MolCRAFT: 基于结构的连续参数空间药物设计
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
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
本文提出了一种生成指定蛋白质结合位点分子的 3D 生成模型，可应用于结构基因设计任务，通过学习原子的概率密度分布并提出自回归采样策略，实现了生成有效和多样性分子的能力，在实验结果中表现出较高的亲和力和良好的药物特性。
Mar, 2022
通过评估生成的分子的药物特性及其与指定目标蛋白的结合亲和力来建立了一个基准，评估了十六种不同算法基础上的模型在这些算法基础上的性能，并突出了每种算法方法的独特优势，对未来 SBDD 模型的设计提出了建议。实证结果表明，将 1D/2D 配体中心的药物设计方法用于 SBDD 是可行的，通过将对接函数视为黑盒预言，可以实现与明确使用目标蛋白的三维方法相竞争的性能。此外，基于 2D 分子图的遗传算法 AutoGrow4 在优化能力方面超过了 SBDD。
Jun, 2024
本文提出了一种生成模型，基于能量模型（EBM）和分子生成模型、性质回归模型生成具有期望化学和生物性质的体小分子，并引入了逐步分布转移采样算法（SGDS），从而在训练的分子数据和性质的基础上，逐步将模型分布转移到具有期望性质的分子区域，取得了很好的实验效果。
Jun, 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
CBGBench 是一个结构基药物设计的综合评估基准，使用 AI 技术中的生成模型，通过填补三维复合结合图的空白来统一任务，并广泛应用于药物设计的关键子任务，包括分子生成、连接物、片段、骨架和侧链等。
Jun, 2024
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