学习物理学为基于结构的虚拟筛选提供姿态敏感性
本研究探讨使用基于贝叶斯优化技术的代理模型在虚拟筛选过程中的应用,针对蛋白质 - 配体配对数据集进行实验,结果表明通过此模型可显著减少计算成本,并可用于高通量筛选等领域。
Dec, 2020
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
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
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
通过构建 PoseBench 实验平台,研究发现最近的深度学习对特定蛋白质目标的多配体对接方法泛化能力不足,模板对接算法在多配体对接中表现良好,为未来的研究提供了改进的方向。
May, 2024
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
本文提出了一种新的基于深度学习的方法来生成可预测结合蛋白质的三维分子结构,对生成的分子进行了性质评估,并探索了生成模型的潜在空间,为利用深度学习从蛋白结构预测稳定的生物活性分子开启了新的可能性。
Oct, 2021
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
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