CNSGT:用于针对中枢神经系统的De Novo药物设计的生成变压器
Yingjun Chen1, Ding Luo2, Shengneng Chen2
1School of Computer and Information Engineering, Shanghai Polytechnic University, Shanghai 201219, China.
Journal of chemical information and modeling
|September 26, 2025
概括
本研究介绍了 CNSGT,这是一种用于设计中枢神经系统 (CNS) 药物的深度学习框架. CNSGT产生具有高度药物相似性和良好的合成可访问性的新分子,加速中枢神经系统药物发现.
科学领域:
- 药用化学 医学化学
- 计算化学的计算化学
- 人工智能在药物发现中的作用
背景情况:
- 由于血脑屏障,设计中枢神经系统 (CNS) 药物具有挑战性.
- 深度学习,特别是变压器模型,显示出新的分子设计的前景.
研究的目的:
- 为中枢神经系统药物设计提供一个新的生成框架 - - CNSGT.
- 克服SMILES等传统分子表示的局限性.
- 产生向特定中枢神经系统目标的分子,以多巴胺转运体 (DAT) 抑制剂为例.
主要方法:
- 开发了CNSGT,将变量自动编码器 (VAE) 与自我注意机制集成在一起.
- 在大型分子数据集上预训练模型,并使用转移学习进行微调.
- 使用中枢神经系统药物相似性 (MPO评分),合成可访问性 (SAScore),分子对接和动态模拟来评估生成的分子.
主要成果:
- CNSGT产生了具有高度中枢神经系统药物相似性的化学有效分子 (中枢神经系统MPO得分>4).
- 生成的分子表现出更好的合成可访问性 (SAScore <3).
- 观察到有前途的结合亲属性 (Glide对接得分<-8kcal/mol) 和稳定的结合形状.
结论:
- CNSGT有效地捕捉了分子结构和语义关系,克服了SMILES的限制.
- 该框架显示了扩大化学空间和加速中枢神经系统药物发现的潜力.
- 生成的分子对药物开发具有有利的特性,通过理论合成路径分析进行验证.
