与精确能量优化对齐的目标感知分子扩散模型
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
本文介绍了一种生成具有理想属性的分子的新方法,该方法通过在分子和分子片段上执行扩散来获取混合高斯分布,并使用新颖的基于电子效应的分解方法优化多个分子属性,从而在人工智能驱动的药物设计和发现方面具有重要的应用前景。
Oct, 2023
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
3D 生成模型在结构基药物设计中表现出显著的潜力,尤其在发现适应特定靶点结合位点的配体方面。TAGMol 是一个综合的药物生成框架,通过将问题分解为分子生成和特性预测,并通过引导扩散采样过程来实现生成具有所需特性的有意义的分子。在基准数据集上进行的实验证明,TAGMol 相对于现有先进算法具有优越性能,在平均 Vina 分数上提高了 22%,并在重要辅助属性方面取得了良好的结果。
Jun, 2024
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
利用基于蛋白质为环境约束的扩散模型,在非自回归的完整原子水平上,去噪元素类型和整个分子的三维坐标,学习生成过程,相较其他方法具有更高的相似性和更适当的分子大小以及其他药物性质。
Nov, 2022
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
设计 3D 配体是药物发现中的基本任务,该研究通过将配体分解为两部分,即臂和骨架,并提出了一种新的扩散模型,DecompDiff,以及在模型中结合了键扩散和采样阶段的有效性指导,实现了生成高亲和力分子并保持适当分子性质和构象稳定性的最新性能。
Feb, 2024
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