一个专业化和增强的深度生成模型,用于主动分子设计,以亲和预测模型和强化学习为指导的向激酶

科学领域:

• 生物化学 生物化学
• 计算化学计算化学
• 药物发现 药物发现 药物发现

背景情况:

• 蛋白激酶是关键的细胞调节剂和重要的药物点,涉及到癌症等疾病.
• 酶向药物的开发构成了全球制药研究的很大一部分.
• 深度学习在探索化学空间方面表现出色,但目前的模型在目标特异性和所需属性生成方面存在困难.

研究的目的:

• 开发一个增强的深度学习框架,KinGen,用于高效地生成小分子激酶抑制剂.
• 解决当前模型关于目标特异性和产生具有所需生物活性的分子的局限性.
• 加速发现具有高治疗潜力的新型激酶抑制剂.

主要方法:

• 开发了KinGen,这是一个专门的深度学习框架,集成了强化学习,转移学习和奖励模块.
• 在奖励函数中整合了一个绑定亲和力预测模型,以引导分子生成向高目标活性.
• 利用KinGen生成结构有效,独特和多样化的小分子,准激酶.

主要成果:

• KinGen成功地产生了具有高目标活性的多样化和有效分子.
• 生成的激酶抑制剂表现出与已知的药物相比的结合亲和力,平均对接得分为-9.5 kcal/mol.
• 该框架有效地指导了分子优化过程,提高了设计强效化合物的可能性.

结论:

• KinGen是一种强大的人工智能工具,用于加速酶向药物发现.
• 该框架能够整合结合亲和力预测的能力提高了生物相关激酶抑制剂的设计.
• KinGen显示出优化药物发现管道和开发用于酶相关疾病的新疗法的巨大潜力.