多配体对接和结合位点设计的谐波自我调节流匹配

Oct, 2023

多配体对接和结合位点设计的谐波自我调节流匹配

Harmonic Self-Conditioned Flow Matching for Multi-Ligand Docking and Binding Site Design

Hannes Stärk, Bowen Jing, Regina Barzilay, Tommi Jaakkola

TL;DR该论文介绍了利用 HarmonicFlow 和 FlowSite 两种改进的生成过程，通过结构建模和流匹配目标来提高蛋白质结合小分子的生成过程，并展示了其在蛋白质结合位点设计中的应用优势。

Abstract

A significant amount of protein function requires binding small molecules, including enzymatic catalysis. As such, designing binding pockets for small molecules has several impactful applications ranging from dru

protein function binding small molecules harmonicflow generative processes binding site design

发现论文，激发创造

用于基于结构药物设计的三维生成模型

本文提出了一种生成指定蛋白质结合位点分子的 3D 生成模型，可应用于结构基因设计任务，通过学习原子的概率密度分布并提出自回归采样策略，实现了生成有效和多样性分子的能力，在实验结果中表现出较高的亲和力和良好的药物特性。

Mar, 2022

蛋白质语言模型驱动的蛋白质序列预测三维配体结合位点

预测蛋白质的配体结合位点对于理解蛋白质功能和筛选潜在药物是一项基础而重要的任务。通过使用蛋白序列和配体分子图作为输入，LaMPSite 模型能够在没有 3D 蛋白质结构信息的情况下预测结合位点，与需要 3D 结构的基准方法相比具有竞争力的性能，这为药物发现提供了新的机会。

Dec, 2023

基于序列扩增的 SE (3)- 流匹配用于条件蛋白质背骨生成

利用氨基酸序列的丰富生物归纳偏差，FoldFlow-2 是一种新颖的序列条件的 SE (3)- 等变流匹配模型，用于蛋白质结构生成，并通过在一个比以前的 PDB 数据集大一个数量级的新数据集上进行规模训练，改进了无条件生成的设计能力、多样性和新颖性，同时在平衡构象抽样任务上具有泛化性能。

May, 2024

GraphVF：用变分流控制生成特定蛋白质三维分子

GraphVF 模型结合 2D 拓扑和 3D 几何学，实现了可控的 3D 分子生成，可生成具有定制化子结构和生理化学属性的绑定分子，并达到了最先进的绑定亲和力和逼真的亚结构布局。

Feb, 2023

基于几何信息的 GFlowNets 用于结构化药物设计

利用生成流网络（GFlowNets）有效地探索药物样分子的组合空间，改进了 GFlowNet 框架，以增强生成特定蛋白质口袋的分子的能力，并通过使用 CrossDocked2020 数据集的实验证明了生成分子与蛋白质口袋之间的结合亲和力的提高，提出了进一步增加蛋白质 - 配体相互作用几何信息的未来研究方向。

Jun, 2024

Re-Dock: 实现具有扩展性和真实性的分子对接与扩散桥

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

基于深度生成模型的条件受体结合位点三维分子生成

本文提出了一种新的基于深度学习的方法来生成可预测结合蛋白质的三维分子结构，对生成的分子进行了性质评估，并探索了生成模型的潜在空间，为利用深度学习从蛋白结构预测稳定的生物活性分子开启了新的可能性。

Oct, 2021

基于多模态流匹配的全原子肽设计

通过基于流匹配框架的第一个多模态深层生成模型 PepFlow，我们成功设计了全原子肽链，以靶向特定蛋白质受体，并在计算肽设计和分析中展现了其显著潜力。

Jun, 2024

大规模生成的对接构象上的预训练与 HelixDock：发掘蛋白质小分子结构预测模型的潜力

通过利用大规模和多样化的生成数据，我们引入了一种用于特定位点分子对接的新方法 HelixDock，该方法基于深度学习预训练网络和小数量的精确受体 - 配体复合物结构，相较于传统基于物理和基于深度学习的基线方法，在具有挑战性的测试集上表现出卓越的优势，研究揭示了预训练分子对接模型的扩展规律，展示了随着模型参数和预训练数据数量的增加而持续改进的效果，充分利用广泛而多样化的生成数据的力量有望推进以人工智能驱动的药物发现。

Oct, 2023

AlphaFold 与流匹配相遇：生成蛋白质合集

生物蛋白质的功能常依赖于动态结构集合，本研究通过开发一种基于流动的生成建模方法来学习和采样蛋白质的构象空间，利用 AlphaFold 和 ESMFold 等高精度单状态预测器进行改进，获得了名为 AlphaFlow 和 ESMFlow 的蛋白质结构的序列有条件的生成模型。在 PDB 上经过训练和评估时，我们的方法在精确性和多样性方面相比于具有 MSA 子采样的 AlphaFold 更具优势。当进一步在全原子 MD 的集合上进行训练后，我们的方法能够准确捕捉未知蛋白质的构象灵活性、位置分布和高阶集合观测量。此外，我们的方法可以使静态 PDB 结构多样化，并具有比复制的 MD 轨迹更快的收敛时间，展示了其作为昂贵的基于物理的仿真的替代品的潜力。

Feb, 2024