该研究提出了一种基于深度神经网络的蛋白质模型质量预测方法，利用少量输入特征和粗略模型描述以及数据库中已知蛋白质结构的迁移学习，达到了最先进的性能表现。

Apr, 2018

本文提出一种新型单一模型蛋白质质量评估方法 - Qprob，它计算蛋白质结构模型真实质量得分（GDT-TS 得分）与每个蛋白质特征值之间的绝对误差，并使用它们来估计其质量评估的概率密度分布。Qprob 在 11th Critical Assessment of Techniques for Protein Structure Prediction（CASP11）上进行了盲测试，并成功排名为最好的单一模型质量评估方法之一。该方法在预测难模型的蛋白质三级结构和质量评估方面表现出色，并为多个研究领域做出了贡献。

Mar, 2016

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

本研究提出了一种新的模型 DProQ，使用带门控机制的图网络结构对蛋白质复合物结构的预测质量进行判定，其在四个新开发的数据集上的表现达到了最先进水平。

May, 2022

本研究提出了一种新的混合量子 - 经典深度学习模型，用于药物发现中的结合亲和力预测，并通过在优化的量子架构中同时整合 3D 和空间图卷积神经网络，模拟结果显示与现有经典模型相比，预测准确度提高了 6％，收敛性能明显更稳定。

Sep, 2023

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

利用机器学习方法，通过构建神经网络模型和使用最新的建模方法对蛋白质二级结构的预测结果进行了研究和探讨，实验结果表明，模型精度达到 70.7％。通过完整地开放训练数据及代码，为领域内可重复性研究树立了良好标准。

Nov, 2018

本文探究将深度学习神经网络应用于蛋白质设计，以预测蛋白质中每个残基上 20 种天然氨基酸的几率，并且以网络输出为残基类型约束，顺利提高 Rosetta 工具设计三种天然蛋白质的平均序列一致性，同时相比早期方法，本研究以多层神经网络构建的方法在序列一致性方面提高了约 3% 的准确率，这些结果将推动计算蛋白质设计方法的进一步发展。

Jan, 2018

通过引入新的数据增强策略和物理信息神经网络，我们提出了一种解决蛋白质 - 配体相互作用预测中结构 - 亲和力数据缺乏的问题的可行方法，并得到了显著的性能提升，适用于药物发现中的配体结合活性评分和虚拟筛选。

Jul, 2023

通过训练两个自回归模型和四个自编码器模型，使用生物信息数据培训出来的语言模型（Language Models）能够在低推断开销下完成新的前沿预测，例如使用蛋白 LM - 嵌入 (ProtT5) 能够在无需使用进化信息的情况下，成功地进行氨基酸序列每残基预测，并出现在这个 https URL。

Jul, 2020