论文页面 - 从全结构口袋到电子密度：基于密度的 GPT 风格药物设计

来源：https://huggingface.co/papers/2605.08767

摘要

EDMolGPT 是一个仅解码器的自回归框架，它利用具有物理意义的密度信号，从低分辨率电子密度点云生成分子，从而产生结构准确的 3D 构象。

生成式建模（https://huggingface.co/papers?q=generative%20modeling）领域的最新进展推动了基于结构的药物设计（https://huggingface.co/papers?q=structure-based%20drug%20design）（SBDD）的重大进步。现有方法通常将分子生成（https://huggingface.co/papers?q=molecule%20generation）条件化于来自全结构复合物的空结合口袋，而忽略了填充物（配体和溶剂）等富有信息的成分。在此，我们利用源自填充物的低分辨率电子密度（https://huggingface.co/papers?q=electron%20density）（ED）作为从头药物设计（https://huggingface.co/papers?q=de%20novo%20drug%20design）的物理基础条件。我们考虑两类电子密度，即计算得出的和冷冻电镜/X 射线衍射获得的，这些数据可分别源自计算或实验来源，支持统一的预训练和实验整合。与刚性口袋表示相比，实验电子密度自然地捕捉了构象柔性（https://huggingface.co/papers?q=conformational%20flexibility），并为结合环境提供了更忠实的描述。基于此，我们引入了 EDMolGPT，这是一个仅解码器的自回归框架（https://huggingface.co/papers?q=autoregressive%20framework），它从低分辨率 ED 点云生成分子。通过将生成过程建立在具有物理意义的密度信号之上，EDMolGPT 减轻了结构偏差，并生成了具有 3D 构象（https://huggingface.co/papers?q=3D%20conformations）的分子。在 101 个生物靶点上的评估验证了其有效性。我们的项目页面：https://jiahaochen1.github.io/EDMolGPT_Page/。

查看 arXiv 页面 (https://arxiv.org/abs/2605.08767) 查看 PDF (https://arxiv.org/pdf/2605.08767) 项目页面 (https://jiahaochen1.github.io/EDMolGPT_Page/) GitHub0 (https://github.com/JiahaoChen1/EDMolGPT) 添加到合集 (https://huggingface.co/login?next=%2Fpapers%2F2605.08767)

在你的代理中获取此论文：

hf papers read 2605.08767

没有最新的 CLI？curl -LsSf https://hf.co/cli/install.sh | bash

引用此论文的模型 0

没有模型链接此论文

在模型的 README.md 中引用 arxiv.org/abs/2605.08767 即可从此页面链接它。

引用此论文的数据集 0

没有数据集链接此论文

在数据集的 README.md 中引用 arxiv.org/abs/2605.08767 即可从此页面链接它。

引用此论文的 Spaces 0

没有 Space 链接此论文

在 Space 的 README.md 中引用 arxiv.org/abs/2605.08767 即可从此页面链接它。

包含此论文的合集 0

没有合集包含此论文

将此论文添加到合集 (https://huggingface.co/new-collection) 即可从此页面链接它。