AI+Drug 文献速递 | ModuLM，支持超 5 万种模型配置的模块化多模态分子关系学习框架

1. ModuLM: Enabling Modular and Multimodal Molecular Relational Learning with Large Language Models

期刊: arXiv 链接: https://arxiv.org/abs/2506.00880v1 代码: https://anonymous.4open.science/r/ModuLM

简介: 分子关系学习（MRL）需处理分子间相互作用，现有框架缺乏多模态支持和灵活架构。本文提出ModuLM，首个支持模块化组装和多模态输入的LLM框架，集成8种2D图编码器、11种3D构象编码器、7种交互层及7种LLM主干，可动态生成超5万种模型配置。实验在DDI、SSI等任务中使用DrugBank、MNSol等数据集，结果显示ModuLM在AUC-ROC、RMSE等指标上优于Galactica、MolTC等基线，如在DeepDDI数据集准确率达0.964，且结合3D构象和交互层可显著提升性能。研究表明，ModuLM通过模块化设计和测试时扩展，为MRL提供了标准化的跨模型比较平台，推动分子交互机制的可解释性研究。

2. ProtInvTree: Deliberate Protein Inverse Folding with Reward-guided Tree Search

期刊: arXiv 链接: https://arxiv.org/abs/2506.00925v1

简介: 蛋白质逆折叠需平衡序列多样性与结构一致性，现有方法多忽视一对多特性。本文提出ProtInvTree，首个基于奖励引导树搜索的框架，将序列生成建模为分步决策过程，利用蒙特卡洛树搜索（MCTS）探索多路径，结合“聚焦-锚定”机制解耦位置选择与残基生成，并通过跳跃去噪快速评估中间状态。实验在CATH v4.2/v4.3和CASP15的TS45数据集上显示，ProtInvTree的scTM-score比基线最高提升18.3%，生成序列多样性和新颖性显著优于AlphaDesign等模型，如在TS45数据集RMSD低至2.513。该研究为蛋白质设计提供了兼顾全局优化和多样性的新范式，验证了测试时扩展对预训练语言模型的潜力释放。

3. Modeling All-Atom Glycan Structures via Hierarchical Message Passing and Multi-Scale Pre-training

期刊: arXiv 链接: https://arxiv.org/abs/2506.01376v1 代码: https://github.com/kasawa1234/GlycanAA

简介: 现有聚糖模型忽视原子级结构，难以捕捉关键相互作用。本文提出GlycanAA，将聚糖表示为包含原子和单糖节点的异质图，通过分层消息传递捕获从原子到单糖的多级交互，并设计多尺度掩码预测的自监督预训练策略PreGlycanAA。在GlycanML基准的11项任务中，PreGlycanAA和GlycanAA分别位列第一、第二，如在分类任务Macro-F1达0.661，显著优于RGCN等基线。消融实验验证分层结构和预训练的有效性，尽管计算成本增加19%，但性能提升显著。研究填补了原子级聚糖建模空白，为疫苗设计等应用提供了高精度工具。

4. SOC-DGL: Social Interaction Behavior Inspired Dual Graph Learning Framework for Drug-Target Interaction Identification

期刊: arXiv 链接: https://arxiv.org/abs/2506.01405v1 代码: https://github.com/Zhaoxiang0422/SOC-DGL

简介: 药物-靶点相互作用（DTI）预测对药物发现至关重要，但现有模型多局限于同质图的直接相似性挖掘，忽视异质图中的高阶相似性。本文提出SOC-DGL，受社交行为启发设计双图学习框架，包含亲和驱动图学习（ADGL）和平衡驱动图学习（EDGL）模块。ADGL通过全局图卷积捕捉药物-靶点的直接关联和相似性，EDGL利用平衡理论和偶多项式图滤波器挖掘高阶间接相似性，同时设计可调失衡损失函数缓解数据不平衡问题。实验在KIBA、Davis等四个基准数据集上进行，结果显示SOC-DGL在AUROC、AUPR等指标上显著优于GraphDTA、MLMC等基线，尤其在数据不平衡和冷启动场景下表现突出，如在KIBA不平衡数据集上AUROC达0.9364，且成功预测ABL1靶点的潜在药物。该研究为DTI预测提供了兼顾多尺度相似性和数据平衡的新方法，提升了模型在真实生物场景中的泛化能力。

5. Neuro-Symbolic Generative Diffusion Models for Physically Grounded, Robust, and Safe Generation

期刊: arXiv 链接: https://arxiv.org/abs/2506.01121v1

简介: 扩散模型在生成任务中缺乏物理约束和安全性保证，本文提出神经符号扩散框架（NSD），通过将扩散步骤与符号优化交织，实现生成样本在连续（如图像、轨迹）和离散（如分子结构、文本）模态下的约束一致性。NSD利用投影算子和增广拉格朗日方法，在反向扩散过程中强制满足用户定义的函数和逻辑约束，如分子毒性规避、轨迹避障等。实验验证了NSD在三个关键挑战中的有效性：在分子生成中实现100%非毒性约束满足，在多机器人轨迹规划中成功率达93%-100%，在材料微结构设计中精确控制孔隙率。理论分析表明，NSD在凸约束下可保证收敛性，为科学和工程领域的可控生成提供了可靠框架，推动可信AI在高风险场景的应用。

6. MolTextNet: A Two-Million Molecule-Text Dataset for Multimodal Molecular Learning

期刊: arXiv 链接: https://arxiv.org/abs/2506.00009v1 代码: https://huggingface.co/datasets/liuganghuggingface/moltextnet

简介: 现有分子-文本数据集规模小且描述稀疏，限制了多模态模型的训练。本文构建MolTextNet，包含250万高质量分子-文本对，通过整合ChEMBL35的结构、性质、生物活性数据，利用GPT-4o-mini生成结构化描述，平均文本长度是现有数据集的10倍以上。数据涵盖分子结构（如官能团、环组成）、性质（如理化参数、生物活性）和合成复杂度（如SCScore、SAScore），支持属性预测、结构检索等任务。实验显示，在MolTextNet上预训练的CLIP模型在OGB基准任务中性能优于现有数据集，如在HIV分类中AUC达0.783，零样本结构检索准确率100%。MolTextNet为分子科学的多模态学习提供了大规模、高信息密度的数据集，促进基础模型的开发和跨任务泛化。

7. MUDI: A Multimodal Biomedical Dataset for Understanding Pharmacodynamic Drug-Drug Interactions

期刊: arXiv 链接: https://arxiv.org/abs/2506.01478v1 代码: https://github.com/hoangbros03/MUDI

简介: 现有药物-药物相互作用（DDI）数据集多为单模态且缺乏药效学方向标注，本文发布MUDI数据集，整合药理学文本、分子结构图、图像和化学式4种模态，包含310,532对药物对，标注为协同、拮抗或新效应，并设置包含未见药物的测试集以评估模型泛化能力。通过贝叶斯优化调参，对比了晚期融合投票和中间融合策略的基线模型，结果显示中间融合在方向无关场景下微平均F1达66.69%，显著优于晚期融合，且分子图模态表现最佳（F1=65.44%）。MUDI为多模态DDI预测提供了标准化资源，其结构化标注和开放资源有助于推动可解释模型开发，但其标签依赖文本规则且未经验证，未来可扩展至药代动力学场景。

8. Bridging Quantum and Classical Computing in Drug Design: Architecture Principles for Improved Molecule Generation

期刊: arXiv 链接: https://arxiv.org/abs/2506.01177v1 代码: https://github.com/amerorchis/Hybrid-Quantum-GAN

简介: 针对量子-经典混合模型在药物设计中架构优化问题，本文通过多目标贝叶斯优化（MOTPE）调参，提出BO-QGAN模型，采用3层7量子比特浅层电路结合2层227神经元的经典网络，在QM9数据集上生成分子的Drug Candidate Score（DCS）达1.19，较基线量子混合模型和经典模型分别提升2.27倍和2.21倍，且参数减少60%以上。实验表明，3-4层浅层量子电路比单一深层结构更有效，经典网络容量超过阈值后性能增益有限。该研究首次提供混合模型架构设计原则，验证了量子组件在分子生成中的独特价值，但其物理量子硬件验证受限于样本量，未来需扩展至更大分子和真实场景。

9. Recent Developments in GNNs for Drug Discovery

期刊: arXiv 链接: https://arxiv.org/abs/2506.01302v1

简介: 图神经网络（GNNs）在药物发现中应用广泛，本文综述其在分子生成、性质预测和药物-药物相互作用（DDI）预测的最新进展。分子生成方面，GNNs通过无约束生成、特定子结构约束生成和配体-蛋白质结合生成三类框架，如MoLeR利用基序拼接分子，SQUID基于3D形状生成配体；分子性质预测中，3D-GNNs结合对比学习和预训练提升性能，如SphereNet利用球形消息传递，GraphMVP融合2D/3D信息；DDI预测则通过多模态融合和注意力机制，如MRCGNN结合分子图和相互作用网络，SafeDrug纳入患者病史实现个性化推荐。文中还总结了QM9、DrugBank等基准数据集，并指出数据异质性、模型可解释性和多组学整合是当前挑战。该综述系统梳理了GNNs在药物发现的技术脉络，为跨学科研究提供了重要参考。

10. Manipulating 3D Molecules in a Fixed-Dimensional SE(3)-Equivariant Latent Space

期刊: arXiv 链接: https://arxiv.org/abs/2506.00771v1

简介: 针对3D分子设计中序列恢复与设计性脱节的问题，本文提出MolFLAE，通过变分自编码器（VAE）学习固定维度的SE(3)-等变潜在空间，实现无监督分子生成与零样本操作。模型利用SE(3)-等变神经网络编码分子至固定长度的虚拟节点潜码，结合贝叶斯流网络（BFN）解码重构结构，并通过残差级偏好优化（ResiDPO）解耦空间与语义特征。实验在QM9、GEOM-Drugs等数据集上显示，MolFLAE生成分子的原子稳定性达99.3%，且通过潜空间插值可生成保留关键相互作用的优化分子（如人糖皮质激素受体抑制剂），设计成功率提升近3倍。该研究为分子编辑提供了灵活框架，但其潜空间可解释性仍需优化。

11. Improving Protein Sequence Design through Designability Preference Optimization

期刊: arXiv 链接: https://arxiv.org/abs/2506.00297v1

简介: 现有蛋白质序列设计模型侧重序列恢复，忽视折叠成目标结构的设计性。本文提出ResiDPO，将直接偏好优化（DPO）与残基级设计性奖励结合，利用AlphaFold的pLDDT分数作为偏好信号，解耦残基级优化与全局约束。通过在LigandMPNN上微调得到EnhancedMPNN，在酶设计基准测试中，设计成功率从6.56%提升至17.57%，结合SHAP分析揭示关键残基贡献（如带电氨基酸增加）。实验使用PDB-D数据集，验证了方法在单体和复合物设计中的泛化性，但对极复杂结构仍有局限。该研究为蛋白质设计提供了数据高效的优化策略，推动计算设计与实验验证的衔接。

12. Enhancing Drug Discovery: Autoencoder-Based Latent Space Augmentation for Improved Molecular Solubility Prediction Using LatMixSol

期刊: arXiv 链接: https://arxiv.org/abs/2506.00223v1

简介: 分子溶解度预测受限于数据稀缺与高维特征，本文提出LatMixSol，通过自编码器将分子描述符压缩至64维潜空间，结合谱聚类引导的MixUp插值生成合成样本。在Huuskonen数据集上，该方法使CatBoost、LightGBM等模型的RMSE降低3.2–7.6%，其中HistGradientBoosting提升最显著（7.6%），且生成样本的化学有效性通过重构误差和成对距离验证。SHAP分析表明，脂溶性（MolLogP）和分子重量（MolWt）是关键特征，与ADME原则一致。研究为资源受限的药物发现提供了高效数据增强方案，但需在更大数据集验证泛化性。

13. Inventum.AI: An Automated Drug Design Platform with Integrated Pseudo-Ligand Representation for Ligand Generation, Binding Site Annotation, and Affinity Prediction

期刊: AI4X 2025 链接: https://openreview.net/forum?id=AS6vZAjepz

简介: 现有药物设计流程耗时且依赖实验，Inventum.AI平台整合图神经网络（GNN）实现从结合位点检测到配体生成的自动化管线。其核心模块包括SiteRadar（结合口袋检测）、SiteMap（口袋注释）和配体生成模块，通过几何模型与氨基酸特异性GNN预测口袋位置，利用伪配体表示引导骨架生成，并结合集成GNN回归器预测亲和力。在IRAK4激酶案例中，平台3天内生成42个配体，其中6个经实验验证具有低微摩尔抑制活性。与FPocket、PUResNet等模型相比，SiteRadar在结合口袋检测的精度（0.88）、召回率（0.91）和定位准确性（DCC 0.76）上表现更优。该平台为药物发现提供了快速、可解释的解决方案，但其对复杂靶点的泛化能力仍需更多验证。

14. PMODiff: Physics-Informed Multi-Objective Optimization Diffusion Model for Protein-Specific 3D Molecule Generation

期刊: Journal of Chemical Information and Modeling 链接: https://doi.org/10.1021/acs.jcim.5c00591 代码: https://github.com/zhangyaoxiang/PMODiff/tree/main

简介: 针对现有3D分子生成模型忽视物理化学约束和多属性优化的问题，PMODiff将简化的Lennard-Jones势能整合至扩散去噪阶段，同时利用预训练网络引导亲和力、药物相似性（QED）和合成可及性（SA）的多目标优化。模型在CrossDocked2020数据集上生成的配体平均Vina分数达-7.44，较现有方法提升13%，且结构多样性（JSD=0.08）和对接稳定性（RMSD<1.5Å）表现优异。消融实验表明，物理约束模块使亲和力提升显著，而多属性引导确保了综合性能平衡。尽管在合成可及性上仍有提升空间，PMODiff为基于结构的药物设计提供了兼顾物理真实性和药理特性的新范式。

15. Prediction of drug-target interactions based on substructure subsequences and cross-public attention mechanism

期刊: PLOS One 链接: https://doi.org/10.1371/journal.pone.0324146

简介: 现有DTI预测模型常忽略子结构与全局特征的交互，SSCPA-DTI通过多特征挖掘模块（MIMM）提取药物/蛋白质的子结构序列和原始序列特征，利用交叉协同注意力模块（CPA）融合特征并捕捉相互作用模式。在Human、C.elegans和KIBA数据集上，模型AUC分别达0.990、0.992和0.9237，较基线模型（如CoaDTI-pro、HyperAttentionDTI）提升显著。消融实验显示，MIMM和CPA模块分别使性能提升3-4%和0.3-0.8%。案例分析中，模型对谷胱甘肽与其靶蛋白的预测准确率达85%，并通过分子对接验证了相互作用机制。该研究为DTI预测提供了融合局部结构与全局特征的有效框架，但对极稀疏数据场景的适应性需进一步探索。