AI+Drug 文献速递 | 通过多种RL扩展组件可以显著提升REINFORCE算法在药物设计中的应用效果

1. REINFORCE-ING Chemical Language Models in Drug Design

期刊：arXiv

链接：https://arxiv.org/abs/2501.15971

简介：本文研究了在药物设计中结合化学语言模型（CLMs）和强化学习（RL）的方法，重点探讨了REINFORCE算法的不同扩展组件及其在分子生成中的效果。创新点在于提出了一种新的奖励重塑机制，能够更好地控制优化效率和先验策略正则化之间的权衡。方法上，作者通过引入基线、爬山策略、经验回放和奖励重塑等RL理论中的组件来增强REINFORCE算法的性能。实验使用了MolOpt基准测试，通过10,000个分子的预算进行优化，结果表明新的奖励重塑机制在控制先验策略正则化和优化效率方面表现出色，且经验回放和基线策略显著提高了生成分子的有效性和效率。总结来说，本文通过多种RL扩展组件显著提升了REINFORCE算法在药物设计中的应用效果。

2. GS-DTA: integrating graph and sequence models for predicting drug-target binding affinity

期刊：BMC Genomics

链接：https://bmcgenomics.biomedcentral.com/articles/10.1186/s12864-025-11234-4

简介：本文提出了一种名为GS-DTA的新方法，通过结合图神经网络和序列模型预测药物-靶标结合亲和力（DTA），其创新点在于融合GATv2、GCN和多层GCN提取药物特征，并结合CNN、Bi-LSTM和Transformer提取蛋白质序列特征以全面捕捉局部与全局信息。该方法使用Davis和KIBA数据集进行实验，结果表明GS-DTA在CI、MSE和r2指标上表现优异，尤其在Davis数据集的CI和KIBA数据集的MSE上排名第一。通过消融实验验证了各模块的有效性，证明了模型在复杂结构分子和长程依赖关系处理上的优势。总之，GS-DTA为药物发现和开发提供了高效且准确的预测工具。

3. A Multi-View Feature-Based Interpretable Deep Learning Framework for Drug-Drug Interaction Prediction

期刊：Interdisciplinary Sciences: Computational Life Sciences

链接：https://link.springer.com/article/10.1007/s12539-025-00687-6

简介：本文提出了一种名为MI-DDI的多视图特征可解释深度学习框架，用于药物-药物相互作用（DDI）预测，其创新点在于结合原子视图和子结构视图特征，并通过交互模块实现可解释性。该方法利用消息传递神经网络（MPNN）提取原子特征，通过Transformer编码器学习子结构嵌入，并将两者融合以生成交互矩阵用于预测。实验在BIOSNAP和DrugBank数据集上进行，结果表明MI-DDI在二分类任务中ROC-AUC达到0.9374±0.0010，在多分类任务中ACC达到0.9553，显著优于现有方法。总之，MI-DDI通过多视图特征融合和可解释性设计，为DDI预测提供了更高的准确性和透明性。

4. Artificial Intelligence in Natural Product Drug Discovery: Current Applications and Future Perspectives

期刊：Journal of Medicinal Chemistry

链接：https://pubs.acs.org/doi/10.1021/acs.jmedchem.4c01257

简介：这篇论文探讨了人工智能（AI）在天然产物（NP）药物发现中的应用及未来前景，创新性地提出了整合生成式AI和机器学习以加速NP药物开发的方法。作者详细描述了AI在NP靶点预测、基因组挖掘、合成规划及化合物筛选中的具体应用，并通过使用如NP Atlas、COCONUT等数据库以及深度学习模型（如Deep Learning和GANs）成功验证了多种活性化合物的发现与优化。研究表明，尽管AI在NP药物研发中仍面临数据稀缺和复杂性挑战，但其潜力巨大，未来有望推动新型治疗药物的高效开发。

5. HiRXN: Hierarchical Attention-Based Representation Learning for Chemical Reaction

期刊：Journal of Chemical Information and Modeling

链接：https://pubs.acs.org/doi/10.1021/acs.jcim.4c01787

简介：本文提出了一种名为HiRXN的化学反应表示学习方法，创新性地结合了原子微环境多层次信息和分层注意力机制以提升化学反应预测性能。该方法通过RXNTokenizer对化学反应进行分词并提取多半径原子微环境特征，利用双向门控循环单元（BiGRU）和注意力机制学习反应的分层结构特征。实验在Buchwald−Hartwig、Suzuki−Miyaura和不对称N,S-缩醛数据集上完成回归任务，在USPTO 1k TPL数据集上完成分类任务，结果表明HiRXN在反应产率预测和反应类型分类中均优于现有方法。研究表明，HiRXN能够更全面地捕捉化学反应的复杂结构信息，为化学信息学提供了有力工具。

6. Leveraging Large Language Models to Predict Antibody Biological Activity Against Influenza A Hemagglutinin

期刊：arXiv

链接：https://arxiv.org/abs/2502.00694

简介：本研究利用大型语言模型预测抗体对甲型流感病毒血凝素（HA）的生物活性，创新性地展示了AI在抗体设计中的潜力。研究基于MAMMAL框架，通过微调预训练的生物医学语言模型，仅使用序列信息预测抗体-HA相互作用。实验采用5折交叉验证，在结合活性和血凝抑制（HAI）数据集上评估了四种数据划分策略，结果显示模型在已知HA上的AUROC≥0.91，但在新抗体上的表现下降至0.63-0.73。研究表明，AI模型可显著减少实验室测试需求，但需更大规模和多样化的数据集以提升泛化能力。

7. Equivariant Hypergraph Diffusion for Crystal Structure Prediction

期刊：arXiv

链接：https://arxiv.org/abs/2501.18850

简介：本文提出了一种基于超图的晶体结构预测新方法，创新性地利用超图捕捉高阶原子相互作用并保留晶体对称性。作者设计了等变超图扩散模型（EH-Diff），结合分数匹配和去噪扩散技术生成晶格向量与分数坐标。实验在Perov-5、Carbon-24、MP-20和MPTS-52四个数据集上进行，结果表明EH-Diff在仅生成一个样本的情况下显著优于现有方法，达到最高匹配率和最低误差。该研究为复杂晶体材料建模提供了更高效且准确的解决方案。

8. DyAb: sequence-based antibody design and property prediction in a low-data regime

期刊：bioRxiv

链接：https://www.biorxiv.org/content/10.1101/2025.01.28.635353v1

简介：本文提出了一种名为DyAb的深度学习模型，通过利用成对表示预测蛋白质属性差异，在低数据条件下实现抗体设计与优化，其创新点在于结合预训练蛋白质语言模型和相对嵌入来提升性能。DyAb基于预训练语言模型提取序列特征，计算相对嵌入后使用卷积神经网络预测属性差异，并可结合遗传算法生成新序列。实验使用了针对三种抗原（EGFR、IL-6及一个内部靶标）的小型抗体亲和力数据集（如COSMO数据集），在少至100个标记样本的情况下，模型预测的Spearman相关系数最高达到0.85，生成的抗体候选序列表达率超过85%，部分设计将亲和力提升了十倍以上。研究证明DyAb在早期药物开发中具有高效优化抗体特性的潜力。

9. Protein-ligand structure and affinity prediction in CASP16 using a geometric deep learning ensemble and flow matching

期刊：Under Review

链接：https://github.com/BioinfoMachineLearning/MULTICOM_ligand

简介：本文介绍了一种名为MULTICOM_ligand的深度学习集成方法，用于蛋白质-配体结构和结合亲和力预测，其创新点在于结合了几何深度学习和流匹配技术以提升预测准确性。该方法通过整合多种深度学习模型预测配体姿态，并使用FlowDock生成模型进行联合结构与亲和力评估。实验在CASP16竞赛中完成，使用了PDBBind 2020数据集进行亲和力预测，结果表明其在姿态预测和亲和力预测中均排名前五，展示了其在药物发现中的实用价值。本研究为蛋白质-配体建模提供了高效且准确的新工具。