PROFIS:通过探测连续的指纹空间与反复的神经网络来设计针对目标的图书馆
Hubert Rybka1,2, Tomasz Danel2, Sabina Podlewska3
1Doctoral School of Exact and Natural Sciences, Jagiellonian University, Łojasiewicza 11, 30-348 Kraków, Poland.
Journal of chemical information and modeling
|April 28, 2025
概括
这项研究介绍了PROFIS,这是设计新药化合物的生成模型. PROFIS使用循环神经网络和贝叶斯优化来创建针对目标的化合物库,帮助药物发现.
科学领域:
- 计算化学是一种计算化学.
- 药物发现 药物发现
- 医学中的人工智能
背景情况:
- 开发新的,有效的候选药物是制药研究中的一个关键挑战.
- 现有的生成复合库的方法可能缺乏结构性新性或目标特异性.
研究的目的:
- 引入PROFIS,这是一个用于设计结构新和以目标为中心的复合库的新型生成模型.
- 为了证明该模型在识别特定药物标的潜在新型配体方面的能力.
- 为了展示PROFIS在跳跃支架中的应用,以探索新的化学空间.
主要方法:
- 使用一个训练有素的重复神经网络来解码分子指纹成微笑字符串.
- 使用经过指纹嵌入训练的生物活动预测器来识别高活动子空间.
- 应用贝叶斯优化算法来搜索最佳隐性表示.
主要成果:
- PROFIS成功地生成了结构新和针对目标的复合库.
- 该模型在脚手架跳跃方面表现出有效性,使得在已探索的化学空间之外设计连接体成为可能.
- 对多巴胺D2受体配体的应用展示了该协议在药物发现方面的潜力.
结论:
- PROFIS提供了一种多功能和有效的方法,用于为任何生物目标生成多样化的化合物库.
- 该模型探索新化学空间的能力加速了潜在药物候选者的识别.
- 在GitHub上共享的脚本确保了PROFIS协议的广泛适用性和采用.
