在从头设计药物领域，深度生成模型，备受关注。然而，合理设计新靶标的配体分子，仍然具有挑战性，特别是在控制所产生的分子性质方面。
今日，西安电子科技大学Pengyong Li，高琳Lin Gao等，湖南大学曾湘祥Xiangxiang Zeng等，在Nature Computational Science上发文，受DNA编码化合物库技术的启发，引入了DeepBlock，这是一种深度学习方法，用于基于构件的配体生成，以适应目标蛋白质序列，同时实现精确的属性控制。DeepBlock巧妙地将生成过程分为构件building blocks生成和分子重构两个步骤，分别由神经网络和基于规则的重构算法完成。DeepBlock协同优化算法和深度学习，还可调节生成分子的性质。实验表明，在生成具有亲和力、合成可及性和药物相似性的配体方面，DeepBlock算法优于现有方法。利用毒性作为优化目标的模拟退火或贝叶斯优化相结合时，DeepBlock成功地产生具有低毒性的配体，同时保持与靶标的亲和力。
A deep learning approach for rational ligand generation with toxicity control via reactive building blocks.
图1:DeepBlock框架概述。
图2: 拟议方法和基线比较。
图3: 残基的结合贡献。
图4: KIAA1363配体生成的案例研究。
图5: 优化前后亲和度对比。
图6: 优化过程和结果。
Li, P., Zhang, K., Liu, T. et al. A deep learning approach for rational ligand generation with toxicity control via reactive building blocks. Nat Comput Sci (2024). https://doi.org/10.1038/s43588-024-00718-0https://www.nature.com/articles/s43588-024-00718-0声明：仅代表译者观点，如有不科学之处，请在下方留言指正！
