SGEDiff:基于结构的3D分子生成的子图丰富的扩散模型
Changda Gong1,2, Jiaojiao Fang1,2, Yan Tang1,2
1Shanghai Frontiers Science Center of Optogenetic Techniques for Cell Metabolism, Shanghai, China.
Journal of cheminformatics
|December 9, 2025
概括
SGEDiff通过生成高亲和度分子来增强基于结构的药物发现. 这种新的框架克服了当前模型的局限性,通过预测结合口袋和改进新蛋白点的分子设计.
科学领域:
- 计算化学是一种计算化学.
- 药物发现 药物发现
- 分子建模分子建模
背景情况:
- 基于结构的分子生成是计算机辅助药物发现的关键.
- 目前的扩散模型与蛋白质-连接体表示和预定义的结合口袋作斗争.
研究的目的:
- 介绍SGEDiff,一个以子图丰富的生成框架,用于3D分子生成.
- 解决药物设计现有的基于扩散的模型的局限性.
主要方法:
- SGEDiff 在层次上融合了子图和全图表示.
- 一个集成的口袋预测模块识别了没有预定义坐标的绑定区域.
- 该模型捕获了蛋白质口袋的局部结合模式和关键结构特征.
主要成果:
- SGEDiff在产生高亲和度分子方面优于基线扩散模型.
- 该框架表明,针对新型蛋白质标的新型药物设计的成功率有所提高.
- 实验结果验证了该模型在各种目标上的有效性.
结论:
- SGEDiff通过有效的de novo设计来推进基于结构的药物发现.
- 该模型预测结合口袋的能力扩大了其适用于新的蛋白质点的适用性.
- SGEDiff为产生新药候选药物提供了一种有前途的方法.
