Apr, 2024

自动差分：基于结构的药物设计的自回归扩散建模

PDF
TL;DR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。
structure-based drug designautodiffmolecules assembly strategyconformal motifse(3)-equivariant convolutional network
发现论文，激发创造
  • 基于结构和等变扩散模型的药物设计

    使用机器学习方法建立了一个新颖的三维生成模型 DiffSBDD，用于设计小分子配体与指定蛋白质靶点高度亲和并具有特异性。 DiffSBDD 通过生成出新型具有高结合能量的药物配体，展现了显著的效率和多样性。

    Oct, 2022

  • 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

  • 基于自回归片段的扩散策略在口袋感知的配体设计中的应用

    该论文介绍了 AutoFragDiff，一种基于片段的自回归扩散模型，用于生成以目标蛋白质结构为条件的 3D 分子结构。我们使用几何矢量感知器预测新的分子片段的原子类型和空间坐标，以分子支架和蛋白质口袋为条件。我们的方法改善了生成的 3D 分子的局部几何性质，同时保持了对蛋白质靶标的高预测结合亲和力。该模型还能够从用户提供的起始分子支架进行扩展。

    Dec, 2023

  • DiffBP: 用于靶向蛋白结合的三维分子生成扩散

    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

  • 基于结构的药物设计中扩散模型的一般结合亲和力指导

    使用神经网络作为可微能量函数代理，我们提出了一种导向方法，能够将扩散抽样过程引导至改进的蛋白质配体结合，从而调整配体与蛋白质之间的结合亲和力分布，以提高生成配体与其蛋白质受体的结合亲和力，优于以往的机器学习方法。

    Jun, 2024

  • 具有虚拟受体的分子扩散模型

    通过扩展扩散方法，引入虚拟受体和蛋白质嵌入技术，实现了结构为基础的药物设计中的机器学习方法，提高了性能并显著加快了计算速度。

    Jun, 2024

  • 目标感知分子生成和亲和力预测的 3D 等变扩散

    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

  • MolCRAFT: 基于结构的连续参数空间药物设计

    我们介绍了第一个在连续参数空间中操作的 SBDD 模型，以及一种新颖的降噪采样策略，实证结果表明我们的模型在结合亲和力和更稳定的三维结构方面始终表现出优异性能，准确地对原子间相互作用进行建模。

    Apr, 2024

  • 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

  • 药物分子构型的物理知识生成模型

    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