FSGLD 流程与 DRUG-GAN:生成类药性/靶点特异性化合物库的多尺度方法
A Full-Spectrum Generative Lead Discovery (FSGLD) pipeline via DRUG-GAN: A multiscale method for drug-like/target-specific compound library generation
FSGLD 深度学习流程通过多尺度 DRUG-GAN 生成类药性与靶点特异性化合物,覆盖随机类药分子、靶点特异性化合物和共享化学结构的化合物系列三类场景。该流程整合生成模型与分子对接、分子动力学模拟、MM-PBSA、热力学积分(TI)及实验验证,在三个药理学上不同的靶点类别中识别靶点特异性候选化合物。其建立的 TI 计算方案在保持精度的同时将计算时间缩短 80% 至 90%。
已发表论文 · journal · 10.1126/sciadv.aei5257
本站摘要基于收录版本 v1(2026-10-28),原始摘要与 AI 导读固定保留。
IF(5) 14.8 · 2025 · 期刊参考指标
我们提出了全谱生成式先导化合物发现(FSGLD)流程,这是一个由深度学习驱动的高效药物先导化合物识别管线。FSGLD 将生成式建模与分子对接、分子动力学模拟、配体-残基相互作用谱、MM-PBSA、热力学积分(TI)以及实验验证相结合,从而弥合理论设计与实际应用之间的鸿沟。其核心的多尺度 DRUG-GAN 模型能够实现由生成模型引导的类药化合物与靶点特异性化合物的发现,涵盖三种场景:(i)随机类药化合物的生成,(ii)靶点特异性化合物的生成,以及(iii)具有共同化学骨架的靶点特异性化合物系列的生成。在我们针对三类药理学特性各异的靶点所进行的评估中,FSGLD 在识别靶点特异性候选化合物方面展现出了令人鼓舞的性能。此外,我们还建立了一套 TI 计算的计算方案,在保持精度的同时将计算时间缩短了 80% 到 90%。通过将生成式模型与计算机模拟(in silico)和体外(in vitro)评估技术相结合,FSGLD 降低了识别此前尚未表征但切实可行的先导化合物的成本,为学术界和工业界均带来了显著的益处。
来源:Science Advances · doi.org