我们至少应该能够设计出良好对接的分子
DOCKSTRING 是一款用于机器学习和药物开发的 Python 软件包,可以实现分子对接计算和降低对领域知识的需求。其包含了一个全面的数据集,方便实验多目标优化和迁移学习。基于分子对接评估结果可以帮助更好的设计药物候选物。
Oct, 2021
通过评估生成分子与已知活性化合物的相似性,引入基于虚拟筛选的实际部署能力度量,以更严格地重新评估结合亲和性,我们提出了一个综合评估框架来解决结构基药物设计在实际应用中的限制,研究结果显示,尽管当前的结构基药物设计模型在 Vina 评分上表现出色,但在实际可用性指标上存在不足,突显了理论预测与实际应用之间的巨大差距,我们提出的指标和数据集旨在填补这一差距,提高未来结构基药物设计模型的实际适用性,使其更贴合制药研究与开发的需求。
Jun, 2024
我们引入了一种名为 delta 分数的新的评估指标,通过与实际生物需求的对比,发现当前的深度生成模型所产生的分子在 delta 分数上远远落后于基准配体,这一新的指标不仅补充了现有的基准测试,还为该领域的后续研究提供了重要方向。
Nov, 2023
本研究为分子生成模型提出了一个新的具有生物学启发的评估基准,重点关注配体 - 靶标相互作用,提出了一系列有关蛋白质配体亲和预测、分子对接等与药物发现过程直接相关的指标,并采用多模态方法结合各个指标进行评估,结果表明该单元模式可能导致关于靶标与分子相互作用的错误结论,从而创建了一个高度有效的工具来评估分子生成输出,为药物发现过程的丰富提供了可能性。
Aug, 2022
基于量子启发算法和深度学习编码的分子对接方法在去盲对接中表现出了比传统对接算法和基于深度学习的算法高 10% 的性能,特别是在高精度区域上实现了 6% 的改进。
Jan, 2024
Docking is a crucial component in drug discovery, and Smiles2Dock is an open large-scale multi-task dataset for molecular docking, enabling researchers to benchmark ML-based docking approaches using AlphaFold proteins and diverse ligands from the ChEMBL database.
Jun, 2024
CBGBench 是一个结构基药物设计的综合评估基准,使用 AI 技术中的生成模型,通过填补三维复合结合图的空白来统一任务,并广泛应用于药物设计的关键子任务,包括分子生成、连接物、片段、骨架和侧链等。
Jun, 2024
通过引入新的任务 —— 灵活对接,以预测配体和口袋侧链的姿态,并引入扩展到几何流形的扩散桥生成模型 Re-Dock,提出了受牛顿 - 欧拉方程启发的能量到几何映射,用于共同建模反映能量约束对接生成过程的结合能和构型,在设计的基准数据集如 apo-dock 和 cross-dock 上进行综合实验证明我们模型相对于现有方法具有更高的有效性和效率。
Feb, 2024