计算与 AI 药物发现 Journal of Computer-Aided Molecular Design (Springer Nature)
生成式AI与基础模型整合流程:从数百万分子中筛选3CLpro抑制剂
- 将生成模型、生物医学基础模型与传统化学信息学过滤串联,把海量且噪声较大的生成分子缩减为少量候选,并比较各生成方法的有效性、多样性、相似性和幻觉。
- 性质阈值来自内部3CLpro数据集,保留下来的分子中有一部分再用自由能微扰模拟排序。
- 经实验测试的分子均保留靶点抑制活性,其中一个优于原先导化合物;该基础模型在盲测中也预测出较好的活性。
要点 基于摘要的观点
拿去测的那几个化合物全都保住了活性,这令人鼓舞,但作为流程本身的证据偏弱:没有对照组,比如随机挑选的分子,或只用性质过滤从同一先导出发得到的类似物,就无法判断FEP或基础模型到底贡献了什么。我还想知道这些分子离母体先导有多远,以及基于专有数据集得到的阈值能否迁移到我们自己的靶点上。
原论文: Journal of Computer-Aided Molecular Design (Springer Nature) ↗ In silico drug discovery framework leveraging biomedical foundation models and evaluating generative models—a use case on 3CLpro