EquiBind: 基于几何深度学习的药物结合构象预测

ICLRFeb, 2022

EquiBind: 基于几何深度学习的药物结合构象预测

EquiBind: Geometric Deep Learning for Drug Binding Structure Prediction

Hannes Stärk, Octavian-Eugen Ganea, Lagnajit Pattanaik, Regina Barzilay, Tommi Jaakkola

TL;DR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。

Abstract

Predicting how a drug-like molecule binds to a specific protein target is a core problem in drug discovery. An extremely fast computational binding method would enable key applications such as fast →

drug discovery computational binding virtual screening deep learning fine-tuning

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

独立 SE（3）等变模型用于端到端刚性蛋白质对接

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。

Nov, 2021

FABind: 快速准确的蛋白质 - 配体结合

通过结合口袋预测和对接，提出了一种名为 FABind 的端到端模型，以实现准确和快速的蛋白质 - 小分子结合。

Oct, 2023

基于深度生成模型的条件受体结合位点三维分子生成

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

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

PharmacoNet：药理网络：通过药效团建模加速基于结构的虚拟筛选

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

基于几何深度学习的结构药物设计系统性调查

本文系统地回顾了几何深度学习在基于结构的药物设计中的最近进展，并包括了结合位点预测、结合姿势生成、分子生成、连接器设计和结合亲和力预测等任务的详细综述和相关进展的挑战以及潜在机会。

Jun, 2023

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

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

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