当前位置:首页  院系

浙江大学药学院团队在Nature Communications报道基于模块化反应和强化学习的分子生成方法

发布时间:2024-11-26来源:药学院作者:12

在全新药物设计DNDD领域,生成模型的应用已成为备受关注的跨学科研究热点。然而,当前生成模型的一个主要限制在于生成分子的可合成性,这使得其效果难以获得药物化学专家的广泛认可。为提高生成分子的可合成性,一些研究人员尝试将传统药物设计中的组合化学技术引入生成模型。这些模型通过预定义的反应规则,将合成子模块进行组装,从而构建新颖分子。尽管这些方法能够在一定程度上保证生成分子的高合成性,但与传统组合化学技术类似,它们仍然面临一些局限性,例如部分生成分子的实际合成难度较高,以及生成分子的生物活性存在不确定性等问题。

20241122日,浙江大学药学院谢昌谕和侯廷军教授团队在《Nature Communications》发表了题为“ClickGen: Directed Exploration of Synthesizable Chemical Space via Modular Reactions and Reinforcement Learning” 的研究成果,介绍了一种基于模块化反应和强化学习的模型 ClickGen,用于对可合成化学空间的定向探索。该方法通过模块化反应组装分子,结合强化学习与分子补全技术,确保生成的分子具有高多样性、新颖性以及对蛋白的强亲和力。在针对 PARP1 的药物设计中,该方法显示出显著的效率优势,仅用 20 天便完成了先导化合物的设计、合成与生物活性测试,相较于传统药物设计方法更加高效。在生物活性实验中,两种候选化合物表现出优异的抗增殖活性、较低的毒性以及对 PARP1 的纳摩尔级抑制活性。该方法代表了分子生成领域的全新范式,有望推动AI驱动的自动化实验和闭环分子设计的进一步实现,为新药研发提供了新的可能性。

1. ClickGen模型构建流程

浙江大学药学院为本论文的第一署名单位,浙江大学药学院博士后王明阳,承德医学院教师李帅以及浙江大学药学院博士后王極可为共同第一作者,浙江大学侯廷军教授和谢昌谕教授为共同通讯作者。                                    

原文链接:https://www.nature.com/articles/s41467-024-54456-y