使用几何深度学习进行3D药物分子设计的方法和应用

MolAICal

使用深度学习训练3D药物分子设计模型是一个非常有意思的研究，它涉及到空间构象、坐标、平移、旋转等。本文总结了使用几何深度学习训练3D药物分子设计模型的方法（原文 DOI: 10.1016/j.drudis.2024.104024), 具体可见：https://doi.org/10.1016/j.drudis.2024.104024 （另附文章附件： Geometric_deep_learning_for_3D_SBDD.pdf (1.83 MB, 下载次数 Times of downloads: 33)

2024-5-25 22:57 上传 Uploaded

点击下载
Click to download
阅读权限: 1

），勘误部分：https://molaical.github.io/erratum/G3DSBDD.html

相关书籍章节 https://doi.org/10.1007/978-3-031-46238-2_23  (另附章节附件： DL_Generative_Models_for_Drug_Discovery.pdf (464.43 KB, 下载次数 Times of downloads: 22)

2024-5-25 17:33 上传 Uploaded

点击下载
Click to download
阅读权限: 1

)，具体来说如下：

1. 构建3D药物分子的图表示，如：3D surface, 3D grid 和 3D graph.

2. 无论是3D分子对接、还是3D分子生成或者模拟，都可能涉及到分子的平移、旋转和反映(reflection)等操作，因此，需要使用等变图神经网络。

3. 无论是3D分子对接、还是3D分子生成或者模拟，都需要生成合理的坐标或构象，因此，基于深度学习的3D药物设计需要使用 “生成模型” 的方法。

4. 目前，最基础的生成模型，好像就6种：
1)  扩散模型             diffusion model
2）流模型                flow-based model
3）生成式对抗网络   generative adversarial networks (GANs)
4）变分自编码器      variational autoencoder (VAE)
5）自回归模型         autoregressive models
6）能量模型            energy-based models

5. Transformer也可以做生成，但是它应该是属于高级混合型生成框架，原理类似于autoregressive models。

总的来说，使用深度学习训练3D药物分子设计模型的步骤：   构建3D药物分子的图表示 --> 等变图神经网络 (选项) --> 设计使用合理的生成模型 --> 模型训练。

具体原理和详细内容请见上述附件文章。

如果各位还有知道的人工智能基础生成模型的方法，请留言介绍，学习一下，谢谢。

chenbq18

请问，这些类别的生成模型，有对应的代表型模型推荐吗？

MolAICal

chenbq18 发表于 2024-5-26 19:05
请问，这些类别的生成模型，有对应的代表型模型推荐吗？

代表性模型 看上面1楼 提供下载的论文中的表1。要算法原始论文，直接看对应模型的引用 或 离公式最近的引用文献。