BindCLIP: Neues Framework steigert virtuelle Screening-Genauigkeit

Virtuelle Screening-Methoden zielen darauf ab, aus riesigen chemischen Bibliotheken aktiv bindende Liganden für ein bestimmtes Ziel zu identifizieren. Traditionelle CLIP‑ähnliche Modelle wie DrugCLIP ermöglichen eine skalierbare Suche, indem sie Pocket‑ und Liganden‑Features in einen gemeinsamen Raum einbetten. Unsere Analyse hat jedoch gezeigt, dass diese Repräsentationen oft zu grob sind, wichtige Bindungsdetails übersehen und sich auf Trainings‑Kurzschlüsse stützen, was die Rangfolge der Liganden beeinträchtigt.

BindCLIP adressiert diese Schwächen mit einem einheitlichen kontrastiven‑generativen Lernframework. Dabei werden Pocket‑ und Liganden‑Encoder gleichzeitig mit CLIP‑ähnlichem kontrastivem Lernen trainiert und zusätzlich durch ein pocket‑basiertes Diffusionsziel zur Pose‑Generierung ergänzt. Die Pose‑Level‑Supervision zwingt die Embeddings, Interaktions‑relevante Merkmale zu erfassen, während Hard‑Negative‑Augmentation und ein Liganden‑Liganden‑Anker‑Regularizer die Abhängigkeit von Trainings‑Kurzschlüssen reduzieren.

In Tests auf zwei öffentlichen Benchmarks übertrifft BindCLIP konsequent starke Baselines. Besonders auffällig sind die Verbesserungen bei out‑of‑distribution Screening‑Aufgaben und bei der Rangfolge von Liganden‑Analoga im FEP+ Benchmark. Die Ergebnisse zeigen, dass die Kombination aus generativem Pose‑Supervision und kontrastivem Lernen zu interaktionsbewussteren Embeddings führt und die Generalisierung in realen Screening‑Szenarien deutlich steigert.