Mar, 2024

PPFlow：具有扭转流匹配的目标感知肽设计

PDF
TL;DR基于条件流匹配对环面进行建模的针对靶向感知的肽设计方法 PPFlow 填补了人工智能辅助肽药物发现领域的不足，并通过建立名为 PPBench2024 的蛋白 - 肽结合数据集以填充大规模数据空白，实验证明 PPFlow 在肽药物的生成和优化等任务上具有领先水平的性能，并且可以推广到其他任务，包括对接和侧链装配。
发现论文，激发创造
  • 基于多模态流匹配的全原子肽设计

    通过基于流匹配框架的第一个多模态深层生成模型 PepFlow，我们成功设计了全原子肽链，以靶向特定蛋白质受体，并在计算肽设计和分析中展现了其显著潜力。

    Jun, 2024

  • 基于序列扩增的 SE (3)- 流匹配用于条件蛋白质背骨生成

    利用氨基酸序列的丰富生物归纳偏差，FoldFlow-2 是一种新颖的序列条件的 SE (3)- 等变流匹配模型，用于蛋白质结构生成，并通过在一个比以前的 PDB 数据集大一个数量级的新数据集上进行规模训练，改进了无条件生成的设计能力、多样性和新颖性，同时在平衡构象抽样任务上具有泛化性能。

    May, 2024

  • PROflow: PROTAC 诱导的结构预测的迭代精化模型

    通过结构预测方法 PROflow，实现对蛋白蛋白结合的保护性分解模型 PROTac 的全面预测，提高了反向蛋白蛋白结合方法的性能与运行速度，使其可以用于大规模的药物筛选设计。

    Apr, 2024

  • 基于几何信息的 GFlowNets 用于结构化药物设计

    利用生成流网络（GFlowNets）有效地探索药物样分子的组合空间，改进了 GFlowNet 框架，以增强生成特定蛋白质口袋的分子的能力，并通过使用 CrossDocked2020 数据集的实验证明了生成分子与蛋白质口袋之间的结合亲和力的提高，提出了进一步增加蛋白质 - 配体相互作用几何信息的未来研究方向。

    Jun, 2024

  • 针对目标的分子图生成

    本文提出了一种基于目标感知的分子药物生成模型：SiamFlow。通过引入一种对齐损失和均匀损失，强制流在潜在空间中匹配目标序列嵌入分布，进而解决化学方法在药物 - 靶标相互作用方面的局限性，并在药物研发中提供了一种连接生物学和化学的新方法。

    Feb, 2022

  • 多配体对接和结合位点设计的谐波自我调节流匹配

    该论文介绍了利用 HarmonicFlow 和 FlowSite 两种改进的生成过程，通过结构建模和流匹配目标来提高蛋白质结合小分子的生成过程，并展示了其在蛋白质结合位点设计中的应用优势。

    Oct, 2023

  • 蛋白质骨架生成的 SE (3)- 随机流匹配

    FoldFlow 是一系列基于流匹配范式的新型生成模型，通过流动匹配 3D 刚体运动（即群 SE (3)），实现对蛋白质主链的准确建模，具备比其他方法更稳定、更快速的训练能力，并可以将任何不变的源分布映射到 SE (3) 上的任何不变的目标分布。

    Oct, 2023

  • GraphVF：用变分流控制生成特定蛋白质三维分子

    GraphVF 模型结合 2D 拓扑和 3D 几何学，实现了可控的 3D 分子生成，可生成具有定制化子结构和生理化学属性的绑定分子，并达到了最先进的绑定亲和力和逼真的亚结构布局。

    Feb, 2023

  • PepGB: 通过图神经网络促进肽类药物发现

    利用深度学习技术，本文提出了 PepGB 和 diPepGB 两个深度学习框架，用于预测肽蛋白相互作用关系，以促进肽类早期药物发现，提高目标识别和化合物发现过程中的效率。

    Jan, 2024

  • TacoGFN: 基于结构的药物设计的目标条件 GFlowNet

    我们致力于自动化生成与特定蛋白质口袋靶点相匹配的药物样化合物。我们采用强化学习方法，提出了一种目标条件生成流网络（TacoGFN）模型，通过该模型可以生成具有所需属性的分子。我们还开发了基于 Transformer 的对接评分预测方法，用于加速对接评分计算，并使用几轮主动学习来改善对接评分预测。实验证明，使用 TacoGFN 及其变种生成的分子在每个特性（对接评分，QED，SA，Lipinski）上显著优于所有基准方法，并且速度快了数个数量级。

    Oct, 2023