Aug, 2023

利用神经过程应对试验异质性，显著提高生物活性预测

PDF
TL;DR模型利用异质性药效数据的信息协同，成功应对了试剂异质性，极大地提高了不同蛋白质靶点和试剂类型的亲和力预测，从而在早期药物发现中实现了大规模虚拟筛选。
bioactivityligandcomputer-aided drug discoverypredictive modelshierarchical meta-learning
发现论文，激发创造
  • 元模型改进的配体 - 蛋白结合亲和力预测

    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

  • 学习物理学为基于结构的虚拟筛选提供姿态敏感性

    该研究针对药物发现中存在的问题，通过新的模型和基准测试，实现了在结构虚拟筛选中成功识别生物活性配体的目标，并克服了深度学习方法不敏感于蛋白质 - 配体相互作用的限制。

    Oct, 2021

  • 抗体亲和力预测的主动学习

    通过活跃学习框架，加速搜索改进的结合剂，探索不同建模方法以识别最有效的代理模型，并在预先计算的数据池和真实的完整循环设置中评估我们的框架。

    Jun, 2024

  • PotentialNet 用于分子性质预测

    该论文介绍了使用基于深度神经网络的机器学习方法来改进药物发现过程中分子属性预测的性能，包括设计出的 PotentialNet 结构和 EF$_{chi}^{(R)}$ 指标以及交叉验证策略等，并在多个基于配体的任务中验证了模型性能的创新性。

    Mar, 2018

  • 一种混合量子经典融合神经网络用于提高药物发现中蛋白质 - 配体结合亲和力预测

    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

  • 药物靶标相互作用的大型数据集整理和基准

    通过从多个公共数据源中创建和有效展示大规模数据集、基于不同有意义的策略将数据划分为训练、验证和测试集，并提供具体评估方案进行基准测试，本文提出了标准化已有数据资源的方法，并通过对现有神经网络模型的实验研究证明了其实用性和可行性。

    Jan, 2024

  • ALMERIA: 用可扩展的方法增强分子配对对比度

    ALMERIA 是一种用于估计化合物相似性和活性预测的决策支持工具，通过成对分子对比考虑它们的构象变化，覆盖了从数据准备到模型选择和超参数优化的整个流程，并使用可扩展软件和方法来利用大量数据进行实现。

    Apr, 2023

  • 一种用于精准绑定亲和力评分和虚拟筛选的多用途深度学习蛋白质 - 配体相互作用预测模型

    通过引入新的数据增强策略和物理信息神经网络，我们提出了一种解决蛋白质 - 配体相互作用预测中结构 - 亲和力数据缺乏的问题的可行方法，并得到了显著的性能提升，适用于药物发现中的配体结合活性评分和虚拟筛选。

    Jul, 2023

  • 一种用于蛋白质 - 配体结合亲和力预测的深度学习模型的开发与评价

    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

  • 蛋白质 - 配体结合亲和力预测的多任务生物测定预训练

    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