农业工程学报

作者：王庆勇,胡莉莉,辜丽川,

关键词：农药研发, 分子生成, 异构图神经网络, 扩散模型, 深度学习

基金：42

近年来，深度生成模型在农药发现和从头分子设计方面展现出巨大潜力，但现有方法常面临生成分子结构碎片化、多样性不足以及难以兼顾特定靶点活性的挑战。为解决上述问题，该研究提出了一种基于潜在扩散采样与片段异构图融合的农药分子生成模型。首先，构建异构图神经网络协同变分自编码器，将分子的原子级拓扑与片段级语义映射至统一的潜在空间；其次，引入潜在扩散模型，通过加噪-去噪的迭代优化机制缓解生成模型的模式坍塌问题；最后，结合前缀微调策略，针对昆虫乙酰胆碱酯酶（acetylcholinesterase，AChE）和植物乙酰乳酸合成酶（acetolactate synthase，ALS）两类典型农药靶点进行定向优化生成。试验结果表明，在AChE靶点生成任务中，该模型生成分子的有效性、新颖性和唯一性分别达到了100%、100.00%和98.50%，此外，生成分子在脂水分配系数（logarithm of partition coefficient，Logitalic>P/italic>）、拓扑极性表面积（topological polar surface area，TPSA）、相对分子质量（molecular weight，MW）等理化性质上的分布与真实农药分子高度一致。分子对接结果显示，62.81%的生成分子与AChE靶标蛋白（PDB: 6XYU）的结合亲和力低于?7.0 kcal/mol，且成功复现了与关键氨基酸残基（如 GLU-485、TYR-498）的相互作用模式。该方法能够高效生成结构合理、性质优良且具有潜在生物活性的候选农药分子，为突破农药研发数据稀缺瓶颈与加速新药创制提供了计算范式。/

来源：2026年第5期

《农业工程学报》期刊编辑部

查看农业工程学报杂志2026年第5期