文章速览
基于 3D 结构的药物设计 (SBDD) 被认为是可以用于发现新型药物的一种合理的且具有挑战性的方法。在各种3D SBDD方法中，几何深度学习被认为是一种很有前途的方法。它可以通过构建神经网络模型来学习非欧几里得数据（例如3D分子图数据与流形数据）来解决3D SBDD的精确模型训练。
在本文中，作者介绍了一些几何深度学习方法的原理及其应用，包括三维分子表示、等变图神经网络（EGNN）和六种生成模型（扩散模型、流模型、生成对抗网络（GAN）、变分自编码器（VAE）、自回归模型（AGMs）和能量基模型）。作者认为，生成模型在 3D SBDD 的几何深度学习中具有重要作用，因为它们可以从相同的输入几何数据空间生成各种不同的几何数据。
图文详情
表1. 3D SBDD方法、典型模型和源代码的总结。
图1. 3D 分子表示和等变性。(a) 3D 表面、3D 网格和 3D 图的分子表示。(b) 图神经网络对分子旋转的等变性。
图2. 扩散模型与流模型。(a) 分子的扩散过程。(b) 流动过程。其中任何两个连续的变量都是可逆的。
图3. 生成对抗网络（GAN）和变分自动编码器（VAE）的架构。(a) GAN 包含用于分子对抗训练的生成器和判别器。(b) VAE 将输入分子数据解压缩为潜在编码向量，然后通过解码器重建分子。
图4. 自回归模型和递归神经网络（RNN）。(a) 时间 t 处的自回归模型取决于之前的时间步长。(b) RNN 从隐藏层获取输出。
图5. 能量基生成模型的对比散度训练。
文献详情
题目: Geometric deep learning methods and applications in 3D structure-based drug design.
作者: Qifeng Bai *, Tingyang Xu *, Junzhou Huang , Horacio Pérez-Sánchez *.
引用: Drug Discov. Today, 2024, 29, 104024.
DOI: 10.1016/j.drudis.2024.104024.
作者简介
湖南大学何清课题组
研究方向｜超分子化学
Bigger Deeper Smarter Higher
投稿，荐稿，合作
437015451@qq.com
