.png){kind=icon}
返回
Benchmarking 3D Structure-Based Molecule Generators
.png){kind=icon}
OA
AI
DOI：10.1021/acs.jcim.5c01020.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
为了理解3D组合和深度学习生成器的优势与不足，创建了一个新型基准，重点关注重要蛋白质-配体相互作用和3D配体构象的重构。使用BindingMOAD数据集及其保留的盲测试集，评估了序列图神经网络生成器Pocket2Mol和PocketFlow、扩散模型DiffSBDD和MolSnapper，以及组合遗传算法AutoGrow4和LigBuilderV3。研究发现，深度学习方法无法生成结构有效的分子和3D构象，而组合方法速度较慢，且生成的分子易导致2D MOSES过滤器失败。此次评估的结果引导我们通过提高对结构有效性、3D配体构象和已知活性位点重要相互作用的重视来改进基于结构的深度学习生成器。此基准应被用于理解未来组合及深度学习生成器的局限性。该软件包在Apache 2.0许可下免费提供，可在github.com/gskcheminformatics/SBDD-benchmarking获取。
Keyword:
3D molecular generation
deep learning
combinatorial methods
protein–ligand interactions
structure-based drug design
期刊
IF:
5.3
论文数:
9.1K
被引数:
4.0W
机构
引用论文
Target Specific De Novo Design of Drug Candidate Molecules with Graph Transformer-based Generative Adversarial Networks基于图Transformer生成对抗网络的目标特异性新药候选分子从头设计.png)
IF0
PREAI
分享收藏AutoGrow4: an open-source genetic algorithm for de novo drug design and lead optimizationAutoGrow4: 一种用于从头药物设计和线索优化的开源遗传算法
OAAI
OAAI分享收藏DrugPose: benchmarking 3D generative methods for early stage drug discoveryDIGITAL DISCOVERYOAAI
DIGITAL DISCOVERYIF5.6
OAAI分享收藏The art and practice of structure-based drug design: A molecular modeling perspective基于结构的药物设计的艺术与实践: 分子建模视角
PREAI
分享收藏
查看更多内容