用于基于趋势引导的结构的 3D 分子生成的语言信息流匹配

基于结构的药物设计 (SBDD) 需要同时满足 3D 靶点亲和力和 1D 化学有效性的配体。现有的可控生成方法通常依赖于特定于任务的 微调 或外部施加的采样时间指导，从而增加成本并可能与不断发展的 3D 几何约束发生冲突。我们提出了 LiFT，这是一种基于流匹配的语言通知跨模式框架，用于跨从头设计和支架跳跃的趋势引导 3D 分子生成。 LiFT 使用“Sense-Evolve-Assemble”代理生成目标感知 SMILES 作为中间化学条件，预训练的化学基础模型从中提取连续语义先验。这些先验通过具有零初始化自适应归一化的轻量级语义投影仪集成到几何生成中，以实现稳定的跨模态调节。我们进一步引入了自条件解耦路由器（SCDR），它在 ODE 积分过程中根据中间结构状态调制速度场。 Cross-Docked2020 上的实验表明，LiFT 在任务引导设置下实现了竞争性分布匹配，同时改进了药物化学指标并保持了竞争性结构有效性，而无需额外的生成器 微调。我们的结果表明，源自语言的化学先验为 3D 分子生成提供了有效的趋势级指导。代码和已发布的工件可在 https://github.com/kasurl/LiFT 上找到。