Drug Discov Today|用于从头药物设计的图神经网络GNN
2021年6月,来自中科院上海药物所的蒋华良、郑明月等人在Drug Discovery Today发表综述,从分子打分、分子生成和优化、合成规划3个方面,介绍了GNN在从头药物设计中的应用,并探讨了该领域的当前挑战和未来方向。
GNN在药物分子设计领域被广泛关注。 GNN在分子打分、分子生成和优化以及合成规划中的应用。 GNN在从头药物设计中的当前挑战和未来方向。
摘要
前言
分子打分
基于配体的打分
基于受体的打分
分子生成和优化
目前,生成符合化学规律的新型分子的方法已经比较成熟。许多生成模型能够针对 ZINC 数据集实现几乎 100% 的有效性和新颖性。然而,对于从头在药物设计中,仅设计独特且不违反价态规则的分子是不够的。生成的分子应该具有合适的性质,这需要通过实验来证明。实验结果也可以反馈给生成模型,最终形成循环。然而,分子合成的困难限制了这一过程的实施。目前,通过虚拟筛选或高通量筛选对库存化合物进行筛选仍是药物发现的主流方法。提高生成分子的可合成性应该是下一阶段生成模型研究的最重要目标之一。
我们认为生成模型和综合规划模型的结合将是一个有价值的研究方向。此外,生成模型的新评估指标也值得探索。目前,评估深度生成模型的常用指标只有有效性、新颖性和唯一性。诚然,这3个指标可以直观地反映模型探索化学空间的效率以及模型的一些潜在问题,例如“模型崩溃(mode collapse)”。但是,它们不能反映模型生成分子的质量。最近,Bush等人提出了“图灵测试(Turing test)”,将算法生成的分子与药物化学家生成的分子进行比较,是对生成模型创建的分子进行评估的积极尝试。
合成规划
结语和展望
赞 (0)