Sep, 2023

HydraScreen: 一种通用的基于结构的深度学习方法用于药物研发

PDF
TL;DR提出了 HydraScreen，一种深度学习方法，旨在为更强大的机器学习加速药物发现提供框架。HydraScreen 利用最先进的三维卷积神经网络，专门用于有效表示蛋白质 - 配体结合中的分子结构和相互作用。通过评估我们的方法在已建立的公共基准测试集上的表现，我们证明了在亲和力和姿势预测方面取得了最佳结果。此外，我们还利用一种新颖的交互分析方法来识别模型和数据集中的潜在偏差，从而提高解释性，支持我们方法的无偏性。最后，我们展示了 HydraScreen 对未见过的蛋白质和配体的概括能力，为未来开发强大的机器学习评分函数提供方向。HydraScreen 提供用户友好的 GUI 和公共 API，便于对单个蛋白质 - 配体复合物进行简便评估。
发现论文，激发创造
  • 基于结构的虚拟筛选中相互作用预测的深度学习架构

    介绍了一种基于深度学习的结构虚拟筛选算法，通过对每个化合物分别应用可学习原子卷积和 softmax 操作生成固定大小的蛋白质和小分子指纹。使用这些指纹进行内积计算来预测结合位点的亲和性，并且介绍了一种新的基准数据集 DUD-E 和 PDBBind 数据库。

    Oct, 2016

  • 一种用于蛋白质 - 配体结合亲和力预测的深度学习模型的开发与评价

    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

  • 卷积神经网络在蛋白质 - 配体评分中的应用

    本研究利用深度卷积神经网络结合大量蛋白质配体结合和结构数据，开发了一种新的评价蛋白质配体相互作用的计算方法，可以用于计算机辅助新药研发并取得了比传统方法更好的效果。

    Dec, 2016

  • PharmacoNet：药理网络：通过药效团建模加速基于结构的虚拟筛选

    PharmacoNet 是一种深度学习框架，通过与生成的药效团配位体之间的粗粒化图形匹配，解决了现有方法中昂贵的配位体姿态采样和评分过程，从而显著提高了结构基准方法的速度，同时通过简单的评分函数保持了合理的准确性，并在严格的预筛选阈值下有效保留了命中候选物，揭示了药效团建模方法在基于深度学习的药物发现中迄今未被开发的潜力。

    Oct, 2023

  • 通过基于分子池的主动学习加速高通量虚拟筛选

    本研究探讨使用基于贝叶斯优化技术的代理模型在虚拟筛选过程中的应用，针对蛋白质 - 配体配对数据集进行实验，结果表明通过此模型可显著减少计算成本，并可用于高通量筛选等领域。

    Dec, 2020

  • 学习物理学为基于结构的虚拟筛选提供姿态敏感性

    该研究针对药物发现中存在的问题，通过新的模型和基准测试，实现了在结构虚拟筛选中成功识别生物活性配体的目标，并克服了深度学习方法不敏感于蛋白质 - 配体相互作用的限制。

    Oct, 2021

  • 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

  • 深度学习提升基于对接的虚拟筛选

    本文介绍了一种基于深度学习的虚拟筛选方法，使用原子和氨基酸嵌入来提取蛋白质 - 配体复合物的相关特征，并利用一种卷积层处理化合物作为原子上下文的分散向量表示以提高其中的性能。通过在 DUD 中使用 AutoDockVina1.1.2 和 Dock6.6 的输出进行严格评估，本文方法在 AUC ROC 和富集因子方面优于两个对照组，并在 DUD 使用 40 个受体的情况下实现了最好的 AUC ROC 值 0.81。

    Aug, 2016

  • 卷积深度网络用于蛋白质折叠质量评估

    本研究基于深度学习技术开发神经网络进行蛋白结构评分预测，仅使用三维原子密度数据，无需预定义的结构特征，并在 CASP7 到 CASP10 数据集上进行训练，测试结果表明该网络在多种蛋白质结构上具有良好的性能表现。

    Jan, 2018

  • 结合对接位姿排序、构象和深度学习改进蛋白质 - 小分子配体结合模式预测

    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