利用侧面信息通过基于扩散的方法生成配体构象
通过引入新的任务 —— 灵活对接，以预测配体和口袋侧链的姿态，并引入扩展到几何流形的扩散桥生成模型 Re-Dock，提出了受牛顿 - 欧拉方程启发的能量到几何映射，用于共同建模反映能量约束对接生成过程的结合能和构型，在设计的基准数据集如 apo-dock 和 cross-dock 上进行综合实验证明我们模型相对于现有方法具有更高的有效性和效率。
Feb, 2024
利用未标记的实验蛋白质结构，通过基于表示学习的方法，我们提出了 SidechainDiff，它利用了 Riemannian 扩散模型来学习侧链构象的生成过程，并且可以给出蛋白质结合界面上突变的结构背景表示。通过利用这些学习到的表示，我们在预测蛋白质结合突变效果方面取得了最新的研究成果。另外，SidechainDiff 是第一个基于扩散的侧链生成模型，与以往主要集中在生成蛋白质骨架结构的努力有所区别。
Oct, 2023
我们提出了一种力导向的 SE (3) 扩散模型 ConfDiff，用于蛋白质构象的生成，该模型融合了力导向网络和基于数据的评分模型，能够生成具有多样性且高保真性的蛋白质构象。实验证明，我们的方法在多种蛋白质构象预测任务中优于现有方法。
Mar, 2024
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
本文提出了一种新的分子构象生成算法，通过基于扭转角度的扩散方法在高维空间上操作，并使用内外积分评分模型，其性能在药物样品基准中明显优于机器学习和化学信息学方法，同时比基于扩散模型的先前模型快几个数量级，此外，该模型提供了精确的似然度，用于构建第一个有效的玻尔兹曼生成器。
Jun, 2022
本研究通过将分子对接问题视为一种生成建模问题，实现了一个基于扩散过程的 DiffDock 模型，能够准确地预测小分子配体和蛋白质的结合结构，并在准确性和计算效率方面显著优于传统对接和深度学习方法。
Oct, 2022
本文提出了一种名为 Geodiff 的新型生成模型，它将分子中的每个原子视为粒子，并学习直接反向扩散过程来预测分子构象，通过 Markov 的方式进行建模，Markov 核通过维持等变性来实现不变性分布，实验表明，该方法在多个基准测试中优于或与现有的最先进方法相媲美。
Mar, 2022
通过基于结构的药物设计方法和自动生成模型 AUTODIFF，以及分子组装策略 conformal motif 和 SE (3)- 等变卷积网络，本研究在 CrossDocked2020 的大范围实验中显示，相较于现有模型，我们的方法在生成具有有效结构和构象的真实分子的同时，并保持较高的结合亲和力方面取得了更好的性能。
Apr, 2024
分子构象生成的新方法通过将分子的反积分过程视作对由分子所组成的原子施加逐渐增加的力场，从而使原子间距的变化分布从高斯分布向麦克斯韦 - 玻尔兹曼分布转变，该生成模型保证了可行的原子间距几何，并且具有时间可逆性。实验结果表明，该方法相比最先进的技术具有优势。
Sep, 2023