通过全面的实验分析提供了对模型表现的深入见解，并揭示了现有 SBDD 方法的局限性和改进空间。研究表明：

• 基于密度图的卷积神经网络设计方法仍然十分有效，这也许是图网络方法存在一定瓶颈。优化图神经网络架构是一个重要的改进方向


• 基于 Diffusion 的方法在整体性能上超过其他生成式建模，是目前主流的研究方向。


• 自回归方法需在训练时考虑到原子间键的几何关系，因为键的几何模式更容易被捕获，从而生成化学上有效的分子；否则效果都不佳。


• 先验知识仍然没有很好地被融入模型，有效整合物理和化学领域知识，融入模型设计仍是挑战，留有大量未来研究的空间。


• 大部分方法在先导化合物优化的任务上都可以直接应用，不过差距不明显，关于相关任务还有很大的提升空间。

最后，为降低入门门槛并促进该领域的发展，我们提供了统一代码库，涵盖数据预处理、模型训练、采样和评估，以支持研究人员和工程师更高效地开发和测试 SBDD 相关模型。

CBGBench 旨在建立一个标准化、可扩展的基准，促进结构基药物设计中更系统、公平和可复现的研究，为未来的 SBDD 研究奠定坚实基础。

（部分资料源于网络并整理）

本期主播：蛋酥酥/猫猫

后期：丹尼播客制作

制作人：蛋酥酥

录制支持：KUEENDOM