Docking is a crucial component in drug discovery, and Smiles2Dock is an open large-scale multi-task dataset for molecular docking, enabling researchers to benchmark ML-based docking approaches using AlphaFold proteins and diverse ligands from the ChEMBL database.

Jun, 2024

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。

Feb, 2024

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

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

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

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

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

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

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

DOCKSTRING 是一款用于机器学习和药物开发的 Python 软件包，可以实现分子对接计算和降低对领域知识的需求。其包含了一个全面的数据集，方便实验多目标优化和迁移学习。基于分子对接评估结果可以帮助更好的设计药物候选物。

Oct, 2021