특정 단백질 표적에서 맞춤형 활성/선택성을 가진 분자의 합리적 설계는 암과 같은 복잡한 질병을 위한 치료제를 개발하는 데 매우 중요하지만, 여전히 만만치 않은 도전 과제가 남아 있습니다. 딥 생성 모델이 거대한 가능성을 보여주지만, 이 작업에 적용되는 데는 근본적인 도전에 직면해 있으며, 여러 개별 단백질 정제의 구조 정보를 통합하는 데 어려움을 겪고 있으며, 드물게 이용 가능한 방대한 다중 표적 데이터 세트나 전문 지식을 요구합니다. 여기서는 MolSculptor를 소개합니다. 이는 목표 특정 훈련 데이터나 이전의 전문가 지식 없이도 어떤 조합의 표적 및 비표적에 대한 억제제를 생성하도록 설계된 적응형 확산-진화 프레임워크입니다. MolSculptor는 편리하게 de novo 설계와 리드 최적화를 통합하며, 약물 발견의 다양한 단계에 적용 가능한 다재다능한 작업 흐름을 제공하고, 주요 약물 유사 특성에 대한 직접적인 조건을 설정할 수 있습니다. 프레임워크의 핵심은 지정된 모든 표적 및 비표적에 대해 유연한 안내를 가능하게 하는 3D 인지 대체 모델을 통합합니다. 더욱이, MolSculptor는 능동 학습 프로토콜을 보유하고 있어 이 안내를 적응적으로 개선하여 데이터가 부족한 상황에서도 높은 성능을 보장합니다. 우리는 MolSculptor를 여러 도전적인 다중 표적 및 선택적 억제제 설계 작업에서 시연하며, 고급 제약 조건을 충족하는 고품질 후보를 생성하는 데 있어 최신 기법을 크게 능가함을 보여줍니다. 특히 생성된 많은 분자들이 실험적으로 검증된 참조보다 우수한 친화력 프로파일을 나타냅니다. MolSculptor는 복잡한 다중 표적 활성 프로파일을 가진 리간드 설계를 위한 강력하고 일반화 가능한 패러다임을 제공하여, 복잡한 치료 문제에 대한 데이터 효율적인 솔루션을 마련하는 길을 열어줍니다.
Li et al. (Tue,)은 이 질문을 연구했습니다.