May, 2024

基于结构的药物设计通过去噪体素网格

PDF
TL;DRVoxBind 是一种基于评分的生成模型，通过蛋白质结构为条件，将分子表示为 3D 原子密度格点，并利用 3D 体素去噪网络进行学习和生成。与当前的最新技术相比，我们的模型更易训练，从中采样速度显著更快，并在广泛的计算机模拟基准测试中取得更好的结果 —— 生成的分子更加多样化，展现出更少的立体位阻，并与蛋白质口袋有更高的亲和力。
发现论文，激发创造
  • 通过去噪体素网格生成 3D 分子

    利用新的基于得分的方法生成分子，该方法使用神经网络学习从噪声分子的平滑分布到真实分子的分布的映射，然后采用采样噪声密度网格和修复噪声表格的步骤以生成简洁的分子。

    Jun, 2023

  • 用于基于结构药物设计的三维生成模型

    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

  • 基于深度生成模型的条件受体结合位点三维分子生成

    本文提出了一种新的基于深度学习的方法来生成可预测结合蛋白质的三维分子结构，对生成的分子进行了性质评估，并探索了生成模型的潜在空间，为利用深度学习从蛋白结构预测稳定的生物活性分子开启了新的可能性。

    Oct, 2021

  • 使用深度生成模型基于受体结合位点生成三维分子结构

    本研究实现了基于深度生成模型、卷积神经网络和可变潜空间的三维分子结构生成，在此基础上，也为优化生成的分子性质提供了初始方法。

    Oct, 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

  • CBGBench：填补蛋白质 - 分子复合物结合图的空缺

    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

  • EquiBind: 基于几何深度学习的药物结合构象预测

    本研究提出了一种基于 deep learning 的药物分子与蛋白质结合位置的直接预测方法，可应用于快速虚拟筛查或制药工程，与传统方法相比，具有更高的速度和更好的质量，并提出了一种快速的微调模型来解决以往能量最小化所采用的昂贵差分进化策略。

    Feb, 2022

  • 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

  • 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

  • Delta Score: 提升基于结构的药物设计方法的结合评估

    我们引入了一种名为 delta 分数的新的评估指标，通过与实际生物需求的对比，发现当前的深度生成模型所产生的分子在 delta 分数上远远落后于基准配体，这一新的指标不仅补充了现有的基准测试，还为该领域的后续研究提供了重要方向。

    Nov, 2023