新火種
2024-12-03 
精確屬性控制，湖大、西電從頭藥物設計AI方法，登Nature子刊
編輯 | 蘿卜皮
深度生成模型在藥物從頭設計領域受到廣泛關注。然而，針對新靶點合理設計配體分子仍然具有挑戰性，特別是在控制生成分子的性質方面。
在這里，受到 DNA 編碼化合物庫技術的啟發，湖南大學和西安電子科技大學的研究人員提出了 DeepBlock，這是一種基于塊（block）的配體生成深度學習方法，可根據目標蛋白質序列進行定制，同時實現精確的屬性控制。
此外，DeepBlock 還可以結合優化算法和深度學習來調控生成分子的性質。
該研究以「A deep learning approach for rational ligand generation with toxicity control via reactive building blocks」為題，于 2024 年 11 月 8 日發布在《Nature Computational Science》。
尋找能夠與特定蛋白質結合的小分子配體是藥物發現中的關鍵環節。虛擬篩選已成為一種重要方法，利用計算機程序在小分子庫中識別生物活性化合物。然而，虛擬篩選的有效性受到巨大化學空間和所用化合物庫的限制。
相比之下，從頭藥物設計策略（從頭生成分子結構）提供了一種有希望的途徑，可以探索現有庫之外更廣闊的化學空間。
近年來，這些模型在分子生成上取得了顯著進展，但它們通常缺乏針對特定蛋白質靶標的生成能力，因此需要通過額外篩選或結合強化學習等技術來彌補。此外，生成分子的可合成性和藥物的毒性、代謝等特性也需在實際藥物開發中予以考慮。
DNA 編碼化合物庫技術已成為一種廣泛接受的濕實驗室藥物發現方法。該方法利用組合化學通過分子構件的反應快速生成大量候選化合物。
DeepBlock
受 DNA 編碼化合物庫技術的啟發，湖南大學和西安電子科技大學的研究團隊提出了一種基于深度學習的框架 DeepBlock，利用分子構件進行從頭藥物設計。這里的構件表示能夠相互發生化學反應的分子片段。
DeepBlock 的核心理念是將分子生成過程分解為兩個連續步驟：首先，根據蛋白質序列嵌入特征生成構建塊，然后將其組裝成完整的分子。通過利用這些塊的固有屬性及其之間的化學相互作用，DeepBlock 可以設計出更優質的合理分子。
基于這一理念，研究人員在 DeepBlock 中設計了有效的機制來解決兩個關鍵任務：根據蛋白質序列定制分子生成和生成過程中的屬性控制。
在 DeepBlock 中，該團隊加入了塊生成網絡（BGNet），這是一種條件深度生成模型，旨在根據給定的蛋白質序列生成塊序列。BGNet 結合了兩個關鍵特性，可顯著提高其性能。
首先，它由一個在大規模分子數據集上預訓練的分子塊自動編碼器構建而成，它包含 10,701 個塊的廣泛詞典，其中包含各種常用的片段。這種預訓練擴展了化學空間，并緩解了由于蛋白質-配體對數據集的大小有限而導致的潛在過度擬合。
其次，研究人員在 DeepBlock 中引入了一個關鍵組件——靶標貢獻感知模塊。該模塊增強了模型自主識別配體與殘基之間相互作用的能力，彌補了蛋白質序列中 3D 結構信息的缺失。
BGNet 中這兩個特征的結合凸顯了其生成多樣化和生物活性分子片段的能力，有效地解決了蛋白質序列數據帶來的挑戰。
圖示：優化前后親和力對比。（來源：論文）
此外，該團隊將 BGNet 與模擬退火 (SA) 算法或貝葉斯優化 (BO) 結合使用來控制生成過程，旨在增強其他特性，同時保留其對目標蛋白質的結合親和力。
圖示：優化過程和結果。（來源：論文）
研究團隊還進行了以藥物毒性為優化目標的實驗。當與以毒性為優化目標的模擬退火或貝葉斯優化相結合時，DeepBlock 成功生成具有低毒性的配體，同時保留與靶標的親和力。
未來工作
該方法也存在局限性。
DeepBlock 目前只能從現有的塊字典中生成塊，因此限制了其生成的分子的多樣性。
該團隊未來的研究方向是探索從頭生成塊的方法，從而將該模型從現有字典塊的限制中解放出來，并釋放其可以創建的分子的更大多功能性和新穎性的潛力。
此外，DeepBlock 生成二維 (2D) 分子結構作為SMILES字符串，提供可控屬性和對新目標的適用性。雖然 SMILES 字符串為各種藥物開發場景提供了足夠的結構信息，但它們缺乏 3D 結構細節。
未來的研究將側重于將該方法與 LiGAN 等方法相結合，以開發基于分子構建塊的受控 3D 分子生成方法。這種混合方法可以結合 2D 和 3D 藥物設計方法的優勢，從而有可能提高藥物發現的效率和有效性。
論文鏈接：https://www.nature.com/articles/s43588-024-00718-0
相關推薦
- 免責聲明
- 本文所包含的觀點僅代表作者個人看法，不代表新火種的觀點。在新火種上獲取的所有信息均不應被視為投資建議。新火種對本文可能提及或鏈接的任何項目不表示認可。 交易和投資涉及高風險，讀者在采取與本文內容相關的任何行動之前，請務必進行充分的盡職調查。最終的決策應該基于您自己的獨立判斷。新火種不對因依賴本文觀點而產生的任何金錢損失負任何責任。
