语言模型是否梦想着结合分子？空间约束下的 LLM 基准测试

基于结构的药物设计 (SBDD) 利用蛋白质靶标的 3D 结构（通常辅以其他空间限制）来生成候选结合分子。虽然扩散模型已成为高质量 3D 分子生成的领先范例，但基于 LLM 的方法正在分子设计中迅速兴起，并在口袋条件分子生成中显示出具有竞争力的性能。然而，它们推理物理和 3D 空间环境的能力在很大程度上尚未得到充分开发。在这项工作中，我们系统地分析了当前的通用 LLM 与已建立的基线（例如专用扩散模型）相比是否能够应对复杂的 3D 约束。我们考虑以蛋白质口袋为条件的 3D 配体生成以及配体和相互作用衍生的空间约束，包括锚片段、药效团点和强制性的口袋-配体相互作用。为了实现这一评估，我们引入了 3D-Fit - 一种词元有效的基准测试策略，用于评估 LLM 在多条件空间分子生成上的性能。我们的研究结果揭示了 LLM 空间功能的清晰模式：虽然它们仍然落后于最先进的方法，但它们很有前途，并且可以同时处理多个空间约束，从而能够扩展到异构设置。