Nov, 2021

独立 SE（3）等变模型用于端到端刚性蛋白质对接

PDF
TL;DR本文通过设计 SE（3）- 等变图匹配网络，使用关键点匹配和对齐来逼近配体口袋，并使用可微分 Kabsch 算法预测对接姿态，从而预测蛋白质复合物的 3D 结构，提出了一个名为 EquiDock 的模型。该模型在不需要大量采样、结构精炼或模板的情况下，在大多数情况下都能在计算时间上优于现有的对接软件，但仍需要进行实证研究。
发现论文，激发创造
  • 通过等变椭圆抛物线界面预测进行刚性蛋白质相互作用对接

    本研究提出了一种名为 ElliDock 的新型基于学习的方法，用于预测蛋白质 - 蛋白质对接界面，并在推断时间上显著快于其他方法，特别适用于抗体 - 抗原对接。

    Jan, 2024

  • Re-Dock: 实现具有扩展性和真实性的分子对接与扩散桥

    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

  • ETDock: 一种新颖的蛋白质 - 配体对接等变换 Transformer 模型

    应用等变性转换神经网络模型，利用蛋白质和配体的 3D 空间信息以及配体的图级特征进行融合和学习，实现了蛋白质 - 配体对接位姿的预测，并通过迭代优化生成精炼的配体位姿，实验证明该模型具有最先进的性能。

    Oct, 2023

  • EquiBind: 基于几何深度学习的药物结合构象预测

    本研究提出了一种基于 deep learning 的药物分子与蛋白质结合位置的直接预测方法，可应用于快速虚拟筛查或制药工程，与传统方法相比，具有更高的速度和更好的质量，并提出了一种快速的微调模型来解决以往能量最小化所采用的昂贵差分进化策略。

    Feb, 2022

  • 大规模生成的对接构象上的预训练与 HelixDock：发掘蛋白质小分子结构预测模型的潜力

    通过利用大规模和多样化的生成数据，我们引入了一种用于特定位点分子对接的新方法 HelixDock，该方法基于深度学习预训练网络和小数量的精确受体 - 配体复合物结构，相较于传统基于物理和基于深度学习的基线方法，在具有挑战性的测试集上表现出卓越的优势，研究揭示了预训练分子对接模型的扩展规律，展示了随着模型参数和预训练数据数量的增加而持续改进的效果，充分利用广泛而多样化的生成数据的力量有望推进以人工智能驱动的药物发现。

    Oct, 2023

  • DockGame: 刚性蛋白多聚体对接的合作博弈

    蛋白质相互作用、组装形成、蛋白质对接、多聚蛋白对接和博弈论框架是本研究的主要关键词和研究领域，通过 DockGame 方法可以提高蛋白质对接问题的效率和生成多种可能的组装结构。

    Oct, 2023

  • DiffDock-PP: 用扩散模型进行刚性蛋白质 - 蛋白质对接

    本研究提出了一种基于 DiffDock-PP 的扩散生成模型，能够学习将未束缚的蛋白结构转化为其绑定构象，适用于蛋白质 - 蛋白质对接问题，实现了优于先前方法的性能，并在预测中生成了可靠的置信度估计。

    Apr, 2023

  • SyNDock: 可学习的群同步方法用于 N 个刚性蛋白质的对接

    本研究介绍了 SyNDock，一种自动化框架，可以在几秒钟内快速组装精确的多聚体复合物，显示出在关键性能指标方面优于现有的对接软件的性能，并将多聚体蛋白对接表述为学习全局转换的问题，其可应用于将链单元置于全局一致性的解决方案中，同时提出了一种可训练的两步 SE（3）算法。

    May, 2023

  • 目标感知分子生成和亲和力预测的 3D 等变扩散

    本研究基于 3D 等变扩散模型实现有标的分子设计，并提出了一种综合的评估框架来评估样本分子的质量，实验结果表明，该模型能够更好地生成具有更逼真的 3D 结构和更好的与蛋白靶点的亲和力，而且在不重新训练的情况下能够提高结合亲和力排名和预测质量。

    Mar, 2023

  • 用层级旋转等变神经网络选择蛋白质复合物的结构模型

    本文介绍了一种基于机器学习的方法，利用 3D 原子坐标来直接标识蛋白质复合物的准确模型，提高准确模型的识别，也可以用于绝对预测准确结构模型的方法。

    Jun, 2020