Pocket2Mol: 基于蛋白质 3D 结构口袋的高效分子采样
本文提出了 DrugGPS 方法用于结构为基础的药物设计，通过学习亚口袋原型并构建全局交互图，模拟亚口袋原型与分子模体之间的相互作用，同时使用层次图转换编码器和基于模体的 3D 分子生成方案来提高模型性能，实验结果表明该方法的实用性在现实应用中得到了充分验证。
May, 2023
本文提出了一种基于口袋的三维分子生成方法，利用具有生成 3D 坐标能力的语言模型，并设计了扰动复原预训练任务，介绍了一种新的分子表示方法，并利用 CrossDocked 和 DUD-E 数据集对其进行了评估。该方法在几乎所有指标上实现了最优的表现，特别是在结合模式、药物性质、合理构型和推理速度方面。
May, 2023
本文提出了一种生成指定蛋白质结合位点分子的 3D 生成模型，可应用于结构基因设计任务，通过学习原子的概率密度分布并提出自回归采样策略，实现了生成有效和多样性分子的能力，在实验结果中表现出较高的亲和力和良好的药物特性。
Mar, 2022
基于构象的药物设计中，我们提出了一种使用等变扩散模型 PILOT 的基于计算的方法，通过结合口袋调节和大规模预训练与性质引导，来进行 3D 配体结构的 $ extit {de novo}$ 生成。PILOT 的多目标基于轨迹的重要性抽样策略旨在引导模型生成既具有增强与给定蛋白质口袋结合亲和力等所需特性，同时又保持高合成可访问性的分子。PILOT 在常见基准数据集 CrossDocked2020 上在各种评估指标上明显优于现有方法。此外，我们使用 PILOT 为 Kinodata-3D 数据集中未见蛋白质口袋生成了新的配体结构，该数据集包含了人类蛋白激酶组的大部分内容。生成的结构体预测的 $IC_{50}$ 值表明具有强大的生物活性，突显了 PILOT 作为基于构象的药物设计强大工具的潜力。
May, 2024
本文提出了一种基于 D3FG 的扩散模型，用于口袋特异性分子生成和阐述，将分子分解为刚性体和质点两类组分，两种组分可以组成复杂的片段以增强配体 - 蛋白相互作用，该方法生成的分子具有更为逼真的 3D 结构，竞争性的亲和力以及更好的药物特性。
May, 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
利用基于蛋白质为环境约束的扩散模型，在非自回归的完整原子水平上，去噪元素类型和整个分子的三维坐标，学习生成过程，相较其他方法具有更高的相似性和更适当的分子大小以及其他药物性质。
Nov, 2022
通过在高分辨率原子蛋白质结构中分割药物样片段和相应的口袋，并与一些预训练的小分子编码器生成的伪配体表示对齐，我们提出了一种新颖的口袋预训练方法 ProFSA，该方法在口袋可药性预测、口袋匹配和配体结合亲和力预测等多个任务中取得了最先进的性能，同时通过利用高质量和多样性的蛋白质结构数据库，我们的研究为缓解蛋白质 - 配体复合物数据的稀缺性开辟了新途径。
Oct, 2023
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