Un cadre génératif basé sur la géométrie combinant GPS-VAE et Transformer-SELFIES pour la conception de médicaments de novo basée sur la structureA geometry-aware generative framework integrating GPS-VAE and Transformer-SELFIES for structure-based de novo drug design.

Cet article présente un nouveau cadre génératif pour la conception de médicaments de novo basée sur la structure, combinant un autoencodeur variationnel de transformateur de graphes (GPS-VAE) et un autoencodeur Transformer-SELFIES. Le modèle a été évalué sur les cibles JAK2 et récepteur D2 de la dopamine (DRD2). Le GPS-VAE capture les dépendances géométriques globales des poches protéiques, tandis que le Transformer-SELFIES garantit une validité chimique à 100 %. Un réseau de projection variationnel ancre les caractéristiques protéiques dans l'espace latent chimique, suivi d'un raffinement structurel par l'algorithme évolutif STONED. Les résultats montrent des échafaudages de type fragment et lead avec une efficacité de liaison prédite élevée (LE > 0,5) selon AutoDock Vina. Cette approche améliore l'efficacité de la conception de médicaments de novo grâce à une représentation de données de haute qualité et une recherche évolutive. Cependant, l'étude se limite à des simulations in silico sans validation expérimentale.

Combinaison innovante de GPS-VAE et Transformer-SELFIES pour la conception de médicaments de novo. Application aux cibles JAK2 et DRD2, avec identification de ligands à haute efficacité prédite. Garantie de 100 % de validité chimique grâce à la représentation SELFIES. Utilisation de l'algorithme évolutif STONED pour le raffinement structurel.

Potentiel pour la découverte de nouveaux ligands ciblant le récepteur D2, utile dans des troubles neuropsychiatriques comme la schizophrénie. Cadre applicable à d'autres cibles d'intérêt en neurosciences, mais nécessite des validations expérimentales.

Faible