卷积神经网络在蛋白质 - 配体评分中的应用
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
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
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
介绍了一种基于深度卷积神经网络的分子对接得分预测模型并使用 CASF-2013 数据库和 PDBbind 数据库进行测试,结果表明本文方法相比过去的基于卷积神经网络的方法有了更好的预测性能。
Jun, 2019
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
本篇研究使用基于图卷积网络的深度学习模型,将蛋白质的三维结构表示为节点和边特征的联系图,并成功地将其应用于蛋白质对接领域中的评分和质量评估问题,与现有方法相比,获得了显著的改进。
Dec, 2019
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
该研究提出使用融合模型来组合不同深度学习模型的特征表示,从而改善预测蛋白质 - 配体结合亲和力的效果,并在 PDBBind 2016 数据集和其对接位点复合物方面证明效力。
May, 2020
我们提出了一种自监督学习的方法来学习蛋白质 - 配体结合表示,通过识别复杂的结合模式,从细粒度的相互作用中获得丰富的结合信息。我们的方法在各种结合任务中展现出优势,包括蛋白质 - 配体亲和性预测、虚拟筛选和蛋白质 - 配体对接。
Nov, 2023
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