Unificatie van all-atome molecuulgeneratie met neurale velden

Unified all-atom molecule generation with neural fields

November 19, 2025

Auteurs: 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

Samenvatting

Generatieve modellen voor structuurgebaseerd geneesmiddelontwerp zijn vaak beperkt tot een specifieke modaliteit, wat hun bredere toepasbaarheid beperkt. Om deze uitdaging aan te pakken, introduceren we FuncBind, een raamwerk gebaseerd op computer vision om doelwit-geconditioneerde, all-atom moleculen te genereren over verschillende atomaire systemen. FuncBind gebruikt neurale velden om moleculen als continue atomaire dichtheden weer te geven en past score-gebaseerde generatieve modellen toe met moderne architecturen die zijn aangepast uit de computer vision-literatuur. Deze modaliteit-agnostische representatie stelt een enkel verenigd model in staat om te worden getraind op diverse atomaire systemen, van kleine tot grote moleculen, en om variabele aantallen atomen/residuen te verwerken, inclusief niet-canonieke aminozuren. FuncBind behaalt competitieve *in silico* prestaties bij het genereren van kleine moleculen, macrocyclische peptiden en antilichaam complementariteitsbepalende regio-lussen, geconditioneerd op doelwitstructuren. FuncBind genereerde ook *in vitro* nieuwe antilichaambinders via *de novo* herontwerp van de complementariteitsbepalende regio H3-lus van twee gekozen co-kristalstructuren. Als laatste bijdrage introduceren we een nieuwe dataset en benchmark voor structuur-geconditioneerde macrocyclische peptidegeneratie. De code is beschikbaar op 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.