A pharmacophore-guided deep learning approach for bioactive molecular generation（PGMG）

一、简介

PGMG：

是一种用于生物活性分子生成的药物团引导深度学习方法。

使用图形神经网络对空间分布的化学特征进行编码，并使用变压器解码器生成分子。

优点：

PGMG生成的分子具有较强的对接亲和力和较高的有效性、唯一性和新颖性。

二、背景

当前障碍：

缺乏活性数据是将基于深度学习的方法应用于药物设计的主要障碍之一，特别是对于一个新的靶点家族。药物设计策略的选择也取决于可以使用什么信息，例如受体结构或一些已知的活性配体，因此缩小了许多深度学习方法的应用范围。

基于药物团的药物设计有许多成功的应用，但其在深度生成模型中的潜力尚未得到充分利用。

三、特点

1. 为了克服数据稀缺的问题，提出了将生化知识结合到分子生成模型中的方法。

2. PGMG使用药效团假说作为连接不同类型活动数据的桥梁。药效团假说可以通过叠加一些活性化合物来构建，也可以从给定靶标的结构中推断出来。

        药效团：一组空间分布的化学特征，是药物与靶标结合所必需的。

3. 在PGMG中，我们提供了一种不同的方法，可以在不同的药物设计场景中灵活生成，而无需进一步微调，特别是对于活性数据不足的新发现靶点。我们使用完全图来完全表示药效团，每个节点对应一个药效团特征，这样空间信息就可以编码为每个节点对之间的距离。使用图作为唯一输入，PGMG可以生成与相应药效团匹配的分子。这使PGMG能够以统一的表示和生物学上有意义的方式利用不同类型的活性数据来控制分子设计过程。此外，由于药效团和分子具有多对多关系，PGMG引入了潜在变量来模拟这种关系，以提高生成分子的多样性。此外，采用变压器结构作为主