AtomNet：一种用于基于结构的药物发现中的生物活性预测的深度卷积神经网络

Oct, 2015

AtomNet：一种用于基于结构的药物发现中的生物活性预测的深度卷积神经网络

AtomNet: A Deep Convolutional Neural Network for Bioactivity Prediction in Structure-based Drug Discovery

Izhar Wallach, Michael Dzamba, Abraham Heifets

TL;DRAtomNet 是第一个基于结构的深度卷积神经网络，用于预测小分子在药物研发应用中的生物活性。它使用局部卷积滤波器处理结构目标信息，并在多个基准测试中表现出比现有技术更好的性能。

Abstract

deep convolutional neural networks comprise a subclass of deep neural networks (DNN) with a constrained architecture that leverages the spatial and temporal structure of the domain they model. Convolutional networks achieve the best predictive performance in areas such as speech and im

deep convolutional neural networks atomnet drug discovery bioactivity prediction local convolutional filters

发现论文，激发创造

原子卷积网络用于预测蛋白质 - 配体结合亲和力

本文提出了一种基于原子层次化学相互作用的空间卷积神经网络来预测蛋白质 - 配体复合物的生物活性，并展示了其优于化学信息处理方法的实验结果。

Mar, 2017

卷积深度网络用于蛋白质折叠质量评估

本研究基于深度学习技术开发神经网络进行蛋白结构评分预测，仅使用三维原子密度数据，无需预定义的结构特征，并在 CASP7 到 CASP10 数据集上进行训练，测试结果表明该网络在多种蛋白质结构上具有良好的性能表现。

Jan, 2018

SchNet: 用于建模量子相互作用的连续滤波卷积神经网络

应用连续卷积层的 SchNet 深度学习架构能够建模分子中的量子相互作用，从而实现总能量和原子间力的预测，并在平衡分子和分子动力学轨迹的基准测试中取得了最先进的性能。同时，该架构引入了更具有挑战性的基准测试，为进一步研究提供了有价值的方向。

Jun, 2017

SchNet - 分子和材料的深度学习架构

使用 SchNet 这种特定深度学习架构模拟原子系统，预测化学空间中分子和材料的一些性质，以及分子动力学模拟中的势能面和保能力场，实现了 C20-fullerene 的量子力学性质的研究。

Dec, 2017

PotentialNet 用于分子性质预测

该论文介绍了使用基于深度神经网络的机器学习方法来改进药物发现过程中分子属性预测的性能，包括设计出的 PotentialNet 结构和 EF$_{chi}^{(R)}$ 指标以及交叉验证策略等，并在多个基于配体的任务中验证了模型性能的创新性。

Mar, 2018

MolNet: 预测分子属性的化学直觉图神经网络

该研究提出了一种基于 MolNet 的图神经网络（GNN）模型来获取三维分子的物理化学特性及其非化学键信息，同时该模型在 BACE 和 ESOL 数据集的分类和回归任务上皆表现出良好的性能。

Feb, 2022

ADCNet: 一个预测抗体药物结合物活性的统一框架

基于深度学习的 ADCNet 模型通过学习 ADC 的抗原和抗体蛋白序列、连接物和有效药物的 SMILES 串以及药物 - 抗体比值等有意义的特征，成功实现了 ADCs 的活性预测，并在评估指标上优于基准机器学习模型，证明了其稳定性、先进性和鲁棒性。

Jan, 2024

EnzyNet: 一种基于 3D 卷积神经网络在空间表示上进行的酶分类方法

本文介绍了 EnzyNet，这是一个新颖的 3D 卷积神经网络分类器，可以仅基于酶的体素空间结构来预测酶的 EC 号码，并探讨了生化属性的空间分布作为补充信息。

Jul, 2017

用层级旋转等变神经网络选择蛋白质复合物的结构模型

本文介绍了一种基于机器学习的方法，利用 3D 原子坐标来直接标识蛋白质复合物的准确模型，提高准确模型的识别，也可以用于绝对预测准确结构模型的方法。

Jun, 2020

PhysNet：用于预测能量、力、偶极矩和部分电荷的神经网络

该论文介绍了 PhysNet，这是一种设计用于预测化学系统能量、力和偶极矩的深度神经网络，能在化学反应、长程相互作用和凝聚相系统中表现出卓越的性能；研究发现，在能量预测中明确地包含静电作用对于 PES 的渐近区域进行正确描述至关重要，并且 PhysNet 模型能够推广到更大的蛋白质，如二聚体 10 - 丙氨酸。

Feb, 2019