ETDock: 一种新颖的蛋白质 - 配体对接等变换 Transformer 模型
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
本文提出了 TorchMD-NET 的结构,即一种新的等变转换器,用于预测量子机械性质,经过权重分析后发现与分子动力学或正常模式采样的构象的学习表示存在差异,同时强调包括不平衡构象的数据集对于分子能量模型的评价的重要性。
Feb, 2022
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
该论文提出一种通用的分子相互作用模型,通过将三维分子表示为几何图形集的方法,使得能够捕获稀疏块级和密集原子级交互,通过进行广泛的实验证实了该方法对不同领域和不同任务进行可转移的学习具有潜力。
Jun, 2023
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
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