编译

刘名权

审稿

夏忻焱

本文介绍一篇来自于斯坦福大学计算机科学系RonO.Dror教授组的分子生成工作——《Fragment-BasedLigandGenerationGuidedByGeometricDeepLearningOnProtein-LigandStructure》。计算辅助新型分子设计有可能加速药物发现。然而，在药物发展中分子优化是一项耗时的工作，通常需要花费数年对分子的多种性质同时进行优化。将一个能和蛋白质口袋结合的小的、片段状初始分子扩展成更大的分子，使之与已知药物的物理化学性质相匹配，这是生物信息学中一个特定的分子优化问题。针对这一问题，作者使用数据有效的E(3)等变网络和3D原子点云表征进行建模，这种方法能结合蛋白质口袋的3D空间信息同时生成合理的分子，从而加速药物发现过程。通过对多种性质进行评估证明该框架确实能生成可行的分子。

1

介绍

药物发现和设计旨在于找到能治疗人类疾病的新型分子。这些分子能结合并控制人体内靶蛋白和其他生物分子的活性。然而，药物发现过程相当漫长而且昂贵。大量的分子会被重复的探索并筛选出最有可能成为可行疗法的候选分子。

在这个工作中，作者

转载请注明:http://www.aideyishus.com/lkgx/5333.html