本文介绍了一种新型的蛋白质构象采样方法，它使用基于分数的生成模型（SGMs）训练的多层分数函数直接采样构象，以弥补传统 MD 仿真过程中采样样本不足的问题，并通过在多个基准系统上进行比较，证明了该方法的有效性。

Jun, 2023

我们提出了一种力导向的 SE (3) 扩散模型 ConfDiff，用于蛋白质构象的生成，该模型融合了力导向网络和基于数据的评分模型，能够生成具有多样性且高保真性的蛋白质构象。实验证明，我们的方法在多种蛋白质构象预测任务中优于现有方法。

Mar, 2024

利用人工智能和生成神经网络对蛋白质的分子动力学进行建模，将分子动力学的轨迹用 Ramachandran 盆类的向量表示，无需使用物理粒子，模型可以扩展无限，并能够完整地模拟蛋白质的构象空间。

Jun, 2022

本文提出了一种结合了流模型与能量模型的方法，以解决机器学习在从分子图生成分子空间构象时存在的挑战。经过大量实验，证明该方法在分子构象生成和距离建模任务上具有显著的改进和卓越性能。

Feb, 2021

利用卷积神经网络从蛋白结构中学习连续的构象空间表示，实现预测连接蛋白的不同构象状态的生物相互作用，并利用转移学习从一个蛋白结构中迁移特征以提高性能。

Oct, 2019

使用分子动力学仿真和可微重要性抽样训练神经网络势能，可以开发出准确和高效的蛋白质粗粒化表示方法，在预测蛋白质动力学、折叠和相互作用等方面具有重要应用价值。

Jun, 2023

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

基于扩散的生成模型，通过深度学习从大规模训练集中推断原子类型和几何参数，以取得高精度的键合参数，超过传统的基于知识的方法，并与实验结构进行比较。

Feb, 2024

本文基于软提示学习方法，探索和应用分子动力学任务的模型，能够在受限的训练数据下显著泛化到未知和分布外情境，尤其关注以温度为测试案例，同时适用于压力和体积等连续动力学条件的高效模拟。两阶段的框架通过数据混合技术预先训练、温度提示，接着采用课程学习方法增加它们的比例平滑地，再通过基于元学习的微调框架提高微调过程的样本效率，给予软提示微调更好的初始化点。综合实验证明，该框架在领域内数据的准确性上表现出色，并展现了对未知和分布外样本的强大泛化能力。

Aug, 2023

本文介绍一种基于神经网络的 Boltzmann 生成器，以取代传统 molecular dynamics 方法，加速复杂大分子如蛋白质的能量表面探索。

Feb, 2023