💡
原文中文，约4000字，阅读约需10分钟。
📝
内容提要
本文介绍了CBGBench，一个针对结构基药物设计（SBDD）的综合基准，旨在统一任务定义、支持多种药物设计任务，并提供全面评估体系。研究表明，基于密度图的卷积神经网络和Diffusion方法在性能上表现优越。CBGBench希望通过标准化和模块化促进SBDD领域的研究与发展。
🎯
关键要点
- CBGBench是一个针对结构基药物设计（SBDD）的综合基准，旨在统一任务定义和支持多种药物设计任务。
- CBGBench将SBDD任务统一为生成式图补全任务，构建模块化、可扩展的框架，确保公平比较和评价。
- 本文将生成模型适配到多个核心任务，包括从头分子生成、连接原子设计、分子片段补全、分子骨架生成和分子侧链装饰。
- 评估体系从蛋白-配体相互作用、化学合理性、几何真实性和子结构有效性等多个维度评估生成模型表现。
- 研究表明基于密度图的卷积神经网络设计方法仍然有效，而基于Diffusion的方法在整体性能上优于其他生成式建模。
- 自回归方法需考虑原子间键的几何关系，以生成化学上有效的分子，先验知识的整合仍是未来研究的挑战。
- 提供统一代码库以降低入门门槛，支持研究人员和工程师更高效地开发和测试SBDD相关模型。
- CBGBench旨在建立标准化、可扩展的基准，促进结构基药物设计的系统、公平和可复现的研究。
❓
延伸问答
CBGBench的主要目标是什么？
CBGBench的主要目标是统一结构基药物设计（SBDD）的任务定义，支持多种药物设计任务，并提供全面的评估体系。
CBGBench如何评估生成模型的表现？
CBGBench通过蛋白-配体相互作用、化学合理性、几何真实性和子结构有效性等多个维度来评估生成模型的表现。
CBGBench支持哪些核心任务？
CBGBench支持从头分子生成、连接原子设计、分子片段补全、分子骨架生成和分子侧链装饰等核心任务。
基于Diffusion的方法在CBGBench中的表现如何？
研究表明，基于Diffusion的方法在整体性能上优于其他生成式建模，是目前主流的研究方向。
CBGBench如何促进SBDD领域的发展？
CBGBench通过标准化和模块化的框架，降低入门门槛，促进结构基药物设计的系统、公平和可复现的研究。
自回归方法在生成分子时需要考虑什么？
自回归方法需考虑原子间键的几何关系，以生成化学上有效的分子。
➡️
