机构名称：
¥ 1.0
在药物发现中，产生与靶蛋白结合的分子，同时提出所需的化学特性是一个基本挑战。在分子产生的深度学习的早期阶段，大多数模型并未明确模拟产生的分子与靶蛋白之间的相互作用。相反，它们将分子作为微笑字符串或图形产生，仅通过对接得分考虑靶蛋白。这种方法面临概括的局限性，并要求对不同目标进行模型的重新训练。相比之下，新型的袖珍3D分子生成方法通过从蛋白结合口袋输入产生3D分子结构来取得重大改进。例如，Atom-AutoreReReTresbility模型Pocket2mol在创建具有较高结合和理想化学特性的分子方面表现出卓越的性能。但是，它具有局限性，包括产生不切实际的立体化学结构和对产生分子的证券的约束，后者源于训练以复制训练集中的分子。为了克服这些局限性，我们提出了一种加强学习方法，以微调模型以生成具有增强特性的分子。为了证明其有效性，我们进行了一个实验，在该实验中，我们使用方法最大程度地减少了模型的立体化学问题，并增强了产生的分子的吸毒和结合亲和力。可以在https://github.com/deargen/pocket2mol rl公共场所找到推理和复制说明的源代码。我们的结果表明，这种方法不仅可以解决Pocket2mol的现有问题，而且还为分子产生指标建立了新的基准，从而强调了我们方法的推进分子产生的潜力。
微调袖珍条件3D分子...
主要关键词
相关文件推荐
