本研究介绍了 SyNDock，一种自动化框架，可以在几秒钟内快速组装精确的多聚体复合物，显示出在关键性能指标方面优于现有的对接软件的性能，并将多聚体蛋白对接表述为学习全局转换的问题，其可应用于将链单元置于全局一致性的解决方案中，同时提出了一种可训练的两步 SE（3）算法。

May, 2023

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

本文通过设计 SE（3）- 等变图匹配网络，使用关键点匹配和对齐来逼近配体口袋，并使用可微分 Kabsch 算法预测对接姿态，从而预测蛋白质复合物的 3D 结构，提出了一个名为 EquiDock 的模型。该模型在不需要大量采样、结构精炼或模板的情况下，在大多数情况下都能在计算时间上优于现有的对接软件，但仍需要进行实证研究。

Nov, 2021

DeltaDock 是一个用于高效分子对接的强大且通用的框架，它在快速采样准确结构和多尺度迭代优化初步结构两个步骤中操作，通过大型蛋白质模型和图神经网络，结合 GPU 加速采样算法，实现了盲对接和特定位点对接设置下的卓越性能和预测物理有效结构的能力。

Nov, 2023

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

本研究提出了一种基于 DiffDock-PP 的扩散生成模型，能够学习将未束缚的蛋白结构转化为其绑定构象，适用于蛋白质 - 蛋白质对接问题，实现了优于先前方法的性能，并在预测中生成了可靠的置信度估计。

Apr, 2023

基于量子启发算法和深度学习编码的分子对接方法在去盲对接中表现出了比传统对接算法和基于深度学习的算法高 10% 的性能，特别是在高精度区域上实现了 6% 的改进。

Jan, 2024

本研究提出了一种名为 ElliDock 的新型基于学习的方法，用于预测蛋白质 - 蛋白质对接界面，并在推断时间上显著快于其他方法，特别适用于抗体 - 抗原对接。

Jan, 2024

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

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