Aug, 2016

深度学习提升基于对接的虚拟筛选

PDF
TL;DR本文介绍了一种基于深度学习的虚拟筛选方法，使用原子和氨基酸嵌入来提取蛋白质 - 配体复合物的相关特征，并利用一种卷积层处理化合物作为原子上下文的分散向量表示以提高其中的性能。通过在 DUD 中使用 AutoDockVina1.1.2 和 Dock6.6 的输出进行严格评估，本文方法在 AUC ROC 和富集因子方面优于两个对照组，并在 DUD 使用 40 个受体的情况下实现了最好的 AUC ROC 值 0.81。
发现论文，激发创造
  • 基于结构的虚拟筛选中相互作用预测的深度学习架构

    介绍了一种基于深度学习的结构虚拟筛选算法，通过对每个化合物分别应用可学习原子卷积和 softmax 操作生成固定大小的蛋白质和小分子指纹。使用这些指纹进行内积计算来预测结合位点的亲和性，并且介绍了一种新的基准数据集 DUD-E 和 PDBBind 数据库。

    Oct, 2016

  • 结合对接位姿排序、构象和深度学习改进蛋白质 - 小分子配体结合模式预测

    提出了一种基于图的卷积神经网络，该网络以蛋白质 - 配体复合物的结构信息作为输入，生成活性和结合模式预测模型，并开发了一种深度学习模型，用于结合模式预测，并在各种测试中优于基线对接程序。

    Oct, 2019

  • FlexVDW：一种用于蛋白质灵活性考虑的机器学习方法在配体对接中的应用

    使用深度学习模型来考虑受体的灵活性，以预测 van der Waals 能量，提高小分子配体姿势预测结果。

    Mar, 2023

  • 了解分子对接的主动学习及其应用

    通过基于计算方法和资源的不断进步，超大规模虚拟筛选成为一种重要的策略，而主动学习方法在迭代小规模对接和机器学习模型训练中有效地减少了计算成本。本文通过六个受体靶点的基准研究，探究了在仅考虑二维结构的情况下，主动学习方法如何有效地预测对接分数及其适用条件。研究发现，代理模型往往通过记忆从获得步骤中获取的高对接得分化合物中普遍存在的结构模式，虽然如此，代理模型在虚拟筛选中仍然具有使用价值，比如在 DUD-E 数据集中鉴定活性化合物以及 EnamineReal 库中高对接得分化合物的初步筛选。我们的综合分析强调了主动学习方法在虚拟筛选中的可靠性和潜在应用性。

    Jun, 2024

  • DrugCLIP：用于虚拟筛选的对比蛋白质 - 分子表示学习

    本文介绍了一种新颖的对比学习框架 DrugCLIP，通过将虚拟筛选重新构建为密集检索任务，并利用对比学习来对齐大量配对数据中的结合蛋白口袋和分子的表示，从而无需准确的结合亲和力标签。同时，我们还引入了一种受生物知识启发的数据增强策略，以学习更好的蛋白质 - 分子表示。广泛实验结果表明，DrugCLIP 在不同的虚拟筛选基准测试中明显优于传统对接和监督学习方法，尤其是在零样本设置中，大大减少了计算时间。

    Oct, 2023

  • Smiles2Dock: 用于基于机器学习的分子对接的开放大规模多任务数据集

    Docking is a crucial component in drug discovery, and Smiles2Dock is an open large-scale multi-task dataset for molecular docking, enabling researchers to benchmark ML-based docking approaches using AlphaFold proteins and diverse ligands from the ChEMBL database.

    Jun, 2024

  • 基于量子灵感的分子对接的机器学习

    基于量子启发算法和深度学习编码的分子对接方法在去盲对接中表现出了比传统对接算法和基于深度学习的算法高 10% 的性能，特别是在高精度区域上实现了 6% 的改进。

    Jan, 2024

  • 学习物理学为基于结构的虚拟筛选提供姿态敏感性

    该研究针对药物发现中存在的问题，通过新的模型和基准测试，实现了在结构虚拟筛选中成功识别生物活性配体的目标，并克服了深度学习方法不敏感于蛋白质 - 配体相互作用的限制。

    Oct, 2021

  • 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

  • 一种用于蛋白质 - 配体结合亲和力预测的深度学习模型的开发与评价

    本研究基于结构的配体发现，利用深度神经网络和三维卷积技术实现，通过对配体 - 受体复合物进行建模，准确地估算它们间的结合亲和力，多项测试表明本方法优于经典评分函数。

    Dec, 2017