• ProtoBind-Diff 僅使用蛋白質的胺基酸序列，即可生成針對特定蛋白質靶點的藥物分子——無需3D結構。
• 該模型在預測結合強度方面，表現可與領先的基於結構的工具相媲美，同時還能生成新穎且化學多樣的化合物。

(SeaPRwire) –   新加坡，2025年6月25日 — Gero，一家專注於老化和慢性疾病的生物科技公司，今日宣佈推出ProtoBind-Diff，這是一個遮罩式擴散語言模型，僅根據蛋白質序列即可生成小分子。ProtoBind-Diff 經一百多萬對活性蛋白質-配體對的訓練，代表了分子生成領域的典範轉移。與受限於少量且有偏差的已解析蛋白質-配體複合物的基於結構的模型不同，ProtoBind-Diff 利用公共資料庫中可用的大量活性數據。這使得模型能夠在更廣泛的化學和生物空間中進行訓練，幫助模型推廣到結構數據稀疏或不可用的未充分探索的靶點。

Gero 發布了一份預印本，詳細介紹了該模型的性能和設計。

「設計能夠擊中蛋白質靶點的小分子是藥物發現中最困難的問題之一。傳統建模之所以困難，是因為能量尺度、極化效應以及蛋白質動力學的複雜性使得高解析度預測幾乎不可能。但或許我們一直在問錯誤的問題，」Gero 執行長兼共同創辦人 Peter Fedichev 博士表示：「大自然早已解決了這個難題——進化優化了一種生化語言，編碼了蛋白質和分子如何相互作用。有了 ProtoBind-Diff，我們正在利用這一點。它是一個從序列而非結構中學習的語言模型。它不模擬物理學——它從一百萬個真實範例中學習生物活性的語法。」

ProtoBind-Diff 作為 Gero 生成式藥物發現平台的基礎組成部分而開發。該模型利用預訓練蛋白質嵌入（ESM-2）和去噪擴散框架，僅在序列層級資訊的引導下，生成化學上有效且新穎的 SMILES 格式分子。

預印本中的主要成果包括：

• 在使用 Boltz-1 進行結構感知基準測試時，與基於結構的模型（例如 Pocket2Mol、TargetDiff）具有競爭力性能，Boltz-1 是一個預測蛋白質-配體複合物並評估其結合品質的神經網路。ProtoBind-Diff 在特徵明確的（「簡單」）和數據量少的（「困難」）靶點上，均達到或超越了這些模型。
• 湧現的可解釋性，注意力頭部與已知結合殘基對齊，儘管在訓練期間沒有接觸過3D結合位點註釋。
• 生成分子具有高新穎性、藥物相似性和可合成性，以結構相似性、藥物相似性和可合成性指標衡量。
• 開源版本可在 GitHub 上獲取，完整模型和程式碼庫公開演示的等候名單在。

ProtoBind-Diff 透過傳統對接方法（AutoDock Vina）和結構感知深度學習模型進行了基準測試。ProtoBind-Diff 使用 Boltz-1 進行基準測試，Boltz-1 是一個開源神經網路，靈感來自 AlphaFold 3，後者是諾貝爾獎認可的蛋白質結構預測突破。Boltz-1 將此能力擴展到模擬蛋白質如何結合小分子，提供了一個可擴展的、結構感知指標，用於評估結合強度。該模型始終如一地表現出對活性化合物的強富集，尤其是在結構數據最少或已知配體稀少的靶點中。在某些情況下，其 Boltz-1 富集因子超過了結構訓練模型的富集因子，這表明其從序列嵌入中學習空間先驗知識的強大能力，突顯了僅從序列中學習空間先驗知識的能力。

「我相信我們正處於創建理想生成模型旅程的開端。是的，在我們的基準測試中，ProtoBind-Diff 模型優於一些現有的3D結構模型，」Gero 資深研究員暨該專案的首席科學家 Konstantin Avchaciov 博士說：「話雖如此，我深信隨著我們繼續擴展數據集以包含更廣泛的蛋白質類別多樣性，我們將在未來取得顯著更好的結果。」

ProtoBind-Diff 的發布符合人們日益增長的對與人類相關的、結構無關的藥物發現方法的興趣，尤其是在流行病應對、被忽視疾病的靶點以及具有本質無序區域的蛋白質等領域。

Gero 已將 ProtoBind-Diff 整合到其內部發現流程中，並正積極尋求合作夥伴，將該模型應用於腫瘤學、免疫學、傳染病和老化相關疾病的合作專案。

關於 Gero
Gero 是一家生物科技公司，致力於推進針對老化相關疾病和長壽的新型療法。該公司將專有生物數據集與 AI 驅動的模型相結合，以理解並減緩老化過程，最終延長健康人類壽命。Gero 還與 Pfizer 合作，開發纖維化疾病的治療方法，作為其旨在針對老化根本原因的更廣泛使命的一部分。欲了解更多資訊，請訪問。

媒體聯絡
Kimberly Ha
KKH Advisors
917-291-5744