DiffSBDD：基于结构的药物设计equivariant扩散模型

DiffSBDD：基于结构的药物设计equivariant扩散模型

DiffSBDD A Euclidean diffusion model for structure-based drug design. 项目地址: https://gitcode.com/gh_mirrors/di/DiffSBDD

项目介绍

DiffSBDD是一个基于equivariant扩散模型的药物设计项目，专注于结构基础的药物设计。该项目由Arne Schneuing、Yuanqi Du等多位专家联合开发，旨在通过先进的机器学习技术，推动药物设计领域的创新与发展。DiffSBDD已经在arXiv上发表了相关论文（链接），并且提供了在Google Colab上运行的版本（链接），方便用户快速上手。

项目技术分析

DiffSBDD采用了equivariant扩散模型，这是一种能够保持几何对称性的深度学习模型，特别适用于处理分子结构数据。项目依赖的主要技术栈包括：

• PyTorch: 用于深度学习模型构建和训练。
• PyTorch Lightning: 提供高效的训练流程管理。
• WandB: 用于实验跟踪和可视化。
• RDKit: 化学信息处理工具包。
• BioPython: 生物信息学工具包。
• OpenBabel: 化学格式转换工具。

项目支持多种预训练模型，用户可以从Zenodo下载（链接），涵盖了CrossDocked和Binding MOAD等多个数据集。

项目及技术应用场景

DiffSBDD适用于以下应用场景：

1. 全新药物设计（De novo design）: 通过指定蛋白质结构，生成新的配体分子。
2. 子结构修复（Substructure inpainting）: 在已有分子骨架的基础上，设计新的分子片段。
3. 药物筛选与优化: 利用预训练模型，快速筛选和优化潜在的药物分子。

项目特点

1. 易于使用

项目提供了详细的安装指南和示例代码，用户可以通过简单的命令行操作，快速生成新的药物分子。例如，使用以下命令可以生成20个新的配体分子：

python generate_ligands.py checkpoints/crossdocked_fullatom_cond.ckpt --pdbfile example/3rfm.pdb --outfile example/3rfm_mol.sdf --ref_ligand A:330 --n_samples 20

2. 灵活的子结构修复

用户可以通过指定固定的子结构，进行分子设计。例如：

python inpaint.py checkpoints/crossdocked_fullatom_cond.ckpt --pdbfile example/5ndu.pdb --outfile example/5ndu_linked_mols.sdf --ref_ligand example/5ndu_C_8V2.sdf --fix_atoms example/fragments.sdf --center ligand --add_n_nodes 10

3. 强大的基准测试

项目在CrossDocked和Binding MOAD等多个数据集上进行了基准测试，确保模型的性能和可靠性。

4. 开源与可扩展

DiffSBDD是一个开源项目，用户可以根据自己的需求进行定制和扩展。项目提供了详细的训练和推理脚本，方便用户进行二次开发。

总结

DiffSBDD是一个功能强大、易于使用的药物设计工具，适用于全新药物设计和子结构修复等多种应用场景。通过先进的equivariant扩散模型，项目在药物设计领域展现了巨大的潜力。欢迎广大科研人员和开发者使用和贡献代码，共同推动药物设计的创新发展。

更多信息请访问项目GitHub页面：DiffSBDD。

DiffSBDD A Euclidean diffusion model for structure-based drug design. 项目地址: https://gitcode.com/gh_mirrors/di/DiffSBDD