无限物理猴：深度学习方法在构象生成中真的表现更好吗？

Mar, 2023

Infinite Physical Monkey: Do Deep Learning Methods Really Perform Better in Conformation Generation?

Haotian Zhang, Jintu Zhang, Huifeng Zhao, Dejun Jiang, Yafeng Deng

TL;DR本文探讨了利用深度学习和基于物理学原理的两种方法进行分子构象生成和蛋白质配体定位的可行性，提出基于无穷随机猴定理的分子构象生成方法，证明了其覆盖率比大多数深度学习方法更高，同时也发现了其在蛋白质配体定位方面的成功率接近最佳表现。

Abstract

conformation generation is a fundamental problem in drug discovery and cheminformatics. And organic molecule conformation generation, part

发现论文，激发创造

本文提出了一种结合了流模型与能量模型的方法，以解决机器学习在从分子图生成分子空间构象时存在的挑战。经过大量实验，证明该方法在分子构象生成和距离建模任务上具有显著的改进和卓越性能。

Feb, 2021

本文提出了一种基于条件深度生成图神经网络的分子构像生成方法，可以在数据驱动的基础上直接学习生成符合能量有利的、更可能在实验中被观察到的分子构像，相较于传统力场方法生成的构像更加接近于参考构像，并且保持着几何多样性，可以提供传统力场方法的初始坐标。

Mar, 2019

基于扩散的生成模型，通过深度学习从大规模训练集中推断原子类型和几何参数，以取得高精度的键合参数，超过传统的基于知识的方法，并与实验结构进行比较。

Feb, 2024

利用多个构象的 3D 信息可以改善深度学习模型在分子性质预测中的表现，我们介绍了多重深度学习模型，并将其在二维、三维和四维表示中的表现进行了测试，深度学习模型可以学习每个构象的可解释性关注权重。

Dec, 2020

本研究提出了一种新的方法，直接预测分子的坐标，通过适应性地聚合键和原子信息，迭代地细化生成构象的坐标，该方法在 GEOM-QM9 和 GEOM-Drugs 数据集上取得了最佳结果，并通过提供更好的初始构象来改善分子对接。

Feb, 2022

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

通过将深度学习与分子动力学模拟相结合，可以有效学习潜在表征并推动自适应模拟，从而实现在超级计算机上以有效的方式折叠蛋白质，相较于传统的模拟方法，获得至少 2.3 倍的性能提升，这为我们理解 DL 驱动的 MD 模拟如何导致在超级计算资源上减少解决方案的时间提供了定量基础。

Sep, 2019

利用人工智能和生成神经网络对蛋白质的分子动力学进行建模，将分子动力学的轨迹用 Ramachandran 盆类的向量表示，无需使用物理粒子，模型可以扩展无限，并能够完整地模拟蛋白质的构象空间。

Jun, 2022

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

使用密度泛函理论和高级采样方法生成超过 450,000 种分子的 3D 构象，这将有助于从构象集合中预测分子性质并进行生成模型的开发。

Jun, 2020