Dec, 2023

用快速傅立叶变换的分子对接的等变标量场

PDF
TL;DR分子对接是基于结构的虚拟筛选的关键，本研究利用机器学习加速该过程，通过学习一种具有更快优化速度的函数形式评分函数，使用图神经网络参数化的多通道配体和蛋白质标量场的互相关作为评分函数，实现快速优化刚体自由度，并在常见结合口袋的虚拟筛选设置中表现良好。
发现论文，激发创造
  • ETDock: 一种新颖的蛋白质 - 配体对接等变换 Transformer 模型

    应用等变性转换神经网络模型，利用蛋白质和配体的 3D 空间信息以及配体的图级特征进行融合和学习，实现了蛋白质 - 配体对接位姿的预测，并通过迭代优化生成精炼的配体位姿，实验证明该模型具有最先进的性能。

    Oct, 2023

  • 基于量子灵感的分子对接的机器学习

    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

  • 独立 SE（3）等变模型用于端到端刚性蛋白质对接

    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

  • 基于能量的图卷积网络在蛋白质对接模型评分中的应用

    本篇研究使用基于图卷积网络的深度学习模型，将蛋白质的三维结构表示为节点和边特征的联系图，并成功地将其应用于蛋白质对接领域中的评分和质量评估问题，与现有方法相比，获得了显著的改进。

    Dec, 2019

  • 使用易于操作的分子对接技术获得更好的配体设计基准

    DOCKSTRING 是一款用于机器学习和药物开发的 Python 软件包，可以实现分子对接计算和降低对领域知识的需求。其包含了一个全面的数据集，方便实验多目标优化和迁移学习。基于分子对接评估结果可以帮助更好的设计药物候选物。

    Oct, 2021

  • DiffDock: 分子对接的扩散步骤、扭曲和转折

    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

  • Re-Dock: 实现具有扩展性和真实性的分子对接与扩散桥

    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

  • 通过等变椭圆抛物线界面预测进行刚性蛋白质相互作用对接

    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

  • FlexVDW：一种用于蛋白质灵活性考虑的机器学习方法在配体对接中的应用

    使用深度学习模型来考虑受体的灵活性，以预测 van der Waals 能量，提高小分子配体姿势预测结果。

    Mar, 2023

  • 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