博士论文 | CMU 2024 | 用于特定目标药物设计的深度生成方法 170页

文章预览

转载：  图科学实验室Graph Science Lab   通过根据目标受体的特性直接生成潜在的结合 化合物 ，可以有效缩短早期 药物设计 阶段。传统上，药物设计很大程度上依赖于高通量筛选（HTS），它缺乏选择要测试的化合物的先验信息。在本论文中，我们将受体的特性整合到 深层生成模型 框架中，以直接有效地生成高结合化合物。第 1 章至第 4 章提供了药物设计和深度学习方法的背景信息。随后的章节正式介绍我们的工作。第一部分介绍了一种由 图神经网络 和通用对抗网络组成的设计，用于针对受体特异性的形状受限的 小分子药物 。该方法为给定受体生成 3D 构象就绪分子，执行支架跳跃和从头配体设计任务。事实证明，与 Enamine REAL 等标准 HTS 数据集相比，形状约束分子生成器在为受体生成高结合分子方面更有效。第二部分介绍了在潜在空间中运行的 ………………………………