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

通过基于结构的药物设计方法和自动生成模型 AUTODIFF，以及分子组装策略 conformal motif 和 SE (3)- 等变卷积网络，本研究在 CrossDocked2020 的大范围实验中显示，相较于现有模型，我们的方法在生成具有有效结构和构象的真实分子的同时，并保持较高的结合亲和力方面取得了更好的性能。

Apr, 2024

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

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

本研究基于 3D 等变扩散模型实现有标的分子设计，并提出了一种综合的评估框架来评估样本分子的质量，实验结果表明，该模型能够更好地生成具有更逼真的 3D 结构和更好的与蛋白靶点的亲和力，而且在不重新训练的情况下能够提高结合亲和力排名和预测质量。

Mar, 2023

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

本研究探讨使用基于贝叶斯优化技术的代理模型在虚拟筛选过程中的应用，针对蛋白质 - 配体配对数据集进行实验，结果表明通过此模型可显著减少计算成本，并可用于高通量筛选等领域。

Dec, 2020

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

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