ai药物设计新突破：diffsbdd模型如同分子积木搭建大师
想象一下，设计新药如同搭积木般简单，自由组合分子部件并精准预测其与目标蛋白的结合效果。这不再是科幻，瑞士联邦理工学院（EPFL）等机构的研究团队开发的AI系统DiffSBDD，正将这一愿景变为现实。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
这项发表于《Nature Computational Science》的研究，介绍了DiffSBDD——一款基于SE(3)-等变扩散模型的AI系统。它能精确设计和优化药物分子的3D结构，显著提升新药研发的效率。传统新药研发耗时费力，需筛选海量候选分子。DiffSBDD则通过巧妙的算法，将药物设计转化为三维条件生成问题，利用SE(3)-等变性处理分子系统中的旋转和平移对称性，有效避免了以往AI方法的局限性，尤其在手性药物设计中展现出优势。
DiffSBDD的工作流程分为训练和条件生成两个阶段。训练阶段，模型学习如何去除分子结构中的噪声；条件生成阶段，则根据目标蛋白结构生成新的分子。研究人员提出了两种条件生成方法：DiffSBDD-cond和DiffSBDD-joint，两者在测试集上均表现出色。
DiffSBDD的多功能性体现在其分子结构设计、选择性优化和多属性调控能力上。它可以根据给定片段构建完整分子，合并不同片段，并优化分子属性，如类药性、合成可行性及结合亲和力等。例如，在激酶抑制剂优化中，DiffSBDD成功提升了目标激酶结合得分，同时降低了对非目标激酶的结合倾向。
尽管DiffSBDD展现了巨大潜力，但其纯从头设计能力仍有待提升。未来，通过持续优化模型的分布学习和样本质量，DiffSBDD有望成为通用的药物分子设计平台，推动精准医疗发展。 论文链接：https://www.php.cn/link/ea95de08542db1d94fe393abd1a5ce8d
