编辑 | ScienceAI
在药物研发领域，针对不同靶点特性和疾病机制，科学家们往往需要采用差异化的分子设计策略。小分子药物因其优异的药代动力学性质和细胞渗透性，成为靶向细胞内蛋白和口服药物的首选；多肽分子则填补了小分子与生物制剂之间的空白，其延展性结合界面可有效调控传统小分子难以靶向的蛋白-蛋白相互作用等相对大而平坦的界面；而抗体则凭借超高特异性和亲和力，在需要精确识别的治疗领域（如癌症、自身免疫疾病）占据主导地位。
然而，当前的计算生成方法仍受限于单一分子领域：小分子领域基于原子的自回归或扩散模型无法推广至更大体系的分子设计（如抗体）；而抗体生成框架通常为氨基酸表征做了特化，缺乏向其他分子类型的扩展能力。为了解决这些问题，清华大学、人民大学高瓴人工智能学院，以及字节跳动AI制药团队的研究人员们联合提出了一种全新的方法——UniMoMo，基于隐空间扩散模型统一生成靶向药物分子。该研究成果将在ICML 2025上正式发布。
背景与挑战
在药物研发过程中，分子设计是一个至关重要的环节。不同类型的药物分子，如小分子、多肽和抗体，各有其独特的优势和应用场景。然而，现有的计算生成方法大多专注于单一类型的分子设计，缺乏一种能够统一处理多种分子类型的通用方法。
小分子药物
小分子药物因其良好的药代动力学性质和细胞渗透性，广泛应用于多种疾病的治疗。然而，小分子药物的设计通常基于原子的自回归或扩散模型，这些模型在处理更大体系的分子设计时显得力不从心。
多肽分子
多肽分子填补了小分子与生物制剂之间的空白，能够有效调控蛋白-蛋白相互作用等相对大而平坦的界面。然而，多肽分子的设计需要考虑其延展性和结合界面的特性，这给计算生成方法提出了新的挑战。
抗体药物
抗体药物凭借超高特异性和亲和力，在需要精确识别的治疗领域占据主导地位。然而，现有的抗体生成框架通常为氨基酸表征做了特化，缺乏向其他分子类型的扩展能力。
UniMoMo：统一生成靶向药物分子的新方法
为了解决上述问题，研究团队提出了一种基于隐空间扩散模型的新方法——UniMoMo。该方法能够统一生成小分子、多肽和抗体等多种类型的药物分子，为药物研发提供了全新的思路。
隐空间扩散模型
隐空间扩散模型是一种基于扩散过程的生成模型，能够在隐空间中逐步生成目标分子。通过在隐空间中引入扩散过程，UniMoMo能够有效地捕捉不同类型分子的结构特征，从而实现统一生成。
模型架构
UniMoMo的模型架构主要包括以下几个部分：
- 输入编码：将不同类型的分子结构编码为统一的隐空间表示。
- 扩散过程：在隐空间中引入扩散过程，逐步生成目标分子的隐空间表示。
- 解码生成：将生成的隐空间表示解码为具体的分子的结构。
实验验证
研究团队通过一系列实验验证了UniMoMo的有效性。实验结果表明，UniMoMo在生成小分子、多肽和抗体等多种类型的药物分子时，均取得了优异的表现。具体而言：
- 小分子生成：UniMoMo在小分子生成任务上，相较于传统的自回归模型和扩散模型，生成的分子结构更加合理，药代动力学性质更优。
- 多肽生成：UniMoMo在多肽生成任务上，能够有效调控蛋白-蛋白相互作用，生成的多肽分子具有良好的结合界面和延展性。
- 抗体生成：UniMoMo在抗体生成任务上，生成的抗体分子具有超高特异性和亲和力，能够精确识别靶点。
应用前景
UniMoMo的提出，为药物分子设计提供了一种全新的通用方法，具有广泛的应用前景。
药物研发
在药物
Views: 5