基于图形的深度生成模型用于新型 PROTAC 设计
通过结构预测方法 PROflow,实现对蛋白蛋白结合的保护性分解模型 PROTac 的全面预测,提高了反向蛋白蛋白结合方法的性能与运行速度,使其可以用于大规模的药物筛选设计。
Apr, 2024
提出了一种新方法 ShapeLinker,该方法利用增强学习,优化物理化学属性和基于注意力的点云对齐评分,成功地生成了既满足 2D 和 3D 要求,同时又符合药物相似性的独特的连接器,从而更加合理和高效地进行 PROTAC 的设计和优化。
Jun, 2023
利用人工智能等方法进行蛋白质工程和全新设计的研究方案,如生成模型和扩散过程,能够生成展现出所需特性和功能的全新而真实的蛋白质,在优先测试设计方案方面仍然面临一些挑战,因此需要综合生物化学知识提高性能和可解释性。
Oct, 2023
基于大语言模型 (LLMs) 的 ProtAgents 平台引入多个具有不同能力的 AI 智能体,通过动态环境下的协同工作,致力于解决多目标的蛋白质设计与分析问题,展示了 LLMs 在材料领域中发挥的潜力,并为自主材料发现与设计开辟了新的途径。
Jan, 2024
利用基于语言模型的灵活深度学习策略,基于一个完全基于提示的模型,将 transformer 和图卷积架构集成到因果多头图机制中,实现一个生成预训练模型,用于预测蛋白质的二级结构内容、蛋白质可溶性和蛋白质测序等任务,并可用于设计具有这些特性的蛋白质,这个模型展现了多任务和协同作用的应用价值。
May, 2023
本文提出了一种新颖的框架,名为 3D-MolGNN$_{RL}$,结合了强化学习和基于 3D 骨架的深层生成模型,在优化多个特征的同时,通过并行图神经网络模型自动构建具有特定蛋白质活性的靶向分子,以使药物研发中的分子设计更快更高效。
May, 2022
人工智能驱动的方法可以大大改善历史上昂贵的药物设计过程,各种生成模型已经广泛使用。特别是对于全新药物设计的生成模型,侧重于完全从零开始创建新的生物化合物,展示了一个有前途的未来方向。通过对该领域的迅速发展以及药物设计过程的固有复杂性,为新研究者进入创造了一个困难的环境。在这项调查中,我们将全新药物设计分类为两个主要主题:小分子和蛋白质生成。在每个主题中,我们确定了各种子任务和应用,突出重要的数据集、基准和模型架构,并比较了顶级模型的性能。我们采取广泛的方法进行人工智能驱动的药物设计,允许在每个子任务中对各种方法进行微观水平的比较,并跨不同领域进行宏观观察。我们讨论了这两个应用之间的并行挑战和方法,并强调了人工智能驱动的全新药物设计的未来方向。所有涵盖的资料的有组织存储库可以在此链接中找到:https://www.example.com
Feb, 2024
本文介绍了一种基于序列的生成模型来设计分子的方法,通过增强情节似然性可以学习生成具有某些指定的理想特性的结构。将模型应用于生成类似物质结构,生成与药物 Celecoxib 类似的分子以及具有活性的化合物。最后,将模型调整为生成预测对多巴胺受体 2 具有活性的化合物,得到了 95% 以上的预测为活性的结构,其中包括实验证实的活性化合物。
Apr, 2017
利用生成型神经网络学习药物靶标蛋白结构的结构集合,以便于更好的理解药物机理和发展治疗方法,同时通过蛋白几何自编码器模型在蛋白质的内在和外在几何学上进行分离编码,快速生成蛋白质构象的方案。
May, 2022