Vereinheitlichte All-Atom-Molekülgenerierung mit neuronalen Feldern
Unified all-atom molecule generation with neural fields
November 19, 2025
papers.authors: Matthieu Kirchmeyer, Pedro O. Pinheiro, Emma Willett, Karolis Martinkus, Joseph Kleinhenz, Emily K. Makowski, Andrew M. Watkins, Vladimir Gligorijevic, Richard Bonneau, Saeed Saremi
cs.AI
papers.abstract
Generative Modelle für die strukturbasierte Wirkstoffentwicklung sind oft auf eine spezifische Modalität beschränkt, was ihre breitere Anwendbarkeit einschränkt. Um diese Herausforderung zu bewältigen, stellen wir FuncBind vor, ein auf Computer Vision basierendes Framework zur Erzeugung von zielstruktur-konditionierten, all-atomaren Molekülen über verschiedene atomare Systeme hinweg. FuncBind verwendet neuronale Felder, um Moleküle als kontinuierliche Atomdichten darzustellen, und setzt score-basierte generative Modelle mit modernen Architekturen ein, die aus der Computer Vision-Literatur adaptiert wurden. Diese modalitätsunabhängige Repräsentation ermöglicht es, ein einheitliches Modell auf diversen atomaren Systemen zu trainieren – von kleinen bis hin zu großen Molekülen – und mit variablen Atom-/Residuenanzahlen umzugehen, einschließlich nicht-kanonischer Aminosäuren. FuncBind erzielt eine wettbewerbsfähige *in-silico*-Leistung bei der Generierung von kleinen Molekülen, makrozyklischen Peptiden und Antikörper-CDR-Schleifen (*Complementarity-Determining Region*), konditioniert auf Zielstrukturen. FuncBind generierte zudem *in vitro* neuartige Antikörper-Binder durch *de-novo*-Neugestaltung der CDR-H3-Schleife zweier ausgewählter Co-Kristallstrukturen. Als abschließenden Beitrag stellen wir einen neuen Datensatz und Benchmark für die strukturkonditionierte Generierung makrozyklischer Peptide vor. Der Code ist verfügbar unter https://github.com/prescient-design/funcbind.
English
Generative models for structure-based drug design are often limited to a specific modality, restricting their broader applicability. To address this challenge, we introduce FuncBind, a framework based on computer vision to generate target-conditioned, all-atom molecules across atomic systems. FuncBind uses neural fields to represent molecules as continuous atomic densities and employs score-based generative models with modern architectures adapted from the computer vision literature. This modality-agnostic representation allows a single unified model to be trained on diverse atomic systems, from small to large molecules, and handle variable atom/residue counts, including non-canonical amino acids. FuncBind achieves competitive in silico performance in generating small molecules, macrocyclic peptides, and antibody complementarity-determining region loops, conditioned on target structures. FuncBind also generated in vitro novel antibody binders via de novo redesign of the complementarity-determining region H3 loop of two chosen co-crystal structures. As a final contribution, we introduce a new dataset and benchmark for structure-conditioned macrocyclic peptide generation. The code is available at https://github.com/prescient-design/funcbind.