预训练的基于转换器的语言模型和图神经网络在贝叶斯优化主动学习框架中表现良好，仅通过筛选超大型库中的 0.6％，可以识别到排名前 50000 位化合物的 58.97％，与先前的最先进基准相比提高了 8％，在结构基础和配体基础药物发现中具有卓越的性能，可提高基于主动学习的分子虚拟筛选的准确性和样本效率。

Sep, 2023

通过基于计算方法和资源的不断进步，超大规模虚拟筛选成为一种重要的策略，而主动学习方法在迭代小规模对接和机器学习模型训练中有效地减少了计算成本。本文通过六个受体靶点的基准研究，探究了在仅考虑二维结构的情况下，主动学习方法如何有效地预测对接分数及其适用条件。研究发现，代理模型往往通过记忆从获得步骤中获取的高对接得分化合物中普遍存在的结构模式，虽然如此，代理模型在虚拟筛选中仍然具有使用价值，比如在 DUD-E 数据集中鉴定活性化合物以及 EnamineReal 库中高对接得分化合物的初步筛选。我们的综合分析强调了主动学习方法在虚拟筛选中的可靠性和潜在应用性。

Jun, 2024

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

该研究针对药物发现中存在的问题，通过新的模型和基准测试，实现了在结构虚拟筛选中成功识别生物活性配体的目标，并克服了深度学习方法不敏感于蛋白质 - 配体相互作用的限制。

Oct, 2021

介绍了一种基于深度学习的结构虚拟筛选算法，通过对每个化合物分别应用可学习原子卷积和 softmax 操作生成固定大小的蛋白质和小分子指纹。使用这些指纹进行内积计算来预测结合位点的亲和性，并且介绍了一种新的基准数据集 DUD-E 和 PDBBind 数据库。

Oct, 2016

在多目标优化问题中，通过使用多目标贝叶斯优化方法，可以减少多属性虚拟筛选的计算成本，并成功地在三个案例研究中展示了 Pareto 优化的优越性。此外，我们使用开发的优化工具搜索了包含四百万种分子的虚拟库，仅探索了该库的 8% 即获得了该库 Pareto 前沿的 100%。这一工作流程和相关开源软件可以减轻分子设计项目的筛选负担，并且与提高结合预测准确性和其他分子特性相关的研究是互补的。

Oct, 2023

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

本文介绍了一种新颖的对比学习框架 DrugCLIP，通过将虚拟筛选重新构建为密集检索任务，并利用对比学习来对齐大量配对数据中的结合蛋白口袋和分子的表示，从而无需准确的结合亲和力标签。同时，我们还引入了一种受生物知识启发的数据增强策略，以学习更好的蛋白质 - 分子表示。广泛实验结果表明，DrugCLIP 在不同的虚拟筛选基准测试中明显优于传统对接和监督学习方法，尤其是在零样本设置中，大大减少了计算时间。

Oct, 2023

基于结构的药物设计通过利用三维靶点结构的先验知识生成高亲和力配体。本研究提出了 MolEdit3D 方法，将三维分子生成与优化框架相结合，通过使用片段开发了一种新的三维图形编辑模型来生成分子，并在丰富的三维配体上进行了预训练，然后采用目标引导的自学习策略来改进与目标相关的性质。MolEdit3D 在大多数评估指标上达到了最先进水平，并且展示了对目标相关和目标无关性质的强大能力。

Feb, 2024

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