Generación unificada de moléculas a nivel atómico mediante campos neuronales
Unified all-atom molecule generation with neural fields
November 19, 2025
Autores: 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
Resumen
Los modelos generativos para el diseño de fármacos basado en estructuras suelen limitarse a una modalidad específica, lo que restringe su aplicabilidad más amplia. Para abordar este desafío, presentamos FuncBind, un marco basado en visión computacional para generar moléculas condicionadas por el blanco a nivel atómico completo en sistemas atómicos. FuncBind utiliza campos neuronales para representar moléculas como densidades atómicas continuas y emplea modelos generativos basados en puntuación con arquitecturas modernas adaptadas de la literatura de visión computacional. Esta representación independiente de la modalidad permite entrenar un único modelo unificado en diversos sistemas atómicos, desde moléculas pequeñas hasta grandes, y manejar recuentos variables de átomos/residuos, incluidos aminoácidos no canónicos. FuncBind logra un rendimiento competitivo in silico en la generación de moléculas pequeñas, péptidos macrocíclicos y bucles de la región determinante de la complementariedad de anticuerpos, condicionados por estructuras blanco. FuncBind también generó enlaceadores de anticuerpos novedosos in vitro mediante el rediseño de novo del bucle H3 de la región determinante de la complementariedad de dos estructuras en co-cristal elegidas. Como contribución final, presentamos un nuevo conjunto de datos y punto de referencia para la generación de péptidos macrocíclicos condicionados por estructura. El código está disponible en 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.