通过基于结构的药物设计方法和自动生成模型 AUTODIFF，以及分子组装策略 conformal motif 和 SE (3)- 等变卷积网络，本研究在 CrossDocked2020 的大范围实验中显示，相较于现有模型，我们的方法在生成具有有效结构和构象的真实分子的同时，并保持较高的结合亲和力方面取得了更好的性能。

Apr, 2024

本文提出了一种基于 D3FG 的扩散模型，用于口袋特异性分子生成和阐述，将分子分解为刚性体和质点两类组分，两种组分可以组成复杂的片段以增强配体 - 蛋白相互作用，该方法生成的分子具有更为逼真的 3D 结构，竞争性的亲和力以及更好的药物特性。

May, 2023

利用基于蛋白质为环境约束的扩散模型，在非自回归的完整原子水平上，去噪元素类型和整个分子的三维坐标，学习生成过程，相较其他方法具有更高的相似性和更适当的分子大小以及其他药物性质。

Nov, 2022

本研究基于 3D 等变扩散模型实现有标的分子设计，并提出了一种综合的评估框架来评估样本分子的质量，实验结果表明，该模型能够更好地生成具有更逼真的 3D 结构和更好的与蛋白靶点的亲和力，而且在不重新训练的情况下能够提高结合亲和力排名和预测质量。

Mar, 2023

本文提出了 DiffLinker 方法，该方法采用 E (3)- 等变 3D - 条件扩散模型来设计分子链接剂，能够连接任意数量的分子碎片，自动确定链接剂中的原子数和其附着点，且在标准数据集上表现优异，能够成功生成与蛋白质袋口相一致的链接剂。

Oct, 2022

通过在高分辨率原子蛋白质结构中分割药物样片段和相应的口袋，并与一些预训练的小分子编码器生成的伪配体表示对齐，我们提出了一种新颖的口袋预训练方法 ProFSA，该方法在口袋可药性预测、口袋匹配和配体结合亲和力预测等多个任务中取得了最先进的性能，同时通过利用高质量和多样性的蛋白质结构数据库，我们的研究为缓解蛋白质 - 配体复合物数据的稀缺性开辟了新途径。

Oct, 2023

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

扩散模型在 3D 分子生成方面已经成为强大的工具，特别是在药物发现领域。这篇综述着重于定制 3D 分子生成的扩散模型的技术实现，比较了各种用于分子生成任务的扩散模型的性能、评估方法和实现细节，并探讨了扩散模型在药物设计以及与计算化学相关的领域的应用。

Jun, 2024

基于构象的药物设计中，我们提出了一种使用等变扩散模型 PILOT 的基于计算的方法，通过结合口袋调节和大规模预训练与性质引导，来进行 3D 配体结构的 $ extit {de novo}$ 生成。PILOT 的多目标基于轨迹的重要性抽样策略旨在引导模型生成既具有增强与给定蛋白质口袋结合亲和力等所需特性，同时又保持高合成可访问性的分子。PILOT 在常见基准数据集 CrossDocked2020 上在各种评估指标上明显优于现有方法。此外，我们使用 PILOT 为 Kinodata-3D 数据集中未见蛋白质口袋生成了新的配体结构，该数据集包含了人类蛋白激酶组的大部分内容。生成的结构体预测的 $IC_{50}$ 值表明具有强大的生物活性，突显了 PILOT 作为基于构象的药物设计强大工具的潜力。

May, 2024