两阶段生成动力学实现无需训练的AI药物设计
- 贝叶斯流网络通过同时生成原子类型和三维坐标,为目标蛋白口袋设计分子。
- 这两个通道的行为并不相同:原子类型在一个明确的转变点上骤然变化,而坐标精度则是逐步提高,这一模式在多个模型变体中保持一致。
- 利用这些转变时点进行的无需训练的优化方案,在标准基准测试中,无需额外预测模型即可达到与现有方法相当的对接性能。
💡 要点
不用针对每个靶点重新训练,这一点最值得关注——这一步正是大多数生成式工具在走到我实验台前就被淘汰的原因,所以这种只把优化时机对准相变点的免训练技巧值得一试。但和基线对接打平而非超越,只是及格线,不是成绩单——CrossDocked2020的打分说明不了可合成性,也说明不了真实结合情况。
Hierarchical Phase Transitions in Bayesian Flow Networks Enable Training-Free Molecular Design ↗