GeoLinker: An Equivariant Diffusion Model for 3D Molecular Linker Design
GeoLinker 是一个统一的 SE(3) 等变扩散框架，它通过锚点感知注意力机制和尺寸嵌入来支持多种约束场景，解决了基于片段的药物发现中 3D 分子连接体设计的挑战，并在多种基准测试中实现了高新颖性和物理合理性。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
在广袤的药物研发领域，科学家们经常面临一个难题：这与其说是寻找一把单一的钥匙，不如说是要打造一座桥梁。这种被称为“基于片段的药物发现”（fragment-based drug discovery）的策略，涉及提取那些已知能微弱结合到疾病靶点上的简单小分子片段，并尝试将它们连接在一起。想象两个独立的岛屿，一艘船只能勉强触及它们；目标是建造一座坚固的桥梁连接这两座岛屿，以便船只可以自由通行。这座桥梁被称为“连接子”（linker）。为了让药物发挥作用，这座桥梁不仅必须连接这两个部分，还必须将它们固定在一个非常特定的三维形状中，以确保它们能完美地契合到旨在阻止其运作的生物机制中。创造这些桥梁非常困难，因为可能的形状空间极其巨大，而且在纸面上看起来完美的桥梁，在实验室里可能根本无法建造，或者可能会因自身的重量而坍塌。
来自希夫·纳达尔卓越研究机构（Shiv Nadar Institution of Eminence）的研究人员开发了一种名为 GeoLinker 的新工具来解决这个问题。GeoLinker 不依赖于那种逐件构建分子或在海量现有化学数据库中搜索的旧方法，而是使用一种能够学习从零开始构思桥梁形状的人工智能。该系统建立在“扩散”（diffusion）的概念之上，这可以被理解为一个过程：从一团随机的噪声开始，通过不断精炼，直到出现一个清晰、可用的结构。GeoLinker 的特别之处在于它理解三维空间的规则。它知道如果你旋转一个分子，其化学性质不会改变，并利用这一知识来生成物理上真实且化学上有效的桥梁。
研究人员在海量的已知类药物分子集上训练了这个系统，以学习原子是如何自然连接的。训练完成后，他们通过四种不同的方式测试了 GeoLinker 的灵活性。有时，他们要求它在没有任何特定指令的情况下构建桥梁；有时，他们会明确告诉它要连接哪些原子；还有些情况下，他们会规定桥梁的长度。他们还测试了一种模式，即要求系统同时遵循连接点和长度要求。结果显示，GeoLinker 能够生成大量从未见过的全新结构。在一组标准的分子测试集中，该系统在近 80% 的案例中生成了新设计，这一创新率显著高于以往的方法。旧有的工具往往倾向于产生安全、可预测但重复性高的设计，而 GeoLinker 则探索了更广泛的形状范围，创造出了具有更复杂环状结构和多样化连接的分子。
然而，这种对新形状的探索也带来了权衡。由于 GeoLinker 优先考虑寻找独特且复杂的结构，其生成的分子中完全符合化学有效性的比例低于那些更保守的旧方法。GeoLinker 生成的分子中约有 45% 通过了严格的化学检查，而之前的一些工具这一比例则超过 90%。研究人员承认了这种差异，指出他们的做法旨在撒下一张更广的网，以寻找稀有且有前景的候选药物，即便这意味着需要从更多不完美的方案中进行筛选。该系统在涉及人体内蛋白质的更复杂、更真实的场景测试中也证明了其价值。即使没有被明确教授过这些特定蛋白质的知识，GeoLinker 也成功生成了能够连接片段的桥梁，其方式与已知的有效药物相似。在涉及名为 Hsp90 的蛋白质的一个特定案例中，系统成功重现了一个已知抑制剂的形状，通过一条三碳链连接两个片段，其几何结构与一种成功的药物相匹配。在另一个涉及不同蛋白质的案例中，它生成了一个看起来与另一种强效抑制剂非常相似的分子，在构建新桥梁的同时保留了原始片段的核心部分。
这项研究表明，这种能够在单一框架内处理不同类型设计约束的统一方法，为药物设计提供了一种全新的思考方式。通过允许科学家在不同的引导水平之间切换——从完全自由到严格约束——GeoLinker 提供了一个灵活的工具来探索化学空间。研究人员指出，虽然目前的系统在生成多样化形状方面表现出色，但下一步是提高结果的化学有效性，例如通过教导系统在构建形状时如何预测原子如何结合。目前，GeoLinker 仍是一个重要的进步，它证明了人工智能可以被训练去驾驭复杂的分子三维世界，为如何构建那些有朝一日可能成为救命良药的“桥梁”提供了全新的视角。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。