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

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

基于量子启发算法和深度学习编码的分子对接方法在去盲对接中表现出了比传统对接算法和基于深度学习的算法高 10% 的性能，特别是在高精度区域上实现了 6% 的改进。

Jan, 2024

DeltaDock 是一个用于高效分子对接的强大且通用的框架，它在快速采样准确结构和多尺度迭代优化初步结构两个步骤中操作，通过大型蛋白质模型和图神经网络，结合 GPU 加速采样算法，实现了盲对接和特定位点对接设置下的卓越性能和预测物理有效结构的能力。

Nov, 2023

本文提出了一种新的分子构象生成算法，通过基于扭转角度的扩散方法在高维空间上操作，并使用内外积分评分模型，其性能在药物样品基准中明显优于机器学习和化学信息学方法，同时比基于扩散模型的先前模型快几个数量级，此外，该模型提供了精确的似然度，用于构建第一个有效的玻尔兹曼生成器。

Jun, 2022

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

DOCKSTRING 是一款用于机器学习和药物开发的 Python 软件包，可以实现分子对接计算和降低对领域知识的需求。其包含了一个全面的数据集，方便实验多目标优化和迁移学习。基于分子对接评估结果可以帮助更好的设计药物候选物。

Oct, 2021

提出了一种名为 AliDiff 的新型通用对齐框架，该框架可以将预训练的目标扩散模型与所需的功能属性对齐，以优化化学物质的生成。经过实证研究，发现 AliDiff 可以生成具有最先进的结合能的分子，并且仍然具有强大的分子特性。

Jul, 2024

基于结构的药物设计旨在生成与特定蛋白质靶点结合的三维配体分子。本研究提出了一种名为 Binding-Adaptive Diffusion Models (BindDM) 的新框架，通过自适应地提取负责蛋白质 - 配体相互作用的结合位点的关键部分，使用 SE (3)- 等变神经网络对所选的蛋白质 - 配体子复合物进行处理，并将其与复合物的每个原子传递回来，以在生成具有结合相互作用信息的面向目标的三维分子扩散时增强。实验证明 BindDM 能够生成具有更真实的三维结构和更高结合亲和力的分子，平均 Vina 得分高达 - 5.92，同时保持良好的分子属性。

Jan, 2024

GeoDirDock (GDD) 是一种新颖的分子对接方法，通过沿表示平移、旋转和扭曲自由度的多个空间内的地标路径指导扩散模型的去噪过程，提高了配体对接预测的准确性和物理合理性。我们的研究表明，GDD 在 RMSD 准确性和物理化学姿态的真实性方面明显优于现有的盲目对接方法。结果表明，将领域专业知识纳入扩散过程可以得出更具生物学意义的对接预测。此外，我们还探讨了 GDD 在药物发现中的铅优化潜力，通过在最大共同亚结构（MCS）对接中进行角度转移，展示了其准确预测与化学相似化合物的配体取向的能力。

Apr, 2024