转载： 图科学实验室Graph Science Lab** **

通过根据目标受体的特性直接生成潜在的结合化合物，可以有效缩短早期药物设计阶段。传统上，药物设计很大程度上依赖于高通量筛选（HTS），它缺乏选择要测试的化合物的先验信息。在本论文中，我们将受体的特性整合到深层生成模型框架中，以直接有效地生成高结合化合物。第 1 章至第 4 章提供了药物设计和深度学习方法的背景信息。随后的章节正式介绍我们的工作。第一部分介绍了一种由图神经网络和通用对抗网络组成的设计，用于针对受体特异性的形状受限的小分子药物。该方法为给定受体生成 3D 构象就绪分子，执行支架跳跃和从头配体设计任务。事实证明，与 Enamine REAL 等标准 HTS 数据集相比，形状约束分子生成器在为受体生成高结合分子方面更有效。第二部分介绍了在潜在空间中运行的蒙特卡罗采样方法，以生成蛋白质结合的特异性肽药物。该方法结合了分子动力学模拟的有限反馈迭代，通过计算和实验鉴定了两个蛋白质系统中有效的结合肽药物。随后的改进包括重新设计肽采样器的优化循环，允许更多的反馈迭代并在更短的时间内生产出具有优异结合质量的肽。总之，我们的工作展示了如何将受体的特性纳入深度学习模型来提高早期药物设计过程的效率。

**论文题目：**Deep Generative Methods For Target Specific Drug Design 作者：Tong Lin **类型：**2024年博士论文

**学校：**Carnegie Mellon University（美国卡内基梅隆大学）