基于图-Transformer生成对抗网络的靶向新药候选分子设计 - 创新药物

基于图-Transformer生成对抗网络的靶向新药候选分子设计Target-specific de novo design of drug candidate molecules with graph-transformer-based generative adversarial networks | Nature Machine Intelligence

环球医讯 / 创新药物来源：www.nature.com土耳其 - 英语2025-09-15 22:46:07 - 阅读时长2分钟 - 655字

该研究开发了基于图神经网络的DrugGEN系统，通过生成对抗网络实现针对特定靶点蛋白（如AKT1）的新药分子从头设计，结合分子对接、模拟验证和实验测试，证明生成分子具有低微摩尔级抑制活性，并开源代码供二次开发。研究成果展示了深度生成模型在靶向药物研发中的实用潜力。

摘要

发现新型药物候选分子是药物开发的基础步骤。生成式深度学习模型可以从学习到的概率分布中采样新的分子结构，但其在药物研发中的实际应用取决于能否生成针对特定靶标分子的化合物。我们提出了DrugGEN——一种端到端的生成系统，用于设计与选定蛋白质相互作用的新型候选药物分子。该方法将分子表示为图结构，通过包含图Transformer层的生成对抗网络进行处理。在类药化合物和靶标特异性生物活性分子的大规模数据集上训练后，DrugGEN为AKT1（一种在多种癌症中起关键作用的激酶）设计了候选抑制剂。分子对接和分子动力学模拟表明，生成的化合物能够有效结合AKT1，注意力机制映射揭示了模型的推理逻辑。此外，部分新型分子经过化学合成，实验证实其在体外酶活性检测中可实现低微摩尔浓度的AKT1抑制。这些结果展示了DrugGEN在靶向分子设计中的潜力。通过开放获取的DrugGEN代码库，研究者可利用已知生物活性分子数据集重新训练模型，应用于其他可药靶蛋白。