FABind + 是一种基于深度学习的增强迭代方法,通过改进口袋预测和姿态生成模块,以及引入采样技术和置信度模型,大幅提升了分子对接和药物发现的性能。
Mar, 2024
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
本研究提出了一种基于 deep learning 的药物分子与蛋白质结合位置的直接预测方法,可应用于快速虚拟筛查或制药工程,与传统方法相比,具有更高的速度和更好的质量,并提出了一种快速的微调模型来解决以往能量最小化所采用的昂贵差分进化策略。
Feb, 2022
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
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。
Oct, 2023
我们提出了一种自监督学习的方法来学习蛋白质 - 配体结合表示,通过识别复杂的结合模式,从细粒度的相互作用中获得丰富的结合信息。我们的方法在各种结合任务中展现出优势,包括蛋白质 - 配体亲和性预测、虚拟筛选和蛋白质 - 配体对接。
Nov, 2023
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
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
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
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