科创中国
一种通过反应性分子砌块进行合理配体生成与毒性控制的深度学习方法
发布时间: 2025-04-29
基本信息
合作方式：
作价入股
成果类型：
发明专利
行业领域：
生物与新医药技术,医药生物技术
成果介绍
近年来，人工智能技术，特别是深度学习模型，在药物设计领域备受关注。然而，由于化学空间的复杂性，现有方法难以精确捕捉合理的药物分子模式，导致生成的药物常面临合成难度大、毒性高等问题。如何设计出合理的药物分子，并让其性质可控，仍是当前亟待解决的挑战。与此同时，DNA编码化合物文库（DEL）技术是一项作为药物发现领域成熟的湿实验技术虽能借助 DNA 片段与化合物结合形成庞大化合物库，快速筛选与靶标蛋白结合的分子，却存在化合物库规模受限的短板。
为了克服现有深度学习模型和DEL技术的不足。李朋勇和他的团队最终提出了DeepBlock方法。该方法核心在于参照DEL，利用分子砌块（Reactive Building Blocks）的可反应性来生成可合成的配体分子。分子砌块作为构成药物分子的基础 “建筑模块”，通常是一些具有特定化学性质的简单分子或分子片段，它们可以通过化学反应相互连接，形成更复杂的分子结构。这不仅能保证生成的分子的可合成性，还能通过靶点感知的分子优化方法，控制分子的毒性。
成果亮点
团队进行了大量的实验结果显示，DeepBlock生成配体的可合成比例得到了大幅度提升，比当前最好方法提升6%，在保持高亲和力的同时具备更高的类药性和分子合理性，平均类药性分数达0.54。此外，在保证与靶标蛋白高亲和力的前提下，DeepBlock还能生成出更低毒性的配体。
DeepBlock生成配体的可合成比例得到了大幅度提升，比当前最好方法提升6%，在保持高亲和力的同时具备更高的类药性和分子合理性，平均类药性分数达0.54。此外，在保证与靶标蛋白高亲和力的前提下，DeepBlock还能生成出更低毒性的配体。
团队介绍
目前，团队已经和北大医学部进行合作，进行针对乳腺癌的药物筛选、推荐与验证。未来，团队也将对算法进行下一步优化，推动药物设计从二维结构迈向三维分子生成，提升分子的可合成性和类药性。
成果资料
下载app