DiffDock:用扩散模型解决分子对接任务
背景
本文开源代码地址：https://github.com/gcorso/DiffDock
DiffDock: Diffusion Steps, Twists, and Turns for Molecular Docking 是MIT研究人员发表在ICLR 2023的一项工作，作者创新性的将分子对接(molecular docking)任务看作生成问题，然后用扩散模型来处理。
分子对接
分子对接指的是配体(ligand, 比如类药物分子)如何与受体(protein, 靶蛋白，生物大分子)相互作用并形成复合物(比如药物结合,drug binding)，是药物设计的重要环节。
根据口袋(pocket)是否已知，分子对接又可以分为两类：
known pocket (口袋已知): binding pocket是已知的，也就是配体和受体结合的位置(position)已知, 只需要预测配体取向(orientation)和配体构象(conformation) blind docking (盲对接): 口袋未知，需要预测配体的结合位置、配体取向和配体构象，也就是预测ligand pose
// 不论哪种方法，我们都假设受体构象已知且固定不变，不需要在训练过程中预测。
传统的分子对接方法基于检索和打分函数(score function)，首先是搜索配体和受体可能的结合模式（位置、配体在口袋内的取向、配体构象），候选集可能非常大(百万级)，然后对候选结合模式(复合物)打分。近期把分子对接看作回归问题来处理的方案逐渐增多，虽然相比传统方法速度提升很多，但是准确性并没有提升。
本文作者创新性的把分子对接看作生成任务，具体来说，配体初始状态（位置、构象等）是随机的，然后逐渐改变位置、方向和构象，最后和受体完美结合。
具体来说，模型输入是受体3D结构和随机的配体的3D构象，预测配体的位置、取向和构象。
假设配体有n个原子，那么最后预测的实际上是每个原子的3维坐标，也就是要预测3n个值。
但是考虑到空间很大，这么看来预测难度很高啊，实际上，没那么复杂，这里需要引入一定的分子知识，作者认为只需要预测个值即可：
3维的平移(translation)信息 3维的旋转(rotation)信息 分子的构象受到torsion angles(旋转角，二面角)影响，其余的部分是固定不变的，假设有m个torsion angle，对应m个rotatble bonds
DiffDock
现在已经确定，每一次需要预测的是个值，作者进一步分析，将其分为3个扩散过程：
配体中心需要平移(translation)的量 配体中心需要旋转(rotation)的量 配体中每个二面角(torsion angles)需要改变的量
分别预测3, 3, 个值。
剩下的就是常规的SDE流程了：
实验效果确实很可以：
