Resumen - MODA: Un marco unificado de difusión 3D para generación molecular multi-tarea consciente de objetivos

MODA: Un marco unificado de difusión 3D para generación molecular multi-tarea consciente de objetivos

2025-07-09 18:19:50

{"Dong Xu","Zhangfan Yang","Sisi Yuan","Jenna Xinyi Yao","Jiangqiang Li","Junkai Ji"}

{q-bio.BM,cs.AI,cs.LG}

MODA es un marco unificado de difusión 3D diseñado para la generación molecular multi-tarea consciente del objetivo. El marco aborda las limitaciones de los generadores moleculares actuales, que luchan con tareas como entradas de SMILES, pipelines de preentrenamiento-finetuning en dos etapas y prácticas de un-tarea-un-modelo. MODA unifica el crecimiento de fragmentos, el diseño de enlaces, el salto de armazón y la decoración de cadenas laterales con un programador de máscaras bayesiano, permitiendo que el modelo aprenda priores geométricos y químicos compartidos entre tareas. Durante el entrenamiento, MODA máscara un fragmento espacial contiguo y lo denoisa en una sola pasada. Esto permite que el modelo aprenda de representaciones compartidas entre tareas, que luego se utilizan para generar moléculas con alta precisión. El marco también emplea un programador de máscaras bayesiano multi-tarea, que toma cuatro máscaras motivadas químicamente. Esto permite que un solo modelo reemplace cuatro modelos expertos específicos de tarea, reduciendo los costos de datos y ingeniería. Los resultados de MODA muestran que supera a seis baselines de difusión y tres paradigmas de entrenamiento en subestructura, propiedades químicas, interacción y geometría. Model-C reduce los choques entre ligando-proteína y las divergencias de subestructura mientras mantiene la conformidad de Lipinski, mientras que Model-B preserva la similitud pero se queda corto en novedad y afinidad de unión. Las pruebas de diseño de novo sin datos de entrenamiento y optimización de lead confirman puntuaciones negativas estables de Vina y altas tasas de mejora sin refinamiento de campo de fuerzas. En resumen, MODA demuestra el potencial de una rutina de difusión multi-tarea de un solo etapa para el diseño molecular basado en estructura. Ofrece un enfoque más eficiente y efectivo para generar moléculas con propiedades deseadas y podría revolucionar el proceso de descubrimiento de fármacos.