Jun, 2024

Smiles2Dock: 用于基于机器学习的分子对接的开放大规模多任务数据集

PDF
TL;DRDocking 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.
dockingml-based dockingsmiles2dockmolecular dockingprotein-ligand binding
发现论文，激发创造
  • 使用易于操作的分子对接技术获得更好的配体设计基准

    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

  • 大规模生成的对接构象上的预训练与 HelixDock：发掘蛋白质小分子结构预测模型的潜力

    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

  • 我们至少应该能够设计出良好对接的分子

    该研究提出了一种基于对接的基准模型，用于评估设计药物分子的生成模型性能的局限性，并提出了一种基于简化评分函数的基准模型，以期望实现自动生成有前途的候选药物的目标。

    Jun, 2020

  • Uni-Mol Docking V2: 朝向真实和准确的结合位姿预测

    本研究提出了 Uni-Mol Docking V2，结合机器学习方法和物理约束，在分子对接中展现出出色性能，能够准确预测 77% 以上的配体结合位姿，并且高于质量检验的要求，为科学研究中人工智能的应用提供了重要进展。

    May, 2024

  • 多尺度迭代细化的稳健与多功能分子对接

    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

  • 深度学习在蛋白质 - 配体对接中的应用：是否已达到目标？

    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

  • DiffDock: 分子对接的扩散步骤、扭曲和转折

    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

  • Re-Dock: 实现具有扩展性和真实性的分子对接与扩散桥

    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

  • 基于量子灵感的分子对接的机器学习

    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

  • Lingo3DMol: 基于口袋的三维分子生成语言模型

    本文提出了一种基于口袋的三维分子生成方法，利用具有生成 3D 坐标能力的语言模型，并设计了扰动复原预训练任务，介绍了一种新的分子表示方法，并利用 CrossDocked 和 DUD-E 数据集对其进行了评估。该方法在几乎所有指标上实现了最优的表现，特别是在结合模式、药物性质、合理构型和推理速度方面。

    May, 2023