Guided Multi-objective Generative AI to Enhance Structure-based Drug Design

生成式人工智能有可能彻底改变药物研发。然而，尽管机器学习最近取得了很大进展，但现有模型无法生成满足所有所需物理化学特性的分子。在此，我们介绍了IDOLpro，一种新型的生成化学人工智能，它结合了深度扩散和基于结构的药物设计的多目标优化。扩散模型的潜在变量由可微分评分函数引导，以探索未知的化学空间并在计算机中生成新的配体，优化多种目标物理化学特性。我们通过在两个基准数据集上生成具有优化结合亲和力和合成可达性的配体来展示其有效性。IDOLpro 生成的配体的结合亲和力比每个测试集上次优秀的最先进技术高出10%以上。在一个实验复合物的测试集上，IDOLpro 是第一个超越实验观察到的配体表现的模型。IDOLpro 可以适应其他评分函数（例如 ADME-Tox）以加速药物研发中的药效发现、药效优化和药物前期研究。

论文旨在解决药物发现中的化学生成AI无法生成满足所有所需物理化学性质的分子的问题。

IDOLpro是一种新型的生成化学AI，结合深度扩散和多目标优化，用于基于结构的药物设计。

IDOLpro通过不同可微分评分函数引导扩散模型的潜在变量来探索未知的化学空间，在两个基准数据集上生成具有优化结合亲和力和合成可达性的配体。IDOLpro的表现优于其他最先进的技术，并且在实验复合物的测试集上表现出了超过实验观察到的配体性能。

相关研究包括：1. “Deep learning in drug discovery”；2. “Generative models for molecular design”；3. “Multi-objective de novo drug design with conditional graph generative models”等。