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

May, 2020

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

Improved Protein-ligand Binding Affinity Prediction with Structure-Based Deep Fusion Inference

Derek Jones, Hyojin Kim, Xiaohua Zhang, Adam Zemla, Garrett Stevenson...

TL;DR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。

Abstract

Predicting accurate protein-ligand binding affinity is important in drug discovery but remains a challenge even with computationally expensive biophysics-based energy scoring methods and state-of-the-art deep learning

protein-ligand binding affinity drug discovery deep learning neural network models fusion models

发现论文，激发创造

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

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

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

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

一种用于精准绑定亲和力评分和虚拟筛选的多用途深度学习蛋白质 - 配体相互作用预测模型

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

原子卷积网络用于预测蛋白质 - 配体结合亲和力

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

细粒度相互作用中的蛋白质 - 配体结合表示学习

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

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

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

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