Oct, 2023

元模型改进的配体 - 蛋白结合亲和力预测

PDF
TL;DR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。
candidate drug ligandscomputational approachesbinding affinity predictionmeta-modeling frameworkdrug development
发现论文，激发创造
  • 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

  • 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

  • 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

  • 基于结构的深度融合推断提高蛋白质配体结合亲和力预测

    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

  • 结合对接位姿排序、构象和深度学习改进蛋白质 - 小分子配体结合模式预测

    提出了一种基于图的卷积神经网络，该网络以蛋白质 - 配体复合物的结构信息作为输入，生成活性和结合模式预测模型，并开发了一种深度学习模型，用于结合模式预测，并在各种测试中优于基线对接程序。

    Oct, 2019

  • DeepDTA: 深度药物 - 靶向结合亲和力预测

    利用卷积神经网络对药物靶点结合亲和力进行预测并得出最优模型，成果优于传统算法和现有最先进算法。

    Jan, 2018

  • 利用联合全局局部交互建模预测蛋白质 - 配体结合亲和力

    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

  • 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

  • 深度学习在蛋白质 - 配体对接中的应用：是否已达到目标？

    通过构建 PoseBench 实验平台，研究发现最近的深度学习对特定蛋白质目标的多配体对接方法泛化能力不足，模板对接算法在多配体对接中表现良好，为未来的研究提供了改进的方向。

    May, 2024

  • 原子卷积网络用于预测蛋白质 - 配体结合亲和力

    本文提出了一种基于原子层次化学相互作用的空间卷积神经网络来预测蛋白质 - 配体复合物的生物活性，并展示了其优于化学信息处理方法的实验结果。

    Mar, 2017