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
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
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
本文提出了一种曲率增强的图卷积神经网络，使用 Ollivier-Ricci 曲率为节点邻域的特征聚合赋权，用于生物分子相互作用预测，结果显示该模型表现优异。
Jun, 2023
通过深度学习及图神经网络，使用蛋白质的大规模语言模型提取特征，针对蛋白质复合物中的多个氨基酸替代预测结合亲和力的变化
May, 2024
通过添加虚拟节点和应用扩展的信息传递方案，扩展了 E (n)-Equivariant Graph Neural Networks (EGNNs)，以提高预测性能，并在 COACH420、HOLO4K 和 PDBbind2020 上表现出卓越的定位结合位点中心的最新技术。
Apr, 2024
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
本研究提出了一种结构感知交互图神经网络 (SIGN)，用于预测蛋白质 - 配体复合物的亲和力。SIGN 包含极性启发式图注意力层（PGAL）和配对交互池（PiPool）两个部分，能充分利用生物分子结构信息并考虑原子之间的长程相互作用，在两个基准测试中显示其优越性。
Jul, 2021