직접 생성은 세 도메인 모두의 이질적인 구조적 사전지식을 쉽게 다루기 어렵고, 기존 잠재 오토인코더 중 무손실이면서 세 도메인 모두에 걸쳐 아키텍처적으로 일반적인 것은 없다. 우리는 분자, 결정체, 단백질을 위한 단일 아키텍처 플로우 매칭 오토인코더인 SinAE를 제안하며, 이는 바닐라 트랜스포머 인코더와 디코더를 사용하고 등변, 그래프, 또는 도메인 특화 연산자를 포함하지 않는다. 인코더가 세밀한 기하를 포착하도록 요구하는 대신, SinAE는 재구성 부담을 반복적 플로우 매칭 디코더로 옮겨 도메인 전반에 걸쳐 거의 무손실 재구성을 달성하고, 기존 잠재 베이스라인 대비 재구성 오차를 여러 차수에 걸쳐 감소시킨다. 동일한 토큰별 잠재는 표준 Diffusion Transformer 사전 모델을 지원하며, 이는 분자, 결정체, 단백질 생성 벤치마크에서 강력한 성능을 달성한다. 분자-결정체 공동 학습은 두 도메인 모두를 뚜렷이 개선하여, 공유 원자 잠재를 통한 교차 도메인 전이의 직접적 증거를 제공한다. 코드는 https://github.com/BlueWhaleLab/SinAE 에서 이용할 수 있다.

arXiv:2607.09737v2physics.chem-ph공통 태그 Drug Discovery

Q-Score: 분자 도킹을 위한 양자 네이티브 스코어링 함수

Q-Score: A Quantum-Native Scoring Function for Molecular Docking

분자 도킹은 소분자가 단백질에 결합하는 방식을 예측하며, 신약 개발의 핵심 병목 단계이다. 고전적인 스코어링 함수는 경험적 쌍별 접촉을 합산하는 방식으로, 결합 특이성을 결정하는 궤도 전하 이동과 같은 양자역학적 효과를 반영하지 못한다. 본 연구에서는 Q-Score를 제안한다. Q-Score는 GNN으로 예측된 궤도 전자 공여-수용 에너지를 가중 그래프로 인코딩하고, Digitized-Counterdiabatic QAOA를 통해 최대 가중치 정점 클리크 문제를 풀어 결합을 스코어링한다. 각 상호작용 앵커는 하나의 큐비트에 대응되며, 호환성 제약 조건은 에지로 표현된다. 11개의 단백질 타겟에 대해 DC-QAOA는 10큐비트에서 8개의 타겟에서 정확한 최적해를 복원한다. AI 생성 분자 1,000개에 대해 Q-Score는 Spearman rho 0.05로 고전적 스코어링과 직교하며, rho 0.90으로 궤도 품질에 의해 주도되고, 분자량 바이어스가 없으며, 무작위 대비 두 배의 비율로 강한 궤도 상호작용을 농축시킨다. DC-QAOA는 52%의 정확률과 함께 평균 근사 비율 0.94를 달성한다. IBM Eagle에서 1,000개의 회로 실행을 통해 NISQ 하드웨어상 6큐비트 문제의 해결 가능성이 확인되었다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.