Унифицированная генерация молекул на атомарном уровне с помощью нейронных полей

Unified all-atom molecule generation with neural fields

November 19, 2025

Авторы: 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

Аннотация

Генеративные модели для структурированного дизайна лекарств часто ограничены конкретной модальностью, что сужает их общую применимость. Для решения этой проблемы мы представляем FuncBind — фреймворк на основе компьютерного зрения для генерации целеобусловленных всеатомных молекул в различных атомных системах. FuncBind использует нейронные поля для представления молекул в виде непрерывных атомных плотностей и применяет генеративные модели на основе оценки со современными архитектурами, адаптированными из литературы по компьютерному зрению. Эта модально-независимая репрезентация позволяет обучать единую унифицированную модель на разнородных атомных системах — от малых до крупных молекул — и работать с переменным количеством атомов/остатков, включая неканонические аминокислоты. FuncBind демонстрирует конкурентоспособные in silico результаты в генерации малых молекул, макроциклических пептидов и петель комплементарно-определяющих регионов антител, обусловленных целевыми структурами. Кроме того, FuncBind позволил получить in vitro новые антительные связыватели посредством de novo редизайна петли H3 комплементарно-определяющего региона для двух выбранных ко-кристаллических структур. В качестве заключительного вклада мы представляем новый набор данных и бенчмарк для генерации макроциклических пептидов, обусловленных структурой. Код доступен по адресу 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.