免费咨询的方法seo技术建站

Adv. Sci. | 双扩散模型结合多目标优化策略助力3D小分子药物设计

药物发现中，如何精准且高效地设计具有理想物理化学性质的潜在药物分子，对当前的研究水平来说仍然是一项重大挑战。近年来，基于深度学习的全新分子生成（de novo molecular generation）方法取得了显著进展，其中使用去噪扩散模型（denoising diffusion models）为生成框架的工作更是展现出极大潜力。然而，现有3D分子生成的方法往往难以同时优化多个分子性质，并且对于潜在药物分子的关键性质考虑不足，已开发的生成模型的应用能力仍有待提升。同时，直接采用原子距离分布嵌入图神经网络，无法准确捕捉分子的拓扑与几何信息。

基于此，澳门理工大学应用科学学院人工智能药物发现中心刘焕香教授和姚小军教授研究团队提出一种双去噪扩散模型 DiffMC-Gen（Dual Denoising Diffusion Model for Multi-Conditional Molecular Generation），通过结合离散与连续特征来增强模型对三维分子结构的感知能力，该成果发表在國際知名學術期刊《Advanced Science》上。模型采用多目标优化策略，能够同时优化目标分子的结合亲和力、药物相似性、合成可行性以及急性毒性。DiffMC-Gen 在生成分子的新颖性和唯一性方面达到了最新水平（SOTA），同时在药物相似性和合成可行性方面表现出与现有方法相当的性能。此外，DiffMC-Gen生成的分子在LRRK2、HPK1 和 GLP-1 受体三种靶点上均表现出良好的