Feb, 2024

Re-Dock: 实现具有扩展性和真实性的分子对接与扩散桥

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 大规模生成的对接构象上的预训练与 HelixDock：发掘蛋白质小分子结构预测模型的潜力

    通过利用大规模和多样化的生成数据，我们引入了一种用于特定位点分子对接的新方法 HelixDock，该方法基于深度学习预训练网络和小数量的精确受体 - 配体复合物结构，相较于传统基于物理和基于深度学习的基线方法，在具有挑战性的测试集上表现出卓越的优势，研究揭示了预训练分子对接模型的扩展规律，展示了随着模型参数和预训练数据数量的增加而持续改进的效果，充分利用广泛而多样化的生成数据的力量有望推进以人工智能驱动的药物发现。

    Oct, 2023

  • DiffDock-PP: 用扩散模型进行刚性蛋白质 - 蛋白质对接

    本研究提出了一种基于 DiffDock-PP 的扩散生成模型，能够学习将未束缚的蛋白结构转化为其绑定构象，适用于蛋白质 - 蛋白质对接问题，实现了优于先前方法的性能，并在预测中生成了可靠的置信度估计。

    Apr, 2023

  • 通过侧链扩散概率模型预测蛋白质结合的突变效果

    利用未标记的实验蛋白质结构，通过基于表示学习的方法，我们提出了 SidechainDiff，它利用了 Riemannian 扩散模型来学习侧链构象的生成过程，并且可以给出蛋白质结合界面上突变的结构背景表示。通过利用这些学习到的表示，我们在预测蛋白质结合突变效果方面取得了最新的研究成果。另外，SidechainDiff 是第一个基于扩散的侧链生成模型，与以往主要集中在生成蛋白质骨架结构的努力有所区别。

    Oct, 2023

  • 多尺度迭代细化的稳健与多功能分子对接

    DeltaDock 是一个用于高效分子对接的强大且通用的框架，它在快速采样准确结构和多尺度迭代优化初步结构两个步骤中操作，通过大型蛋白质模型和图神经网络，结合 GPU 加速采样算法，实现了盲对接和特定位点对接设置下的卓越性能和预测物理有效结构的能力。

    Nov, 2023

  • 深度学习在蛋白质 - 配体对接中的应用：是否已达到目标？

    通过构建 PoseBench 实验平台，研究发现最近的深度学习对特定蛋白质目标的多配体对接方法泛化能力不足，模板对接算法在多配体对接中表现良好，为未来的研究提供了改进的方向。

    May, 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

  • 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

  • 结合对接位姿排序、构象和深度学习改进蛋白质 - 小分子配体结合模式预测

    提出了一种基于图的卷积神经网络，该网络以蛋白质 - 配体复合物的结构信息作为输入，生成活性和结合模式预测模型，并开发了一种深度学习模型，用于结合模式预测，并在各种测试中优于基线对接程序。

    Oct, 2019