机构名称：
¥ 1.0
人工智能 (AI) 为药物发现带来了巨大进步，但识别具有最佳物理化学和药理学特性的命中化合物和先导化合物仍然是一项重大挑战。基于结构的药物设计 (SBDD) 已成为一种有前途的范例，但固有的数据偏差和对合成可及性的无知使 SBDD 模型与实际药物发现脱节。在这项工作中，我们探索了两种方法，Rag2Mol-G 和 Rag2Mol-R，它们都基于检索增强生成 (RAG) 来设计适合 3D 口袋的小分子。这两种方法涉及根据生成的小分子在数据库中搜索可购买的类似小分子，或从数据库中可以放入 3D 口袋的新分子中创建新分子。实验结果表明，Rag2Mol 方法始终如一地产生具有优异结合亲和力和药物相似性的候选药物。我们发现 Rag2Mol-R 比先进的虚拟筛选模型提供了更广泛的化学景观覆盖范围和更精确的靶向能力。值得注意的是，这两个工作流程都确定了具有挑战性的靶标 PTPN2 的有希望的抑制剂。我们高度可扩展的框架可以集成各种 SBDD 方法，标志着 AI 驱动的 SBDD 取得了重大进展。代码可在以下网址获取：https://github.com/CQ-zhang-2016/Rag2Mol。
Rag2Mol：基于检索增强生成的结构药物设计
主要关键词
相关文件推荐
