AI+Drug 文献速递 | SynFlowNet，一种基于GFlowNet的模型，利用化学反应和可购买反应物构建分子

1. SynFlowNet: Design of Diverse and Novel Molecules with Synthesis Constraints

期刊: arxiv 链接: https://arxiv.org/abs/2405.01155 代码: https://github.com/mirunacrt/synflownet

简介: 本文提出SynFlowNet，一种基于GFlowNet的模型，利用化学反应和可购买反应物构建分子，解决生成模型中分子难以合成的问题。该模型通过定义基于化学反应的马尔可夫决策过程进行训练，使用特定奖励函数并探索不同的反向策略训练方法。研究采用Enamine的构建块和公开反应模板构建数据集，实验结果表明，SynFlowNet在合成可行性、样本多样性等方面表现出色，能有效生成可合成分子并探索化学空间新区域，为药物发现提供了新的计算工具。

2. DeorphaNN: Virtual screening of GPCR peptide agonists using AlphaFold-predicted active-state complexes and deep learning embeddings

期刊: bioRxiv 链接: https://doi.org/10.1101/2025.03.19.644234 代码: https://github.com/Zebreu/DeorphaNN

简介: 文章介绍了DeorphaNN，它利用AlphaFold预测的活性态复合物和深度学习嵌入来筛选GPCR肽激动剂。研究人员先对实验验证的GPCR-肽相互作用数据集进行预处理，然后用AF-Multimer建模评估其区分激动剂和非激动剂的能力，并分析AF-Multimer的隐藏层特征。在此基础上构建DeorphaNN，结合AF-Multimer结构预测、原子间相互作用和蛋白质表示进行分类。实验使用线虫、沙蚕和人类的数据集，结果显示DeorphaNN能有效识别孤儿GPCR的肽激动剂，在跨物种数据集中表现良好，优于一些现有模型。

3. AlphaFold3 in Drug Discovery: A Comprehensive Assessment of Capabilities, Limitations, and Applications

期刊: bioRxiv 链接: https://doi.org/10.1101/2025.04.07.647682

简介: 该论文全面评估了AlphaFold3在药物发现中的能力、局限性和应用。研究使用精心整理的PLINDER、GPCR DB等数据集，对AF3在多种场景下进行测试。在二元蛋白质-配体相互作用方面，AF3对静态复合物预测表现好，但对动态复合物有局限；在GPCR构象预测上存在偏向活性构象的偏差；预测三元复合物能力欠佳；在抑制剂亲和力预测上与实验值相关性差。不过，AF3在化学蛋白质组学结果预测等应用中有一定价值。总体而言，AF3有优势也有不足，需结合其他方法使用。

4. Knowledge Distillation for Molecular Property Prediction: A Scalability Analysis

期刊：Advanced Science 链接： https://doi.org/10.1002/advs.202503271 代码： https://github.com/PEESEgroup/Knowledge-Distillation-For-Molecular-Properties

简介：文章研究知识蒸馏（KD）在分子性质预测中的有效性，发现KD能提升模型性能、减少计算成本并实现跨域泛化。研究采用QM9、ESOL和FreeSolv等数据集，以SchNet、DimeNet++和TensorNet为基础构建KD框架，设置域内和跨域蒸馏两种实验。结果表明，域内KD可提升QM9数据集属性预测性能，跨域KD能将QM9训练的嵌入转移到其他数据集，提升预测能力，且不同架构模型在KD下表现各异。

5. Beyond Atoms: Enhancing Molecular Pretrained Representations with 3D Space Modeling

期刊：arxiv 链接： https://arxiv.org/abs/2503.10489v2

简介：论文提出SpaceFormer框架，通过对分子周围3D空间建模来增强分子预训练表示。该框架将3D空间离散化为网格细胞，采用网格采样/合并和高效3D位置编码等策略，并结合掩码自动编码器（MAE）进行预训练。研究使用包含1900万个分子的数据集进行预训练，在多个下游任务数据集上微调评估。结果显示，SpaceFormer在15个任务中的10个任务上表现最佳，14个任务排名前二，验证了其有效性和效率。

6. DMol: A Schedule-Driven Diffusion Model for Highly Efficient and Versatile Molecule Generation

期刊：arxiv 链接： https://arxiv.org/abs/2504.06312v1 代码： https://github.com/liekon/Discrete-Graph-Generation.git

简介：本文介绍了用于小分子生成的图扩散模型DMol，它通过改变目标函数和采用“图噪声”调度方法，在提高生成分子有效性的同时减少扩散步骤和运行时间，还能结合环压缩技术提升性能。研究在QM9、MOSES和GUACAMOL等数据集上，将DMol与多种图生成方法对比。结果表明，DMol在有效性、新颖性等指标上表现出色，且训练和采样速度更快。

7. PTM-Mamba: a PTM-aware protein language model with bidirectional gated Mamba blocks

期刊：Nature Methods 链接： https://doi.org/10.1038/s41592-025-02656-9 代码： https://huggingface.co/ChatterjeeLab/PTM-Mamba、 https://github.com/programmablebio/ptm-mamba

简介：文章开发了PTM-Mamba，这是一种能感知蛋白质翻译后修饰（PTM）的语言模型，可对野生型和PTM序列进行建模，助力下游多项任务。该模型基于Mamba构建双向Mamba块，融合ESM-2嵌入，并使用新的门控机制整合PTM标记。研究人员用来自Swiss-Prot的79,707条修饰序列训练模型，并在多个数据集上进行疾病关联预测、可药性预测等任务测试。结果显示，PTM-Mamba在这些任务上表现出色，优于多数基线模型。

8. af3cli: Streamlining AlphaFold3 Input Preparation

期刊：Journal of Chemical Information and Modeling 链接： https://doi.org/10.1021/acs.jcim.5c00276 代码： https://github.com/SLx64/af3cli

简介：af3cli是一款为简化AlphaFold3输入文件生成过程而设计的开源工具，以解决AlphaFold3输入文件生成复杂等问题。它具有用户友好的命令行界面和Python库，支持直接导入FASTA文件等功能。研究人员通过胰岛素、MEK1与配体复合物等多种生物结构实例展示其功能。在实验中，利用af3cli成功为不同复杂程度的生物系统生成输入文件，且操作简便、高效。该工具降低了AlphaFold3使用门槛，提升了输入文件生成效率，有助于相关研究人员更专注于生物结构研究。

9. PoseidonQ: A Free Machine Learning Platform for the Development, Analysis, and Validation of Efficient and Portable QSAR Models for Drug Discovery

期刊：Journal of Chemical Information and Modeling 链接： https://doi.org/10.1021/acs.jcim.4c02372 代码： https://github.com/Muzatheking12/PoseidonQ

简介：PoseidonQ是一个免费的机器学习平台，旨在简化定量构效关系（QSAR）模型的开发、分析和验证流程，以促进药物发现。该平台集成多种算法、分子指纹和描述符，能自动连接ChEMBL数据库获取数据，并可将训练好的模型部署为基于网络的应用程序。研究人员通过预测大麻素受体1型（CB1R）配体等三个案例研究进行验证，使用从ChEMBL数据库获取的数据训练模型。结果表明，PoseidonQ生成的模型在不同案例中表现良好，可有效用于药物设计和发现，为相关研究提供了便利且强大的工具。