超越SBDD:几何深度学习在多药理学与多靶点药物设计中的应用

arXiv cs.LG 论文

摘要

本综述调查了用于多药理学和多靶点药物设计的几何深度学习(GDL)方法,涵盖了从图神经网络到SE(3)-等变扩散模型等用于捕捉3D分子结构的架构。

arXiv:2607.20550v1 公告类型: 新 摘要:传统的“一药一靶”的基于结构的药物设计(SBDD)范式,由于代偿性信号通路和耐药性的出现,常常被证明不足以治疗癌症和神经退行性疾病等多因素疾病。虽然多药理学提供了一种协同治疗策略,但合理设计能够同时满足多个靶点施加的几何约束的配体仍然是一个主要的计算瓶颈。本综述将几何深度学习(GDL)定位为克服这些限制的强大整合方法。我们系统地调查了GDL架构,范围从不变量图神经网络到SE(3)-等变扩散模型,这些模型利用非欧几里得分子数据来捕捉内在的三维(3D)结构相互依赖性。我们从三个核心维度批判性地分析了GDL的应用,包括通过几何嵌入表征共享结合口袋、通过异构图融合进行多靶点生物活性预测,以及从头生成双靶点配体。特别强调了新兴的结构条件生成算法,这些算法将扩散模型与强化学习相结合,以自主解决竞争性结合位点之间的复杂几何冲突。此外,我们评估了多模态组学整合和专门的几何基准测试基础设施在验证这些模型中的关键作用。通过综合这些方法论进展,本综述阐明了药物发现从偶然探索到理性的、结构驱动的多药理学分子工程的范式转变,从而为驾驭下一代治疗药物的复杂性提供了清晰、结构化的指南。
查看原文
查看缓存全文

缓存时间: 2026/07/24 05:11

# 超越SBDD:多药理学与多靶点药物设计中的几何深度学习
来源:https://arxiv.org/abs/2607.20550
查看PDF (https://arxiv.org/pdf/2607.20550)

> 摘要:传统的“一药一靶”结构导向药物设计(SBDD)范式,因代偿性信号通路和耐药性的出现,往往难以有效治疗癌症、神经退行性疾病等多因素疾病。尽管多药理学提供了一种协同治疗策略,但合理设计能够同时满足多个靶点几何约束的配体,仍是计算上的重大瓶颈。本综述将几何深度学习(GDL)定位为一种强大的整合方法,用以克服这些局限。我们系统调研了从不变图神经网络到SE(3)-等变扩散模型等GDL架构,这些架构利用非欧几里得分子数据来捕捉内在的三维(3D)结构相互依赖性。我们从三个核心维度批判性地分析了GDL的应用:通过几何嵌入表征共享结合口袋、通过异构图融合进行多靶点生物活性预测,以及从头生成双靶点配体。特别关注新兴的结构条件生成算法,这些算法将扩散模型与强化学习相结合,以自主解决竞争性结合位点之间的复杂几何冲突。此外,我们评估了多模态组学整合和专用几何基准设施在验证这些模型中的关键作用。通过综合这些方法论进展,本综述阐明了药物发现从偶然探索向理性、结构驱动的多药理学分子工程范式转变,从而为驾驭下一代治疗药物的复杂性提供了清晰、结构化的指南。

## 提交历史

来自:韩天明 \[查看邮件 (https://arxiv.org/show-email/3fc5d63f/2607.20550)\] **\[v1\]** 2026年7月14日星期二 23:29:39 UTC(1,663 KB)

相似文章

通过口袋条件扩散和属性感知优化生成可开发的3D分子

arXiv cs.LG

本文介绍了一种新颖的基于扩散的生成模型,用于基于结构的药物设计。该模型解耦了口袋和配体的表示学习,并融入了多尺度相互作用信号和属性感知优化,以生成具有更强结合亲和力和更优ADMET属性的可开发3D分子。

通用生物医学发现

arXiv cs.LG

该论文提出了通用生物医学发现(GBD),这是一个面向开放世界医学影像的统一基准,用于处理长尾罕见疾病、细微病变以及层级分类体系,并提出了SCAN——一种受认知启发的方法,通过预测抑制、惊吓诱发的显著性以及互补适应来改进新概念发现,同时保留已有的临床知识。

分类器引导的用于小分子生成的潜在扩散模型

arXiv cs.LG

该论文提出了一种由分类器引导的潜空间扩散流程,用于以性质为导向的小分子生成。该流程使用冻结的 ChemBERTa 编码器、用于 SELFIES 重构的 Transformer 解码器,以及可微分的性质预测器,引导采样朝向血脑屏障(BBB)通透性和 BACE-1 抑制活性等药物相关终点。