结合口袋对比学习与构象融合，实现受体构象变化下稳健的结构条件化3D分子生成
Pocket contrastive learning and conformation fusion for robust structure-conditioned 3D molecular generation under receptor conformational variation.
一句话提出结合口袋对比学习与参考构象特征融合的3D分子生成框架，提高受体构象变化下的稳健性。
研究问题
数据与样本
分析流程
- 1构建生成框架：以逐步构建式生成模型为基础，利用结合口袋的3D几何结构和化学环境进行分子生成。
- 2学习稳定表征：在训练阶段引入口袋级对比学习，利用相关受体构象之间的对应关系。
- 3融合构象信息：在训练阶段加入参考构象特征融合，推理时仍仅使用单个口袋而无需参考构象。
- 4开展性能评估：在CrossDocked2020和3个外部数据集上评估生成成功率、结构有效性与对接相关性能，重点考察交叉对接条件。
关键方法与工具
- pocket-level contrastive learning
- 学习跨构象稳定口袋表征
- reference-conformation feature fusion
- 在训练时融合参考构象特征
- CrossDocked2020
- 评估分子生成性能
- ASB-E
- 开展外部数据集评估
- DUD-E
- 开展外部数据集评估
- APObind
- 开展外部数据集评估
设计思路
主要发现
- 在CrossDocked2020及ASB-E、DUD-E、APObind这3个外部数据集上的评估显示，生成成功率、结构有效性和对接相关性能得到改善。
- 性能改善在交叉对接评估条件下尤为明显，支持该框架在受体构象变化下具有更好的稳健性。
- 口袋级对比学习和参考构象特征融合用于训练阶段，推理阶段无需参考构象。
可借鉴之处
- 针对构象变化造成的分布偏移，可借鉴本文在训练阶段利用相关构象对应关系、学习稳定口袋表征的做法。
- 可将参考构象信息用于训练而不作为推理必需输入，兼顾额外训练信息的利用与单口袋应用场景。
- 评估结构条件化生成模型时，可借鉴本文结合外部数据集与交叉对接条件，并同时考察生成成功、结构有效性及对接相关性能的设计。
数据与代码
摘要（中文翻译）
背景：口袋条件化分子生成将蛋白质结合位点的三维（3D）几何结构和化学环境纳入分子设计。然而，受体构象变化可能引入训练与推理之间的分布偏移，尤其是在交叉对接条件下。现有方法往往未在训练过程中充分利用相关受体构象之间的对应关系。
结果：我们提出了一种结构条件化3D分子生成框架，将口袋级对比学习与参考构象特征融合相结合。这些训练阶段的组件建立在逐步构建式生成模型之上，促使相关构象形成稳定的口袋表征，同时保留无需参考构象的单口袋推理能力。在CrossDocked2020和3个外部数据集ASB-E、DUD-E及APObind上的评估显示，生成成功率、结构有效性和对接相关性能均有改善，尤其是在交叉对接评估条件下。这些结果支持口袋条件化分子生成在受体构象变化下的稳健性得到改善。
可得性与实现：源代码及复现说明可在https://github.com/LHHHHuan/MTMGen获取。预训练模型和归档代码快照可在https://doi.org/10.5281/zenodo.21944857获取。
英文原文摘要
Motivation:Pocket-conditioned molecular generation incorporates the three-dimensional (3D) geometry and chemical environment of protein binding sites into molecular design. However, receptor conformational variation can introduce distribution shifts between training and inference, particularly under cross-docking conditions. Existing approaches often do not fully exploit the correspondence between related receptor conformations during training.
Results:We propose a structure-conditioned 3D molecular generation framework that combines pocket-level contrastive learning with reference-conformation feature fusion. Built on a stepwise constructive generative model, these training-stage components encourage stable pocket representations across related conformations while preserving single-pocket inference without requiring a reference conformation. Evaluation on CrossDocked2020 and three external datasets, ASB-E, DUD-E, and APObind, demonstrates improvements in generation success, structural validity, and docking-related performance, particularly under cross-dock evaluation. These results support improved robustness of pocket-conditioned molecular generation under receptor conformational variation.
Availability and implementation: The source code and reproduction instructions are available at https://github.com/LHHHHuan/MTMGen. Pretrained models and an archival code snapshot are available at https://doi.org/10.5281/zenodo.21944857.
摘要来自 PubMed。翻译与解读由模型根据摘要生成，可能有误，不构成诊疗建议；数据以原文为准，版权归原出版方所有。