Oct, 2023

元模型改进的配体-蛋白结合亲和力预测

HTML
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。
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 利用神经过程应对试验异质性，显著提高生物活性预测

    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。

    Aug, 2023

  • FABind: 快速准确的蛋白质-配体结合

    通过结合口袋预测和对接，提出了一种名为 FABind 的端到端模型，以实现准确和快速的蛋白质-小分子结合。

    Oct, 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

  • 基于结构的药物设计中扩散模型的一般结合亲和力指导

    使用神经网络作为可微能量函数代理，我们提出了一种导向方法，能够将扩散抽样过程引导至改进的蛋白质配体结合，从而调整配体与蛋白质之间的结合亲和力分布，以提高生成配体与其蛋白质受体的结合亲和力，优于以往的机器学习方法。

    Jun, 2024

  • SPIN: SE(3)-不变的物理信息网络用于亲和力预测

    利用图神经网络准确预测蛋白质-配体结合亲和力，通过引入包括几何和物理化学角度的先验知识，在基准数据集上胜过其他模型，并通过实验证实了其可靠性和潜力。

    Jul, 2024

  • 结合亲和力预测：从传统方法到基于机器学习的方法

    本研究针对蛋白质-配体结合亲和力预测的关键问题，回顾了传统与机器学习模型在该领域的应用进展。通过总结现有的方法和数据集，指出了该领域仍存在的未解问题及未来可能的研究方向。研究的结果为机器学习研究人员和药物发现领域的从业者提供了重要的参考和启示。

    Sep, 2024