Материал подготовлен автоматически по первоисточникам: ссылки на них — в конце статьи.
Замороженной модели молекулярной диффузии научились задавать цели по расстояниям, контактам и закреплённым фрагментам без переобучения. В препринте University of Connecticut и Institute of Health and Medicine, который не прошёл рецензирование и приводит замеры самих авторов, вариант Local-QRG показал лучшую валидность на трёх задачах редактирования молекул. Такой подход позволяет сначала проверить новую цель на этапе генерации и только потом решать, нужно ли менять модель.
Как поправку привязали к движению самой модели
Молекулярный диффузионный генератор двигает атомы в обычном пространстве координат. Но прикладная цель часто задана иначе: через расстояния между атомами, контакты с белковым карманом, сохранение каркаса или положение закреплённого фрагмента. Эти признаки не меняются при переносе и вращении всей молекулы, поэтому прямой градиент цели может указывать верное направление, но давать слишком слабую или слишком сильную поправку.
QRG разделяет направление и масштаб вмешательства. Сначала метод переводит градиент признаков в движение атомных координат, которое меняет нужные расстояния и не тратится на несущественное вращение или перенос. Затем ограничивает длину поправки нормой шага, который уже предложил замороженный генератор.
Бюджет задаётся как доля собственного движения модели на текущем шаге. Если вычисленная поправка короче лимита, QRG оставляет её без изменений; если длиннее — обрезает. Поэтому настройка описывает не абсолютное смещение атомов, а допустимую долю вмешательства относительно поведения генератора.
Авторы также разделяют бюджет между сохранением конкретной структуры и изменением признаков. Первая ветвь удерживает закреплённые атомы или фрагменты, вторая ведёт молекулу к нужным контактам и расстояниям. Каждая ветвь получает отдельный лимит, поэтому сильный сигнал одной цели не вытесняет другую.
Для стохастического шага с гауссовским шумом этот лимит можно трактовать как ограничение на расхождение Кульбака—Лейблера между исходным и скорректированным переходами. Для детерминированного генератора это обычная область доверия: поправка не должна стать крупнее движения, на масштабе которого модель умеет работать.
Локальные признаки дали лучший баланс качества и времени
Метод проверяли на замороженном TargetDiff в задачах CBGBench: наращивании фрагмента, замене каркаса и проектировании линкера. Основные прогоны использовали фиксированное начальное случайное состояние; сохранение новизны и разнообразия дополнительно проверили на согласованном наборе запусков с разными состояниями.
Local-QRG вычисляет цель по локальному набору признаков вокруг редактируемой области. По сравнению с исходным TargetDiff валидность выросла на 4,9 процентного пункта при наращивании фрагмента, на 4,3 пункта при замене каркаса и на 3,1 пункта при проектировании линкера. На первой задаче время генерации увеличилось примерно на 19%.
Более дешёвый PredNext-QRG берёт следующее состояние, уже предсказанное самим генератором, и не запускает отдельную траекторию просмотра вперёд. Он улучшил результаты на фрагментах и каркасах, но почти не изменил результат для линкеров. Local-QRG потребовал больше вычислений признаков, зато оказался стабильнее по трём основным задачам.
Новизна сгенерированных молекул не снизилась, а разнообразие осталось близким к исходному генератору. Это отсеивает простой сценарий, при котором валидность растёт за счёт повторения узкого набора структур. Докинг дал смешанные результаты, поэтому работа опирается прежде всего на валидность, а не на предполагаемое улучшение связывания.
Когда QRG меняет план разработки
Работа меняет порядок экспериментов для команд, у которых уже есть подходящая замороженная модель. Если новая цель выражается через дифференцируемые расстояния, контакты или закреплённые подструктуры, её можно сначала подключить как ограниченную поправку при генерации. Это дешевле по организации эксперимента, чем сразу менять обучение: не требуется готовить новый обучающий цикл и поддерживать отдельную версию генератора.
Сам бюджет при этом становится частью задачи, а не универсальной настройкой. На декорировании боковых цепей базовая валидность составляла 0,873, а Local-QRG со стандартным бюджетом снизил её до 0,837. Более редкое вмешательство почти вернуло исходный результат, но не превзошло его: узкая локальная упаковка переносит тот же масштаб поправок хуже, чем редактирование лиганда.
Практический вывод ограничен условиями проверки: один генератор, набор задач CBGBench и метрика валидности как основной результат. QRG подходит для прототипа управления уже обученной моделью, но не заменяет переобучение там, где целевой сигнал нельзя выразить через доступные признаки или где поправка систематически конфликтует с динамикой генератора.
Источники
Похоже на вашу задачу?
Расскажите, что собираете. За полчаса разложим на этапы и назовём сроки — это бесплатно и ни к чему не обязывает.
