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

提出了一种新的分层图表示学习模型HGRL-DTA用于药物靶标亲和力预测，利用全局亲和力网络和局部分子图所学的分层表示，并采用相似性嵌入映射来解决未见药物和靶标的表示问题。实验结果表明，HGRL-DTA在多种场景下显著优于现有的基准模型，并显示出更好的模型泛化性能。

Mar, 2022

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

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

该研究提出了一种基于分子语义的图对比学习方法GraphCL-DTA，用于药物靶标结合亲和力的预测，通过该方法可以学习到更加准确和有效的药物表示，并优化药物和靶标的表征质量。该方法在实际数据集KIBA和Davis上表现良好，明显优于其他最新模型。

Jul, 2023

本研究探讨了药物靶点相互作用预测的各种技术及其改进方法，通过整合蛋白质语言模型和接触图信息提高了模型性能，为寻找针对特定蛋白质的潜在药物加速了药物发现过程。

Oct, 2023

通过研究，我们发现当利用AI工具（如AlphaFold2）预测的蛋白质结构时，现有的方法在预测准确性上存在明显的下降，我们将该现象归因于结构表示学习的结构嵌入偏差。为了解决这个问题，我们提出了一种蛋白质结构嵌入对齐优化框架（SAO），并确定了一个稳健蛋白质性质预测的蛋白质三维图结构学习问题（PGSL-RP3），通过大量实验证明了我们的框架在改进预测结构和实验结构的性质预测方面既适用于各种模型，又有效果。

Oct, 2023

CBGBench是一个结构基药物设计的综合评估基准，使用AI技术中的生成模型，通过填补三维复合结合图的空白来统一任务，并广泛应用于药物设计的关键子任务，包括分子生成、连接物、片段、骨架和侧链等。

Jun, 2024

本研究提出了一种新颖的DTA预测方法，名为HGTDP-DTA，该方法利用混合图转换器框架中的动态提示，生成每个药物-靶点对的上下文特定提示，进而增强模型捕捉独特的相互作用，并采用多视图特征融合方法将分子图视图和亲和子图视图投影到一个公共特征空间，从而高效地结合了结构和上下文信息。实验结果表明，HGTDP-DTA在预测性能和泛化能力方面均优于现有的DTA预测方法。

Jun, 2024

利用图神经网络准确预测蛋白质-配体结合亲和力，通过引入包括几何和物理化学角度的先验知识，在基准数据集上胜过其他模型，并通过实验证实了其可靠性和潜力。

Jul, 2024