跨分子种类统一生成框架UniMoMo - 清华大学刘洋老师组联合人大黄文炳老师组和字节AI制药团队提出UniMoMo框架，基于分子片段对不同种类分子进行统一表示，实现对同一靶点不同结合分子种类(小分子、多肽、抗体)的设计[1][3] - 该框架使用变分自编码器对每个block的全原子构象进行压缩，并在压缩后的隐空间进行几何扩散建模，在多类分子任务基准评测中均实现领先表现[1][8] - 相关成果以《UniMoMo: Unified Generative Modeling of 3D Molecules for De Novo Binder Design》为题入选ICML 2025[2] 不同分子类型的应用场景 - 小分子体积小、易于口服、穿透性强，适合进入细胞内部作用于靶点，广泛应用于慢性病和代谢类疾病[3] - 多肽类分子拥有较高靶向性，能够与蛋白质表面的大而平的区域结合，适合靶向"难成药"的蛋白互作位点，常用于癌症、炎症治疗[3] - 抗体具有极高选择性和亲和力，能够稳定识别特定蛋白标志物，特别适合免疫治疗等精确干预场景[3] 统一建模的技术突破 - UniMoMo采用block形式建模所有分子类型，每个block可以是标准氨基酸或小分子片段，保留原子级别细节和层级结构[8] - 设计全原子几何隐空间扩散模型，通过迭代变分自编码器将block压缩为隐空间表示，在压缩空间进行生成后再解码回完整原子结构[9] - 该框架解决了传统扩散模型无法处理block类型变化导致的原子数量/种类变化问题，实现高效性与原子级准确性的统一[7][9] 性能表现 - 在多肽生成任务中，UniMoMo在结构准确性(RMSD)、结合能(Rosetta ΔG)和几何合理性指标上显著优于RFDiffusion、PepFlow等专域模型[12][13] - 在抗体CDR-H3设计中，UniMoMo在召回天然结合序列/结构(AAR/RMSD)和结合能提升(IMP)等指标上全面超越MEAN、dyMEAN等方法[14] - 在小分子设计中，UniMoMo在子结构分布、化学性质合理性和几何结构质量等方面超越LIGAN、3DSBDD等主流方法，综合评分排名第一[15][16] 应用案例与未来方向 - 在GPCR靶点案例中，UniMoMo生成的多肽、抗体和小分子均展现出良好结合能分布，小分子还自发模拟出类似氨基酸侧链的官能团[20] - 未来可扩展到非天然氨基酸、后修饰多肽/抗体、环状分子等更复杂结构，并探索模型可控性和可解释性研究[21]