将靶点规划与分子生成解耦的智能体式结构药物设计框架
- CadreAI将从头设计拆分为面向靶点的规划步骤和基于规划的分子生成步骤,并用记忆模块把对接反馈转化为可复用的文本启发规则。
- 评估为回顾性计算评估,使用CrossDocked2020和DrugGen基准,并以Boltz-2结构预测做补充检验;未见实验验证。
- 生成分子的对接表现优于对比方法,同时保持合理的类药性和合成可及性。
💡 要点 基于摘要的观点
在CrossDocked2020上对接打分更好,是最弱的一类胜利:对接正是记忆模块学习所依据的信号,循环很可能只是对打分函数过拟合,而且该基准与训练数据的口袋重叠也会模糊泛化能力的判断。应要求在相同算力下与口袋条件扩散模型对比,并在少数靶点上用MM-GBSA或FEP重新打分。否则它不过是套了一层LLM的对接优化器。
📄 原论文 · Journal of Chemical Information and Modeling (ACS) ↗ CadreAI: Agentic AI for Semantically Decoupled Protein–Drug Design and Optimization