2026年8月2日 · FusedBFN
Fused Bayesian Flow Networks for Dual-Target Molecular Design
FusedBFN 是一种用于双靶点分子设计的融合贝叶斯流网络，将双靶点生成表述为统一连续参数空间中的分布融合，并采用专家乘积公式在整个生成过程中整合双靶点信息。为应对双靶点结构数据稀缺，它利用预训练的靶点感知 BFN 模型作为共享骨干，并引入基于化学感知先验的对齐方法和无先验口袋对齐策略来构建对齐的双靶点上下文。实验表明 FusedBFN 在双靶点分子设计上表现优异。
EVENT STORY
发展脉络
- 首次出现Fused Bayesian Flow Networks for Dual-Target Molecular DesignarXiv cs.LG
- 当前判断该研究展示了生成模型在药物设计中的新进展，特别是针对多靶点（双靶点）场景，这可能推动多药理学药物的发现，对复杂疾病治疗具有重要意义。Agent Pulse · 分析
FusedBFN 提出了一种新的双靶点分子设计方法，通过融合贝叶斯流网络在统一连续参数空间中实现分布融合，利用专家乘积公式整合双靶点信息，并借助预训练模型和多种对齐策略解决数据稀缺问题，实验验证了其有效性。
FusedBFN 的核心创新在于将双靶点生成视为分布融合问题，并通过专家乘积公式在生成过程中持续整合双靶点信息，这比现有方法（如引入预测漂移项）更全面地利用了靶点特征。此外，利用预训练靶点感知 BFN 作为共享骨干，以及化学感知先验对齐和无先验口袋对齐策略，有效缓解了双靶点结构数据稀缺的问题。
该研究展示了生成模型在药物设计中的新进展，特别是针对多靶点（双靶点）场景，这可能推动多药理学药物的发现，对复杂疾病治疗具有重要意义。
FusedBFN 有望加速多靶点药物的研发流程，降低发现多药理学化合物的成本，对制药公司和生物技术企业具有潜在商业价值。
未来可期待 FusedBFN 在更多双靶点数据集上的验证，以及向多靶点（超过两个）设计的扩展。同时，该方法可能与其他生成框架（如扩散模型）结合，进一步提升性能。