[论文解读] Shape-conditioned 3D Molecule Generation via Equivariant Diffusion Models

Ziqi Chen, Bo Peng+2 more|arXiv (Cornell University)|Aug 23, 2023

Cell Image Analysis Techniques被引用 7

一句话总结

该论文提出 ShapeMol，一种新颖的等变扩散生成模型，可基于参考分子的3D形状生成3D分子结构。通过采用旋转与平移等变的形状编码器以及带有形状引导的条件扩散模型，ShapeMol 能够生成多样化且具有药物样特性的分子，其3D形状与输入分子高度相似，在形状保持能力和分子质量方面优于当前最先进方法。

ABSTRACT

Ligand-based drug design aims to identify novel drug candidates of similar shapes with known active molecules. In this paper, we formulated an in silico shape-conditioned molecule generation problem to generate 3D molecule structures conditioned on the shape of a given molecule. To address this problem, we developed a translation- and rotation-equivariant shape-guided generative model ShapeMol. ShapeMol consists of an equivariant shape encoder that maps molecular surface shapes into latent embeddings, and an equivariant diffusion model that generates 3D molecules based on these embeddings. Experimental results show that ShapeMol can generate novel, diverse, drug-like molecules that retain 3D molecular shapes similar to the given shape condition. These results demonstrate the potential of ShapeMol in designing drug candidates of desired 3D shapes binding to protein target pockets.

研究动机与目标

• 解决在无需蛋白质靶标结构的情况下生成具有期望形状的新3D分子的挑战。
• 开发一种基于已知活性配体3D形状进行条件生成的生成模型，以支持基于配体的药物设计。
• 通过新型形状引导的扩散过程，提升生成分子的形状保真度。
• 在形状编码和分子生成过程中均保持对平移与旋转的等变性，以确保几何一致性。

提出的方法

• 一个预训练的等变形状编码器将3D分子表面点云映射为旋转与平移等变的潜在嵌入。
• 一个条件扩散模型通过迭代去噪原子位置和特征（如原子类型、芳香性）来生成3D分子，且该过程以形状嵌入为条件。
• 引入一种新型形状引导损失，促使生成的原子趋向于参考分子的形状，从而增强几何保真度。
• 扩散模型采用逐步加权方案，以在反向去噪过程中提高分子形状预测的准确性。
• 模型通过去噪目标进行端到端训练，同时保持几何与化学有效性。
• 形状引导变体 ShapeMol+g 集成了动态引导系数 γ 和去噪步数 S，以控制形状保真度。

实验结果

研究问题

• RQ1 基于扩散的生成模型能否有效根据参考分子的3D形状生成3D分子？
• RQ2 如何在形状编码与分子生成中保持几何等变性，以确保对旋转和平移的鲁棒性？
• RQ3 形状引导能在多大程度上提升生成分子与参考条件之间的3D形状相似性？
• RQ4 在不同强度的形状引导下，分子质量（如QED）与形状相似性之间的权衡关系如何体现？
• RQ5 ShapeMol 在生成新颖、多样化且具有高形状保真度的药物样分子方面，与当前最先进方法相比表现如何？

主要发现

• ShapeMol+g 达到了与参考分子最高的平均3D形状相似度（0.835），优于基线方法（VS为0.759，SQUID为0.749）。
• 随着形状引导强度 γ 和去噪步数 S 的增加，平均形状相似度从0.746提升至0.852，表明实现了有效的形状控制。
• 在更强的形状引导下（γ=0.2，S=300），平均形状相似度达到0.852，而QED从0.749降至0.630，表明形状保真度与分子质量之间存在权衡。
• 与基线方法相比，ShapeMol 生成的分子展现出更高的3D形状相似度和更优的结构新颖性，案例研究已证实此结果。
• 该模型成功生成了与参考分子图结构相似度低但3D形状相似度高的分子，证实其能够在保持形状的同时探索新颖的化学空间。