BoKDiff:用于特定目标的3D分子生成的最佳K扩散对齐
Ali Khodabandeh Yalabadi1, Mehdi Yazdani-Jahromi2, Ozlem Ozmen Garibay1
1Department of Industrial Engineering and Management Systems, University of Central Florida, Orlando, FL 32816, United States.
Bioinformatics advances
|July 7, 2025
概括
通过整合最佳的K对齐和最佳的N采样,BoKDiff增强了基于结构的药物设计的配体生成. 这种新的方法提高了分子质量和生成率,推动了治疗的发展.
科学领域:
- 计算化学和化学信息学
- 人工智能在药物发现中的作用
- 分子建模和模拟分子模型
背景情况:
- 基于结构的药物设计 (SBDD) 依赖于目标蛋白3D结构来开发药物.
- 生成模型显示出潜力,但在有限的数据和调整问题方面面临挑战.
- 现有的方法在有效的蛋白质-连接体复合体生成方面扎.
研究的目的:
- 引入BoKDiff,这是SBDD中增强连接体生成的新框架.
- 解决当前生成模型中数据稀缺性和对齐精度的局限性.
- 提高产生的候选药物的质量和多样性.
主要方法:
- BoKDiff框架将多目标优化与最佳K对齐结合起来.
- 连接体质量中心重新定位以匹配对接姿势,以准确地提取子组件.
- 最好的N (BoN) 采样策略用于在没有微调的情况下进行最佳候选人选择.
- 使用DecompDiff模型作为配体生成的基础.
主要成果:
- 在药物相似性 (QED>0.6) 和合成可访问性 (SA>0.75) 方面,BoKDiff获得了高分.
- 最好的N抽样策略在候选人选择中显示出超过35%的成功率.
- 在CrossDocked2020数据集中,BoKDiff的表现优于之前的模型,平均对接得分为-8.58.
- 实现了26%的有效分子生成率,大大改善了现有方法.
结论:
- BoKDiff代表了基于结构的药物设计联体生成的重大进步.
- 最好的K对齐和BoN采样的整合提供了一个强大的新策略.
- 这种方法有可能实现实用,高质量的候选药物设计和开发.


