Jan, 2024

多粒度对称微分方程模型用于学习蛋白质 - 配体结合动力学

PDF
TL;DR通过引入机器学习方法，NeuralMD 首次提出了一种能够促进分子动力学和提供准确的蛋白质 - 配体结合动力学模拟的机器学习代理模型，该模型在提高效率方面展现出非凡的成果，并通过稳定度指标超出其他机器学习方法高达 80% 的表现，更具稳定性的蛋白质 - 配体结合预测。
molecular dynamics simulationprotein-ligand bindingmachine learning methodsneuralmdbinding predictions
发现论文，激发创造
  • 一种混合量子经典融合神经网络用于提高药物发现中蛋白质 - 配体结合亲和力预测

    本研究提出了一种新的混合量子 - 经典深度学习模型，用于药物发现中的结合亲和力预测，并通过在优化的量子架构中同时整合 3D 和空间图卷积神经网络，模拟结果显示与现有经典模型相比，预测准确度提高了 6％，收敛性能明显更稳定。

    Sep, 2023

  • DeepDriveMD: 基于深度学习的自适应分子模拟技术用于蛋白质折叠

    通过将深度学习与分子动力学模拟相结合，可以有效学习潜在表征并推动自适应模拟，从而实现在超级计算机上以有效的方式折叠蛋白质，相较于传统的模拟方法，获得至少 2.3 倍的性能提升，这为我们理解 DL 驱动的 MD 模拟如何导致在超级计算资源上减少解决方案的时间提供了定量基础。

    Sep, 2019

  • 利用机器学习力场实现精确分子动力学模拟

    通过将时空物理对称性结合到梯度域机器学习（sGDML）模型中，从高级初步计算中直接构建灵活的分子力场，为实现分子模拟中的光谱精度提供关键缺失成分。

    Feb, 2018

  • TorchMD：分子模拟深度学习框架

    TorchMD 是使用混合经典和机器学习势的分子模拟框架，可以提高数据驱动模型的质量和可转移性，它支持模拟神经网络潜力，可以有效训练和模拟蛋白质折叠，代码和数据可以在 https://github.com/torchmd 免费获取。

    Dec, 2020

  • 基于结构的药物设计的绑定自适应扩散模型

    基于结构的药物设计旨在生成与特定蛋白质靶点结合的三维配体分子。本研究提出了一种名为 Binding-Adaptive Diffusion Models (BindDM) 的新框架，通过自适应地提取负责蛋白质 - 配体相互作用的结合位点的关键部分，使用 SE (3)- 等变神经网络对所选的蛋白质 - 配体子复合物进行处理，并将其与复合物的每个原子传递回来，以在生成具有结合相互作用信息的面向目标的三维分子扩散时增强。实验证明 BindDM 能够生成具有更真实的三维结构和更高结合亲和力的分子，平均 Vina 得分高达 - 5.92，同时保持良好的分子属性。

    Jan, 2024

  • 双向神经网络在分子动力学轨迹重构中的超分辨率

    本文利用不同种类的机器学习模型，研究并提高了分子动力学模拟的分辨率，证实双向 LSTM 模型是表现最好的模型，其能够在轨迹插值方面达到 10^-4 埃的精度，从而为更大系统的建立和更好的分子动力学积分器的构建奠定了基础。

    Jan, 2022

  • DualBind: 蛋白质 - 配体结合亲和力预测的双损失框架

    提出了一种新的框架 DualBind，它整合了有监督均方误差和无监督去噪分数匹配，以准确学习结合能函数，并在预测结合亲和力方面表现出色，同时提高了模型的泛化能力并减少对标记数据的依赖。

    Jun, 2024

  • 基于深度潜能的分子动力学模型：具有量子力学精度的可扩展模型

    本研究介绍了一种基于深度神经网络的分子模拟方案 ——Deep Potential Molecular Dynamics（DeePMD）方法，能够在多种系统中高效、准确地预测原始数据，并且与系统规模呈线性比例。

    Jul, 2017

  • 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

  • 机器学习用于长时间分子动力学

    以机器学习方法为基础的分子动力学模拟技术被广泛应用于材料学的研究领域，本文探讨了机器学习在长时间尺度分子动力学模拟中的应用与发展，并对其未来研究方向进行了展望。

    Dec, 2018