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
本研究基于结构的配体发现,利用深度神经网络和三维卷积技术实现,通过对配体 - 受体复合物进行建模,准确地估算它们间的结合亲和力,多项测试表明本方法优于经典评分函数。
Dec, 2017
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
通过整合发布的经验结构基于对接和序列基于深度学习模型,我们开发了一个元建模框架,多个元模型在结合输入特征多样性的情况下,显著提高了结合亲和力预测的准确性,从而节省了找药物的时间和费用。
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
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
该研究提出了一个名为 APObind 的数据集,旨在为药物设计中使用的 PDBbind 数据集中的蛋白质提供 apo 构象,并探索了该数据集的三种用例。该数据集的重要性已经得到验证,可以用于训练与蛋白质的本地结构和特定配体无关的机器学习模型。
Aug, 2021
深度学习在分子对接中应用具有巨大潜力,本文通过改进候选配体结合姿势的采样协议,提高了采样准确性,特别是对于结合口袋形状变化较大的情况,同时提供了候选配体姿势数据集和 GLOW 与 IVES 的开源实现。
Nov, 2023
准确的盲对接能够引发新的生物突破,该研究通过开发 DockGen 新基准和使用 Scaling laws 以及 Confidence Bootstrapping 方法,提高了机器学习对接模型在广泛蛋白质中的适用性和性能,使其更接近于准确且通用的盲对接方法。
该研究针对药物发现中存在的问题,通过新的模型和基准测试,实现了在结构虚拟筛选中成功识别生物活性配体的目标,并克服了深度学习方法不敏感于蛋白质 - 配体相互作用的限制。