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

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

我们开发了一种基于注意力的图神经网络 (ContactNet)，用于将从对接算法中得到的蛋白质相互作用模型分类为准确和错误的模型，不需要多序列比对，适用于其他类型的相互作用。

Jun, 2024

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

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

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

利用领域知识和深度学习方法，提出了一种半监督深度学习模型，旨在从蛋白质序列中预测化合物与蛋白质相互作用并对其进行解释，表现优于传统方法，并采用转移学习进一步提高了新型蛋白质的预测效果以及对筛选药物的解释性能。

Jun, 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

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