本研究基于结构的配体发现，利用深度神经网络和三维卷积技术实现，通过对配体 - 受体复合物进行建模，准确地估算它们间的结合亲和力，多项测试表明本方法优于经典评分函数。

Dec, 2017

通过整合发布的经验结构基于对接和序列基于深度学习模型，我们开发了一个元建模框架，多个元模型在结合输入特征多样性的情况下，显著提高了结合亲和力预测的准确性，从而节省了找药物的时间和费用。

Oct, 2023

该研究提出使用融合模型来组合不同深度学习模型的特征表示，从而改善预测蛋白质 - 配体结合亲和力的效果，并在 PDBBind 2016 数据集和其对接位点复合物方面证明效力。

May, 2020

本文提出了多任务生物测定预训练框架 (MBP)，该模型结合蛋白质 - 配体复合物的三维结构作为输入来预测蛋白质 - 配体结合亲和力，利用 ChEMBL-Dock 数据集对不同亲和力标签的预测进行多任务预训练，并且分类了相对排名是否来自同一生物测定，通过实验证明 MBP 作为通用框架能够改进并针对主流结构基预测任务。

Jun, 2023

通过使用 fine-tuned 预训练生成型小语言模型 (SLM)，我们描述了准确预测配体 - 蛋白相互作用 (LPI) 亲和度，也称为药物靶点相互作用 (DTI)。我们在无样本设置中针对与配体 - 蛋白相互作用相关的一系列亲和度值进行了准确的预测。模型输入只使用了配体的 SMILES 化学式和蛋白氨基酸序列。我们的结果表明，在准确预测一系列配体 - 蛋白相互作用亲和度方面，与基于机器学习 (ML) 和自由能扰动 (FEP+) 方法相比，我们取得了明显的改进，这可以加速针对具有挑战性的治疗靶点的药物发现项目。

Jun, 2024

本文提出了一种利用半监督图卷积网络（GCN）在蛋白质 - 配体亲和性（PLA）预测中整合了相似困难样本的方法，通过同时检索相似困难样本、学习蛋白质 - 配体描述符、学习输入样本的图拓扑结构以及使用半监督 GCN 进行任务预测，显著优于相似方法。

May, 2024

本研究提出了一种新的混合量子 - 经典深度学习模型，用于药物发现中的结合亲和力预测，并通过在优化的量子架构中同时整合 3D 和空间图卷积神经网络，模拟结果显示与现有经典模型相比，预测准确度提高了 6％，收敛性能明显更稳定。

Sep, 2023

本研究利用深度卷积神经网络结合大量蛋白质配体结合和结构数据，开发了一种新的评价蛋白质配体相互作用的计算方法，可以用于计算机辅助新药研发并取得了比传统方法更好的效果。

Dec, 2016

提出了一种新颖的全局 - 局部相互作用（GLI）框架，用于预测蛋白质 - 配体结合亲和力，通过考虑蛋白质和配体之间的多级相互作用，包括闭合原子之间的高能短程相互作用和非成键原子之间的低能远程相互作用，全局嵌入长程相互作用并分别聚合本地短程相互作用，在各种基于神经网络的模块中获得了更好的预测精度，且该框架与各种神经网络体系结构兼容，且具有适中的计算成本。

Sep, 2022

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