Mar, 2017

原子卷积网络用于预测蛋白质 - 配体结合亲和力

PDF
TL;DR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。
empirical scoring functionsmolecular dockingatomic-level chemical interactionsbioactivity predictionatomic convolutional neural network
发现论文，激发创造
  • 卷积神经网络在蛋白质 - 配体评分中的应用

    本研究利用深度卷积神经网络结合大量蛋白质配体结合和结构数据，开发了一种新的评价蛋白质配体相互作用的计算方法，可以用于计算机辅助新药研发并取得了比传统方法更好的效果。

    Dec, 2016

  • 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

  • 一种混合量子经典融合神经网络用于提高药物发现中蛋白质 - 配体结合亲和力预测

    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

  • OnionNet：一种基于多层分子间接触的卷积神经网络，用于蛋白质 - 配体结合亲和力预测

    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

  • 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 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。

    Oct, 2015

  • 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

  • 基于结构的深度融合推断提高蛋白质配体结合亲和力预测

    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

  • 元模型改进的配体 - 蛋白结合亲和力预测

    通过整合发布的经验结构基于对接和序列基于深度学习模型，我们开发了一个元建模框架，多个元模型在结合输入特征多样性的情况下，显著提高了结合亲和力预测的准确性，从而节省了找药物的时间和费用。

    Oct, 2023

  • 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

  • DeepDTA: 深度药物 - 靶向结合亲和力预测

    利用卷积神经网络对药物靶点结合亲和力进行预测并得出最优模型，成果优于传统算法和现有最先进算法。

    Jan, 2018