Jun, 2024

罗盘：推断和微调中准确高效的分子对接综合工具

PDF
TL;DR通过对 PDBBind 数据集进行分析，我们提出了一种新的方法 COMPASS，它整合了 PoseCheck 和 AA-Score 模块，用于评估分子对接数据集的噪声水平和分子的物理 / 化学以及生物活性可行性。通过将 COMPASS 与 DiffDock 分子对接方法相结合，能够实现高效准确的配体评估，同时通过微调提高分子对接模型性能。
发现论文，激发创造
  • 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

  • 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

  • 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

    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

  • 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

  • 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

  • FABind+: 提升分子对接的口袋预测和位姿生成

    FABind + 是一种基于深度学习的增强迭代方法，通过改进口袋预测和姿态生成模块，以及引入采样技术和置信度模型，大幅提升了分子对接和药物发现的性能。

    Mar, 2024

  • 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

  • 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

  • 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

  • 从理论到治疗：通过实用指标重构 SBDD 模型评估

    通过评估生成分子与已知活性化合物的相似性，引入基于虚拟筛选的实际部署能力度量，以更严格地重新评估结合亲和性，我们提出了一个综合评估框架来解决结构基药物设计在实际应用中的限制，研究结果显示，尽管当前的结构基药物设计模型在 Vina 评分上表现出色，但在实际可用性指标上存在不足，突显了理论预测与实际应用之间的巨大差距，我们提出的指标和数据集旨在填补这一差距，提高未来结构基药物设计模型的实际适用性，使其更贴合制药研究与开发的需求。

    Jun, 2024