[论文解读] 3D pride without 2D prejudice: Bias-controlled multi-level generative models for structure-based ligand design

Lucian Chan, Rajendra Kumar+2 more|arXiv (Cornell University)|Apr 22, 2022

Bioinformatics and Genomic Networks被引用 4

一句话总结

本文提出了一种新颖的多层级对比学习框架，用于3D感知的生成式分子设计，明确控制1D（化学基元）和拓扑偏差，实现拓扑无偏、可解释且可定制的配体生成。通过将生成后验分解为化学、拓扑和结构上下文因子，该方法提升了数据效率与透明度，并在四个基准案例中验证了实验性结构-活性关系的恢复。

ABSTRACT

Generative models for structure-based molecular design hold significant promise for drug discovery, with the potential to speed up the hit-to-lead development cycle, while improving the quality of drug candidates and reducing costs. Data sparsity and bias are, however, two main roadblocks to the development of 3D-aware models. Here we propose a first-in-kind training protocol based on multi-level contrastive learning for improved bias control and data efficiency. The framework leverages the large data resources available for 2D generative modelling with datasets of ligand-protein complexes. The result are hierarchical generative models that are topologically unbiased, explainable and customizable. We show how, by deconvolving the generative posterior into chemical, topological and structural context factors, we not only avoid common pitfalls in the design and evaluation of generative models, but furthermore gain detailed insight into the generative process itself. This improved transparency significantly aids method development, besides allowing fine-grained control over novelty vs familiarity.

研究动机与目标

• 解决数据稀疏性与偏差问题，特别是1D采样和拓扑偏差，针对基于结构的药物设计中的3D感知生成模型。
• 开发一种分层生成框架，将化学、拓扑和3D结构因子分离，以提升模型透明度，并实现对新颖性与熟悉度的控制。
• 通过分阶段、因子化训练协议解耦偏差来源，实现生成模型的无偏评估。
• 通过利用大规模2D配体-蛋白复合物数据集，在保持3D结构保真度的同时提升数据效率。
• 为药物发现中的hit-to-lead优化提供一种可定制、可解释且拓扑无偏的方法。

提出的方法

• 该框架采用分阶段、多级对比学习流程：首先通过分子库的随机拆解训练1D伪生成模型 $G_p$，然后使用对比学习训练2D模型 $G_{pq}$，以 $G_p$ 为基线，随后在PDB配体上进行校准，形成 $G'_{pq}$，最后以 $G'_{pq}$ 为基线训练3D模型 $G_{pqr}$。
• 该模型将生成后验分解为三个组成部分：1D基元似然 $p$，2D拓扑上下文 $q$，以及3D结构上下文 $r$，其中 $r$ 通过Sigmoid激活的点积计算：$\alpha_3 = \mathrm{Sigmoid}\left(\frac{\mathbf{v}_{i,3} \cdot \mathbf{u}_{a,3}}{\sqrt{d}}\right)$。
• 通过相对于低层级基线（$G_p$，$G'_{pq}$）训练高层模型（2D和3D），实现偏差控制，确保高频基元或拓扑结构不会主导生成过程。
• 通过追踪条件化阶段（2D → 3D → 1D）中后验分布的熵变化，增强模型透明度与可解释性，熵变化通过归一化香农熵 $\hat{H}$ 进行量化。
• 通过隔离并分析每个生成因子对最终后验的贡献，实现对新颖性与化学多样性的细粒度控制。
• 通过模板化对接和PDB先例扫描验证3D生成的基元，评估其合理性与与结合位点的结构兼容性。

实验结果

研究问题

• RQ1 在基于结构的配体设计中，如何有效控制3D感知生成模型中的1D和拓扑偏差？
• RQ2 分层对比学习框架在多大程度上提升了分子生成中的数据效率与模型透明度？
• RQ3 将生成后验分解为化学、拓扑和3D结构成分，是否能实现对新颖性与熟悉度的更好可解释性与控制？
• RQ4 引入3D结构上下文如何影响模型生成化学上与空间上合理配体的能力，相较于2D基线？
• RQ5 该模型能否在真实世界药物发现场景中恢复已知的结构-活性关系（SAR），以及如何验证？

主要发现

• 多层级对比学习训练协议成功缓解了1D采样偏差与拓扑偏差，生成的模型实现拓扑无偏且可解释。
• 熵分析表明，1D和2D因子（$p$ 和 $q$）对降低后验熵贡献最大，表明其对常见、可合成基元的强引导作用。
• 3D上下文因子（$r$）虽有显著贡献，但低于 $p$ 和 $q$，表明3D建模相对于2D和1D组件仍处于优化不足状态。
• 在四个基准案例中，模型在其中三个案例中成功恢复了实验性SAR，且排名靠前的建议与已知药效团一致，并有已知PDB先例支持。
• PDB先例扫描证实，在生长向量附近引入富氮杂环（如吡唑、三唑）具有结构支持，验证了模型的化学合理性。
• 模板化对接确认，碳链基元（如CC≡C）可成功整合至3D环境，且具有充分的结合模式兼容性。