CBGBench：填补蛋白质 - 分子复合物结合图的空缺
使用机器学习方法建立了一个新颖的三维生成模型 DiffSBDD，用于设计小分子配体与指定蛋白质靶点高度亲和并具有特异性。 DiffSBDD 通过生成出新型具有高结合能量的药物配体，展现了显著的效率和多样性。
Oct, 2022
基于结构的药物设计旨在生成与特定蛋白质靶点结合的三维配体分子。本研究提出了一种名为 Binding-Adaptive Diffusion Models (BindDM) 的新框架，通过自适应地提取负责蛋白质 - 配体相互作用的结合位点的关键部分，使用 SE (3)- 等变神经网络对所选的蛋白质 - 配体子复合物进行处理，并将其与复合物的每个原子传递回来，以在生成具有结合相互作用信息的面向目标的三维分子扩散时增强。实验证明 BindDM 能够生成具有更真实的三维结构和更高结合亲和力的分子，平均 Vina 得分高达 - 5.92，同时保持良好的分子属性。
Jan, 2024
本文系统地回顾了几何深度学习在基于结构的药物设计中的最近进展，并包括了结合位点预测、结合姿势生成、分子生成、连接器设计和结合亲和力预测等任务的详细综述和相关进展的挑战以及潜在机会。
Jun, 2023
通过评估生成的分子的药物特性及其与指定目标蛋白的结合亲和力来建立了一个基准，评估了十六种不同算法基础上的模型在这些算法基础上的性能，并突出了每种算法方法的独特优势，对未来 SBDD 模型的设计提出了建议。实证结果表明，将 1D/2D 配体中心的药物设计方法用于 SBDD 是可行的，通过将对接函数视为黑盒预言，可以实现与明确使用目标蛋白的三维方法相竞争的性能。此外，基于 2D 分子图的遗传算法 AutoGrow4 在优化能力方面超过了 SBDD。
Jun, 2024
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
我们引入了一种名为 delta 分数的新的评估指标，通过与实际生物需求的对比，发现当前的深度生成模型所产生的分子在 delta 分数上远远落后于基准配体，这一新的指标不仅补充了现有的基准测试，还为该领域的后续研究提供了重要方向。
Nov, 2023
本文提出了一种生成指定蛋白质结合位点分子的 3D 生成模型，可应用于结构基因设计任务，通过学习原子的概率密度分布并提出自回归采样策略，实现了生成有效和多样性分子的能力，在实验结果中表现出较高的亲和力和良好的药物特性。
Mar, 2022
使用神经网络作为可微能量函数代理，我们提出了一种导向方法，能够将扩散抽样过程引导至改进的蛋白质配体结合，从而调整配体与蛋白质之间的结合亲和力分布，以提高生成配体与其蛋白质受体的结合亲和力，优于以往的机器学习方法。
Jun, 2024
本文提出了一种机器学习方法 GraphBP，基于图神经网络生成结合给定蛋白的三维分子，逐步放置指定类型和位置的原子至给定结合位点，实验结果表明该方法有效。
Apr, 2022
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