EVA-Flow: apprendere la chimica condivisa per la generazione unificata di conformazioni molecolari sensibile all’ambiente

Abstract degli autori

Le strutture tridimensionali delle molecole sono alla base delle simulazioni di termodinamica, cinetica, cristallizzazione e nucleazione. Prevederle con accuratezza è quindi fondamentale per la scoperta di farmaci e la progettazione di materiali. La geometria di una molecola, tuttavia, può cambiare radicalmente a seconda dell’ambiente. I modelli esistenti ignorano gli effetti dell’ambiente oppure addestrano un modello distinto per ciascun ambiente. Ipotizziamo che sia possibile applicare l’apprendimento per trasferimento tra contesti alla generazione di conformazioni e che un modello generale offra prestazioni migliori quando i dati di addestramento sono scarsi, come nel caso del legame dei ligandi e della cristallizzazione. Presentiamo EVA-Flow, un framework unificato per generare conformazioni molecolari tenendo conto dell’ambiente: apprende la struttura chimica condivisa e la adatta mediante una modellazione generativa condizionata dall’ambiente. Nel vuoto, nel docking proteina-ligando, nella solvatazione e nell’impaccamento cristallino, il preaddestramento e il fine-tuning tra ambienti producono i miglioramenti maggiori nei tre contesti con pochi dati. Una valutazione rispetto a più conformazioni di riferimento mostra che EVA-Flow copre un’ampia gamma di conformazioni in solvatazione. Le analisi delle molecole presenti in più ambienti confermano la sua capacità di generare conformazioni diverse per la stessa molecola in ambienti diversi.