FragDockRL: A Reinforcement Learning Method for Fragment-Based Ligand Design via Building Block Assembly and Tethered Docking
Notice bibliographique
Résumé
Abstract Efficient exploration of combinatorial chemical space under synthetic constraints remains a central challenge in computational molecular design. Here, we present FragDock, a molecular design framework that combines building block (BB)-based virtual synthesis with tethered docking guided by a predefined core structure. FragDock defines a structured search space by assembling molecules from synthetically accessible BBs through known chemical reactions and evaluating candidates using tethered docking with a restrained core binding pose. Within this framework, we introduce FragDockRL, a reinforcement learning-based search method that uses docking-score-based rewards and a modified Deep Q-Network (DQN) to guide stepwise molecular growth. We evaluated FragDockRL on three protein targets, CSF1R, FA10, and VEGFR2, using training-cycle analysis and benchmark comparisons with One-Step Reaction, Random Search, Beam Search, and Monte Carlo Tree Search. FragDockRL progressively enriched molecules with favorable docking scores during learning and generated more cutoff-passing unique molecules than Random Search across all three targets, supporting the benefit of learning-guided prioritization. However, the best-performing search strategy was target-dependent: One-Step Reaction, FragDockRL, and Beam Search each showed advantages in different cases. Representative molecular case studies showed that selected compounds retained reference-like binding poses while introducing structural variation in peripheral regions. The reaction schemes used commercially available BBs and well-established medicinal chemistry transformations, supporting the synthetic plausibility of the selected compounds. Overall, FragDock provides a flexible framework for synthetically constrained, structure-guided molecular exploration, and FragDockRL offers a learning-guided search mode for productive candidate prioritization under limited generation budgets.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».