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

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

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

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

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

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

Docking is a crucial component in drug discovery, and Smiles2Dock is an open large-scale multi-task dataset for molecular docking, enabling researchers to benchmark ML-based docking approaches using AlphaFold proteins and diverse ligands from the ChEMBL database.

Jun, 2024

通过基于计算方法和资源的不断进步，超大规模虚拟筛选成为一种重要的策略，而主动学习方法在迭代小规模对接和机器学习模型训练中有效地减少了计算成本。本文通过六个受体靶点的基准研究，探究了在仅考虑二维结构的情况下，主动学习方法如何有效地预测对接分数及其适用条件。研究发现，代理模型往往通过记忆从获得步骤中获取的高对接得分化合物中普遍存在的结构模式，虽然如此，代理模型在虚拟筛选中仍然具有使用价值，比如在 DUD-E 数据集中鉴定活性化合物以及 EnamineReal 库中高对接得分化合物的初步筛选。我们的综合分析强调了主动学习方法在虚拟筛选中的可靠性和潜在应用性。

Jun, 2024

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

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