机器学习在全新 PROTAC 设计中新兴方法的综述
通过生成模型和加强学习,我们展示了在缺少数据的情况下,如何基于 PROteolysis TArgeting Chimeras(PROTACs)的特性设计出一类具有卓越的蛋白质降解能力的新型分子。
Nov, 2022
提出了一种新方法 ShapeLinker,该方法利用增强学习,优化物理化学属性和基于注意力的点云对齐评分,成功地生成了既满足 2D 和 3D 要求,同时又符合药物相似性的独特的连接器,从而更加合理和高效地进行 PROTAC 的设计和优化。
Jun, 2023
通过结构预测方法 PROflow,实现对蛋白蛋白结合的保护性分解模型 PROTac 的全面预测,提高了反向蛋白蛋白结合方法的性能与运行速度,使其可以用于大规模的药物筛选设计。
Apr, 2024
基于大语言模型 (LLMs) 的 ProtAgents 平台引入多个具有不同能力的 AI 智能体,通过动态环境下的协同工作,致力于解决多目标的蛋白质设计与分析问题,展示了 LLMs 在材料领域中发挥的潜力,并为自主材料发现与设计开辟了新的途径。
Jan, 2024
利用人工智能等方法进行蛋白质工程和全新设计的研究方案,如生成模型和扩散过程,能够生成展现出所需特性和功能的全新而真实的蛋白质,在优先测试设计方案方面仍然面临一些挑战,因此需要综合生物化学知识提高性能和可解释性。
Oct, 2023
人工智能驱动的方法可以大大改善历史上昂贵的药物设计过程,各种生成模型已经广泛使用。特别是对于全新药物设计的生成模型,侧重于完全从零开始创建新的生物化合物,展示了一个有前途的未来方向。通过对该领域的迅速发展以及药物设计过程的固有复杂性,为新研究者进入创造了一个困难的环境。在这项调查中,我们将全新药物设计分类为两个主要主题:小分子和蛋白质生成。在每个主题中,我们确定了各种子任务和应用,突出重要的数据集、基准和模型架构,并比较了顶级模型的性能。我们采取广泛的方法进行人工智能驱动的药物设计,允许在每个子任务中对各种方法进行微观水平的比较,并跨不同领域进行宏观观察。我们讨论了这两个应用之间的并行挑战和方法,并强调了人工智能驱动的全新药物设计的未来方向。所有涵盖的资料的有组织存储库可以在此链接中找到:https://www.example.com
Feb, 2024
针对计算药物发现中的目标分子设计问题,作者们提出了一种新的方法,该方法利用图卷积网络提取目标位点的特征,将离散化的化学物质嵌入到连续潜在空间中,并使用不同可微模型进行药效和配合作用等性质的优化,从而成功发现了具有潜在绑定性的新分子。
Sep, 2018
本文介绍了一种基于序列的生成模型来设计分子的方法,通过增强情节似然性可以学习生成具有某些指定的理想特性的结构。将模型应用于生成类似物质结构,生成与药物 Celecoxib 类似的分子以及具有活性的化合物。最后,将模型调整为生成预测对多巴胺受体 2 具有活性的化合物,得到了 95% 以上的预测为活性的结构,其中包括实验证实的活性化合物。
Apr, 2017
利用基于深度学习的分子生成加速药物候选物的发现的思想引起了极大关注,并开发了许多用于自动药物设计的深度生成模型,称为分子生成。其中,优化主导在实际药物设计中起着重要作用,我们对传统的计算机辅助药物设计方法进行了系统评述,将这些策略组织成了四个主要子任务,每个任务都有明确的输入和输出。此评述还探讨了基本概念、目标、传统 CADD 技术和 AIDD 的最新进展。此外,我们提出了一种基于受限子图生成的统一视角,以协调 de novo 设计和主导优化的方法。通过这种视角,de novo 设计可以融入主导优化的策略,以解决生成难以合成的分子的挑战;反之,主导优化可通过将其作为在特定次结构上生成分子的任务来受益于 de novo 设计的创新。
Apr, 2024
提出了一种多模态框架 ProteinDT,旨在改进蛋白设计。通过结合文本信息和蛋白表征,该框架在蛋白性质预测和生成方面取得了令人满意的结果,并构建了一个大型数据集 SwissProtCLAP 来训练模型。
Feb, 2023