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

我们提出了一种自监督学习的方法来学习蛋白质 - 配体结合表示，通过识别复杂的结合模式，从细粒度的相互作用中获得丰富的结合信息。我们的方法在各种结合任务中展现出优势，包括蛋白质 - 配体亲和性预测、虚拟筛选和蛋白质 - 配体对接。

Nov, 2023

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

预测蛋白质的配体结合位点对于理解蛋白质功能和筛选潜在药物是一项基础而重要的任务。通过使用蛋白序列和配体分子图作为输入，LaMPSite 模型能够在没有 3D 蛋白质结构信息的情况下预测结合位点，与需要 3D 结构的基准方法相比具有竞争力的性能，这为药物发现提供了新的机会。

Dec, 2023

本研究提出了 MoCoP 框架来学习分子图和细胞形态的多模态表示，并将其应用于 QSAR 模型以提高其性能。实验结果表明将细胞形态与分子图相融合能显著提高 QSAR 模型的性能。

Apr, 2023

本研究提出了一种基于自监督学习的框架 Contrastive Spatial Pre-Training（CSP），用于处理大量具有地理标记信息的图像，通过对地理信息进行编码和对比学习，可以提高模型在图像分类任务中的性能。

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

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