【JCIM】四篇好文简读-专题1

一

论文题目：

Scaffold-Retained Structure Generator to Exhaustively Create Molecules in an Arbitrary Chemical Space 论文摘要：

构建基于结构−活性关系的新颖分子组成的虚拟库(VL)对于合理药物设计中的先导物优化至关重要。在本研究中，作者提出了一种新的骨架保持的结构生成器，EMPIRE（Exhaustive Molecular library Production In a scaffold-REtained manner），以在任意的化学空间中创造新的分子。通过将基于深度学习模型的生成器和基于构建Block的生成器相结合，该方法有效地提供了一个由保留了输入分子骨架的分子组成的虚拟库，并且库中包含独特的任意子结构。该方法使人们能够构建位于未探索的化学空间中的合理虚拟库，该空间包含具有独特骨架的分子(如二环[1.1.1]戊烷和立方体)或元素（如硼和硅）。

论文链接：

https://pubs.acs.org/doi/pdf/10.1021/acs.jcim.1c01130 代码链接：

http://labo.bio.kyutech.ac.jp/~yamani/empire/

二

论文题目：

AutoDock Vina 1.2.0: New Docking Methods, Expanded Force Field, and Python Bindings 论文摘要：

AutoDock Vina可以说是最快速和最广泛使用的分子对接开源程序之一。然而，与AutoDock组件中的其他程序相比，它缺乏对建模特定特征的支持，如大环或显式水分子。在这里，作者将在AutoDockVina1.2.0中实现这个功能。此外，AutoDockVina1.2.0支持AutoDock4.2评分函数，同时对接多个配体，以及一个可以对接大量配体的批处理模式。此外，作者还实现了Python包，以促进脚本编写和对接workflow的开发。这项工作努力去结合AutoDock4和AutoDock Vina程序的特点。

论文链接：

https://pubs.acs.org/doi/abs/10.1021/acs.jcim.1c00203 代码链接：

https://github.com/ccsb-scripps/AutoDock-Vina

三

论文题目：

Scaffold-Constrained Molecular Generation

论文摘要：

为了解决直接生成分子无法产生药物先导化合物特定骨架的问题，作者介绍了SAMOA算法（骨架约束分子生成），以在分子设计中执行骨架约束。模型以基于SMILES的RNN生成模型为基础，采用改进的采样程序来实现骨架约束生成。模型可以低水平的控制生成分子的骨架，包括是否为线性结构，以及分子中是否含有环或者支链。使用强化学习方法，模型可以在只探索相关的化学空间的情况下，针对不同性质优化分子，作者在从SureChEMBL数据集中提取的骨架针对多巴胺受体D2(DRD2)靶点设计新的活性分子任务，以及针对MMP-12数据集的活性预测任务上证明了模型的能力。

论文链接：

https://doi.org/10.1021/acs.jcim.0c01015

Github链接：

https://github.com/maxime-langevin/scaffold-constrained-generation

四

论文题目：

MolGPT: Molecular Generation Using a Transformer-Decoder Model 论文摘要：

深度学习技术在分子的从头生成中的应用，已经在药物设计中获得了巨大的关注。分子以SMILES的形式表示为一串字符，使得可以在分子设计中使用自然语言处理中最先进的模型，如Transformer。受生成式预训练(GPT)模型的启发，该模型已被证明能够成功地生成有意义的文本，在本研究中，作者训练了一个Transformer解码器来进行下一个标记预测任务，使用掩蔽自注意来生成类药分子。作者表明，作者的模型，MolGPT，在生成有效、独特和新的分子方面，与其他先前提出的现代机器学习框架表现相同。此外，作者还证明了该模型可以被有条件地训练来控制所生成的分子的多种性质。作者还表明，该模型可以用于生成具有所需支架的分子和所需的分子性质，通过调节生成所需骨架的SMILES和性质。利用显著性图，作者强调了模型生成过程的可解释性。

论文链接：

https://pubs.acs.org/doi/pdf/10.1021/acs.jcim.1c00600 代码链接：

https://github.com/devalab/molgpt