AI+Drug 文献速递 | 基于自适应子结构感知专家模型的分子性质预测新突破

1. Adaptive Substructure-Aware Expert Model for Molecular Property Prediction

期刊: arxiv 链接: https://arxiv.org/abs/2504.05844v1

简介: 本文提出ASE-Mol框架用于分子性质预测，通过动态识别正负子结构提升模型性能和可解释性。该框架利用BRICS分解和子结构感知，结合专家混合（MoE）方法，将分子子结构分类并分配给专门的专家网络处理。实验使用MoleculeNet的八个基准数据集，与多种基线模型对比，并进行消融实验等。结果显示，ASE-Mol在准确性和可解释性上表现优异，能有效区分和适应不同子结构。

2. Representation Meets Optimization: Training PINNs and PIKANs for Gray-Box Discovery in Systems Pharmacology

期刊: arxiv 链接: https://arxiv.org/abs/2504.07379v1

简介: 文章提出tanh-cPIKAN架构，系统研究优化器、模型表示和训练配置对PINNs和PIKANs性能的影响，为灰色盒发现提供指导。研究采用两种系统药理学模型，对比多种优化器及学习率调度器，分析不同精度设置下模型性能。实验用的数据集来自药代动力学和药效学模型。结果表明，混合策略效果最佳，tanh-cPIKANs在双精度下优势明显。该研究为改进物理信息网络训练提供了有价值的见解。

3. Data Fusion of Deep Learned Molecular Embeddings for Property Prediction

期刊: arxiv 链接: https://arxiv.org/abs/2504.07297v1

简介: 本文利用数据融合技术提升分子性质预测模型性能，解决多任务学习在稀疏数据集上的不足。通过融合单任务模型的分子嵌入训练多任务模型，并在两个数据集上进行实验。其中一个是新编译的包含多种实验和计算性质的稀疏数据集，另一个是QM9基准数据集。实验结果显示，融合的多任务模型在稀疏数据集上优于标准多任务模型，在完整数据集上也有良好表现。

4. PLM-eXplain: Divide and Conquer the Protein Embedding Space

期刊: arxiv 链接: https://arxiv.org/abs/2504.07156v1

简介: 本文提出PLM-eXplain（PLM-X）可解释适配器层，平衡蛋白质语言模型的可解释性与预测能力。方法是将ESM2的嵌入分解为可解释子空间和保留预测能力的残差子空间。在蛋白质聚集倾向、细胞外囊泡关联和跨膜螺旋预测三个任务上进行实验，使用来自AlphaFoldDB等的数据集。结果表明，PLM-X能保持原模型性能，且可解释模型决策。

5. LPBERT: A Protein–Protein Interaction Prediction Method Based on a Pre-Trained Language Model

期刊: Applied Sciences 链接: https://doi.org/10.3390/app15063283 代码: https://github.com/yelou2022/LPBERT

简介: 本文提出LPBERT深度学习框架用于蛋白质-蛋白质相互作用预测，创新地引入ProteinBERT获取蛋白质序列嵌入表示，并设计特定模块提升性能。该框架以ProteinBERT为编码器，结合卷积神经网络、Transformer编码器和双向长短期记忆网络对蛋白质序列进行处理和预测。实验使用多个公开的高置信度基准数据集，与多种方法对比。结果显示，LPBERT在多个数据集上表现优异，在BioGRID的H. sapiens和S. cerevisiae数据集上准确率分别达98.93%和97.94%。

6. HepatoToxicity Portal (HTP): an integrated database of drug‑induced hepatotoxicity knowledgebase and graph neural network‑based prediction model

期刊: Journal of Cheminformatics 链接: https://doi.org/10.1186/s13321-025-00992-8

简介: 文章构建了HepatoToxicity Portal（HTP），整合肝毒性知识库与图神经网络预测模型，助力药物研发。其通过整合九个数据库构建HTP-KB，并利用MedDRA术语注释和独特评分系统处理数据；基于预训练的图神经网络MolCLR开发HTP-Pred进行毒性预测。实验使用多个数据库数据训练和评估模型，并与多种现有方法对比。结果表明，HTP-Pred的AUROC达0.761，优于其他方法。HTP为研究人员提供了全面的肝毒性数据和精准的预测服务，推动药物研发进展。

7. LM-PROTAC: a language model-driven PROTAC generation pipeline with dual constraints of structure and property

期刊: Research Square 链接: https://doi.org/10.21203/rs.3.rs-6356959/v1 代码: https://github.com/NTU-MedAI/DCT

简介: 本文开发了LM-PROTAC管道，通过嵌入基于Transformer的生成模型并施加结构和属性双重约束，用于生成PROTAC分子。该管道先利用语言模型驱动的亲和力模型筛选分子片段，再在生成过程中对片段进行结构和理化性质约束，最后用多维属性预测模型筛选。实验使用ZINC、BindingDB等多个数据集，以Wnt3a为靶点生成并验证PROTAC分子。结果显示，生成的分子与原始数据集相似，能有效降解目标蛋白。该研究为PROTAC药物生成提供了完整解决方案，提高了药物发现效率。

8. Machine Learning for Predicting the Drug-to-Antibody Ratio (DAR) in the Synthesis of Antibody−Drug Conjugates (ADCs)

期刊: Journal of Chemical Information and Modeling 链接: https://doi.org/10.1021/acs.jcim.5c00037 代码: https://github.com/LorenzoAngiolini/Bioconj_calculator

简介: 本文开发了基于机器学习的算法预测抗体偶联药物（ADC）合成中的药物-抗体比（DAR），通过XGBoost算法整合多种数据，提升预测准确性。研究收集并预处理实验数据，将其转化为分子描述符，用多种回归模型对比预测DAR值，选择XGBoost算法并优化其超参数。实验使用自建数据集，涵盖不同单克隆抗体和连接子-有效载荷系统。结果显示，XGBoost模型在赖氨酸和半胱氨酸数据集上(R^{2}) 分数分别达0.85和0.95，预测性能良好。该研究为ADC合成的生物共轭过程优化提供了有效方法。

9. Molecular Connectivity Index-Based Data Augmentation for Molecular Property Prediction

期刊: IEEE Transactions on Computational Biology and Bioinformatics 链接: https://doi.org/10.1109/TCBBIO.2025.3553815

简介: 文章提出结合分子连接性指数和数据增强技术的方法，用于分子性质预测，能生成可靠数据并提高预测精度。该方法通过保持1阶或价连接性指数不变来修改分子图，生成增强数据，并利用化学规则和标签过滤数据。研究使用五个基准数据集，以多种图神经网络模型为基础进行实验。结果表明，该方法在不同数据分割设置下均表现出色，如在GIN模型上，相比原始模型平均相对准确率提升14.98% 。

10. GRAPEVINE: A Reinforcement Failing Framework for AI-Guided Discovery of Hidden Spatial Dynamics in Adaptive Tumor Therapy

期刊: biorxiv 链接: https://doi.org/10.1101/2025.04.08.647768 代码: https://github.com/sergiyayf/PhysiLearning

简介: 本文提出GRAPEVINE框架，通过强化失败概念挖掘肿瘤治疗中隐藏的空间动力学，优化自适应治疗策略。该框架对比高低保真环境中多个强化学习智能体的表现，识别关键特征并优化训练环境。研究构建基于PhysiCell的肿瘤模拟环境，训练智能体并分析其决策行为。结果发现位置依赖生长和细胞运动是治疗失败的关键因素，融入这些特征后智能体性能显著提升。

11. A beginner’s approach to deep learning applied to VS and MD techniques

期刊: Journal of Cheminformatics 链接: https://doi.org/10.1186/s13321-025-00985-7

简介: 文章综述深度学习在虚拟筛选（VS）和分子动力学（MD）模拟中的应用，为相关研究人员提供指导。文中介绍多种深度学习模型，如在VS中用于生成分子指纹、预测结合亲和力等，在MD中用于引导构象采样、计算原子间力等。实验涉及多个数据集和模型，如使用PDBbind数据库训练模型预测药物-靶点相互作用。结果显示，深度学习可提高VS和MD的效率和准确性。