具有动态目标感知片段的药物发现.pdfVIP

药物发现的目的是在广阔的化学空间中发现具有所需性质的分子。近几十年来，基于片段

的药物发现(FBDD)被认为是一种有效的策略，是探索化学空间的一种手段，并导致发现了

许多针对各种靶标的有效化合物。受FBDD有效性的启发，许多分子生成模型也采用了

FBDD来缩小搜索空间，简化生成过程，取得了有意义的成功。

FBDD的第一步片段库构建直接影响最终的生成结果，因为构建的片段将用于整个生成过

程。然而，现有的片段提取或基序挖掘方法存在两个局限性：(1)没有考虑药物发现问题的

目标化学性质以及(2)依赖于启发式片段选择规则。例如，通常的策略是随机选择片段或基

于频率提取片段，他们并不考虑目标属性。

模型部分

图1：FGIB架构与jak2配体生成任务的性能比较

如图1(a)所示，作者首先提出了一种新的基于深度学习的目标感知片段提取方法，即片段

智能图信息瓶颈(FGIB)。分子结构与其活性之间有很强的联系，被称为构效关系(SAR)。受

SAR的启发，FGIB利用图信息瓶颈(GIB)理论在给定的分子图中识别重要的子图来预测目

标的化学性质。这些已识别的子图作为后续生成的构建块。如图1(b)所示，使用本文提出

的FGIB提取的目标感知片段显著提高了优化性能，优于现