本文介绍了 RINGER，一种基于内部坐标的扩散变压器模型，用于条件生成一种新的来自序列的宏环结构，以提高对环狀肽的采样和采集几何学习方法的研发。

May, 2023

这项研究使用先进的深度学习模型对肽的编码进行了全面的基准分析，为肽相关的各种预测提供指导，如等电点、水合自由能等。

Jul, 2023

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

本篇论文旨在利用一种基于机器学习的框架快速有效地筛选出新的抗菌肽，其中利用了基于循环神经网络和基于图形的过滤器，从而显著减少湿实验的次数和时间成本。

Sep, 2022

分子表示学习具有在药物发现和酶设计等众多生物化学应用中的显著影响。我们提出了第一个全面评估从同构体集合学习的潜力的 MoleculAR Conformer Ensemble Learning (MARCEL) 基准，并建议有前景的研究方向。我们的研究结果表明，直接从可访问的同构体空间学习可以提高各种任务和模型的性能。

Sep, 2023

提出了一种基于机器学习的方法 GeoMol，可以生成分子的 3D 构象，并且相较于一些开源、商业或者最先进的机器学习模型表现更为出色，同时具有过程全自动化的特点。

Jun, 2021

利用机器学习预测病毒肽与主要组织相容性复合物的结合有助于疫苗开发，并成为抗击大流行病的关键组件。本研究基于循环神经网络，将来自不同数据源的回归器（结合亲和力数据）和分类器（质谱数据）组合以获得更全面的预测工具，并在最近发布的 SARS-CoV-2 数据集上进行了评估，结果表明 USMPep 不仅在选定的单一等位基因上创造了新的最佳表现，而且在某些度量标准上甚至是整体最佳表现的方法之一。

Apr, 2021

本论文提出了基于半监督变分自编码器模型的 Peptide Generation Framework（PepCVAE），用于设计新型抗菌肽（AMP）序列，通过大量未标记的肽序列学习一种丰富的生物肽上下文的潜在空间，同时通过 AMP 分类器的反馈学习出一种分离的抗菌属性空间，生成的 AMP 序列表现优于标准 VAE，具有高度多样性，是下一代抗菌设计中非常理想的选择。

Oct, 2018

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

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