基准测试基于3D结构的分子发生器
Natasha Sanjrani1,2, Damien E Coupry1, Peter Pogány1
1Department of Cheminformatics, Research Technologies, GSK, Gunnels Wood Road, Stevenage SG1 2NY, U.K.
Journal of chemical information and modeling
|July 25, 2025
概括
深度学习生成器在结构有效性方面扎,而组合方法则很慢. 一个新的基准强调了基于结构的药物设计生成器的改进领域.
科学领域:
- *计算化学和化学信息学.
- * 药物发现中的人工智能.
- * 分子建模和模拟.
背景情况:
- *评估药物设计的生成模型至关重要.
- *现有的生成3D分子的方法有局限性.
- * 蛋白质-连接体相互作用和形状是药物设计的关键目标.
研究的目的:
- *为了对3D组合和深度学习生成器进行基准测试.
- * 评估它们重现蛋白质-连接体相互作用和形状的能力.
- * 确定不同生成方法的优点和缺点.
主要方法:
- *使用BindingMOAD数据集开发了一个新的基准.
- * 评估了顺序图神经网络 (Pocket2Mol,PocketFlow),扩散模型 (DiffSBDD,MolSnapper) 和遗传算法 (AutoGrow4,LigBuilderV3). 通过测试,我们发现了这些神经网络的特征.
- * 评估了结构有效性,3D连接体构造和相互作用复制.
主要成果:
- * 深度学习模型未能生成结构有效的分子和构造.
- * 组合方法是缓慢的,并且产生了无法通过二维波器检测的分子.
- * 确定了深度学习和组合方法的具体局限性.
结论:
- * 深度学习生成器需要更好地关注结构有效性和交互准确性.
- * 组合发电机需要优化速度和过器合规性.
- * 该基准为推进基于结构的药物设计生成器提供了一个框架.


