基于对接的生成方法在寻找新药候选物中的应用
该研究提出了一种基于对接的基准模型,用于评估设计药物分子的生成模型性能的局限性,并提出了一种基于简化评分函数的基准模型,以期望实现自动生成有前途的候选药物的目标。
Jun, 2020
研究表明 Generative AI 方法在药物研发领域有广泛应用,本论文开发了一种基于变分自编码器和主动学习步骤工作流程的 GM 方法,可以从分子指标学习,生成与特定靶点高度亲和的化学有效分子和新的不同于目标已知结构的分子,并开启了针对特定目标探索新化学领域的可能性。
May, 2023
通过机器学习和分子模拟进行的自动设计已经表现出生成新的和有前途的新药物候选物的显着能力。本文提出了使用语法进化的一种新的基于群体的方法。在 thymidine 激酶的对接实验中,ChemGE 成功生成了数百个高亲和力的分子,其多样性优于 DUD-E 中已知的分子。
Apr, 2018
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
基于结构的药物设计通过利用三维靶点结构的先验知识生成高亲和力配体。本研究提出了 MolEdit3D 方法,将三维分子生成与优化框架相结合,通过使用片段开发了一种新的三维图形编辑模型来生成分子,并在丰富的三维配体上进行了预训练,然后采用目标引导的自学习策略来改进与目标相关的性质。MolEdit3D 在大多数评估指标上达到了最先进水平,并且展示了对目标相关和目标无关性质的强大能力。
Feb, 2024
本研究为分子生成模型提出了一个新的具有生物学启发的评估基准,重点关注配体 - 靶标相互作用,提出了一系列有关蛋白质配体亲和预测、分子对接等与药物发现过程直接相关的指标,并采用多模态方法结合各个指标进行评估,结果表明该单元模式可能导致关于靶标与分子相互作用的错误结论,从而创建了一个高度有效的工具来评估分子生成输出,为药物发现过程的丰富提供了可能性。
Aug, 2022
本文提出了一种生成指定蛋白质结合位点分子的 3D 生成模型,可应用于结构基因设计任务,通过学习原子的概率密度分布并提出自回归采样策略,实现了生成有效和多样性分子的能力,在实验结果中表现出较高的亲和力和良好的药物特性。
Mar, 2022
人工智能驱动的方法可以大大改善历史上昂贵的药物设计过程,各种生成模型已经广泛使用。特别是对于全新药物设计的生成模型,侧重于完全从零开始创建新的生物化合物,展示了一个有前途的未来方向。通过对该领域的迅速发展以及药物设计过程的固有复杂性,为新研究者进入创造了一个困难的环境。在这项调查中,我们将全新药物设计分类为两个主要主题:小分子和蛋白质生成。在每个主题中,我们确定了各种子任务和应用,突出重要的数据集、基准和模型架构,并比较了顶级模型的性能。我们采取广泛的方法进行人工智能驱动的药物设计,允许在每个子任务中对各种方法进行微观水平的比较,并跨不同领域进行宏观观察。我们讨论了这两个应用之间的并行挑战和方法,并强调了人工智能驱动的全新药物设计的未来方向。所有涵盖的资料的有组织存储库可以在此链接中找到:https://www.example.com
Feb, 2024
本研究提出了一种基于 scaffold 的分子生成模型,通过顺序添加顶点和边来生成分子图,可以在保证给定 scaffold 的同时控制生成分子的多种性质。
May, 2019