基于几何深度学习和图神经网络的 PAMNet 是一个通用框架，通过引入物理信息偏置来模拟三维分子的局部和非局部相互作用，具有高效且准确的学习分子表示能力，在小分子性质、RNA 3D 结构和蛋白质 - 配体结合亲和性等学习任务中表现优异，适用于广泛的分子科学应用。

Nov, 2023

PharmacoNet 是一种深度学习框架，通过与生成的药效团配位体之间的粗粒化图形匹配，解决了现有方法中昂贵的配位体姿态采样和评分过程，从而显著提高了结构基准方法的速度，同时通过简单的评分函数保持了合理的准确性，并在严格的预筛选阈值下有效保留了命中候选物，揭示了药效团建模方法在基于深度学习的药物发现中迄今未被开发的潜力。

Oct, 2023

研究表明，基于分子结构的图神经网络架构是目前预测分子性质最好的机器学习方法之一，并且可以监督大规模重复评估化合物库。使用新的有机光伏应用候选分子数据库进行的实验证明，即使不要求最优的立体结构输入，利用信息传递神经网络可以获得与现有基准数据集上最先进方法相媲美的准确性。

Jul, 2018

通过引入机器学习方法，NeuralMD 首次提出了一种能够促进分子动力学和提供准确的蛋白质 - 配体结合动力学模拟的机器学习代理模型，该模型在提高效率方面展现出非凡的成果，并通过稳定度指标超出其他机器学习方法高达 80% 的表现，更具稳定性的蛋白质 - 配体结合预测。

Jan, 2024

Elektrum 是一个利用体外酶动力学实验和深度学习构建 KINNs 模型，并利用转移学习 fine-tuning 这些模型来预测生化系统动力学的框架。通过使用有限但净数据和包含细胞上下文的嘈杂但丰富的在 vivo 数据，Elektrum 可以有效地确定生化系统的动力学，并在 CRISPR-Cas9 剪切效率预测方面实现了最先进的性能。

May, 2023

本研究介绍了一种基于深度神经网络的分子模拟方案 ——Deep Potential Molecular Dynamics（DeePMD）方法，能够在多种系统中高效、准确地预测原始数据，并且与系统规模呈线性比例。

Jul, 2017

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

通过使用机器学习模型，本研究提出了一种高准确性、低内存占用的有效方法来预测蛋白质的折叠动力学，相较于现有模型提高了 4.8% 的准确性，内存占用减少了 327 倍，速度提升了 7.3%。

Sep, 2023

利用深度神经网络预测机械模型参数在生物过程工程中起到了重要的作用，提供了高效、健壮且计算成本低的参数估计方法，综合实验数据对比了提出的算法与传统方法，发现神经网络预测的参数估计优于传统拟合程序。

Dec, 2023

通过采用扩展的混合模型并在更大的数据集上进行训练，我们成功改善了之前开发的模型，将总体口服暴露的中位倍数误差从 2.85 降低到 2.35，静脉给药从 1.95 降低到 1.62，实现了对药代动力学不利显性统计配置的化合物进行筛选和开发，同时提供了预测其他指标（如性别和剂量形式）的能力。

Oct, 2023