本文提出了一种基于原子层次化学相互作用的空间卷积神经网络来预测蛋白质-配体复合物的生物活性，并展示了其优于化学信息处理方法的实验结果。
Mar, 2017
使用深度学习模型来考虑受体的灵活性，以预测van der Waals能量，提高小分子配体姿势预测结果。
Mar, 2023
通过整合发布的经验结构基于对接和序列基于深度学习模型，我们开发了一个元建模框架，多个元模型在结合输入特征多样性的情况下，显著提高了结合亲和力预测的准确性，从而节省了找药物的时间和费用。
Oct, 2023
通过结合口袋预测和对接，提出了一种名为 FABind 的端到端模型，以实现准确和快速的蛋白质-小分子结合。
深度学习在分子对接中应用具有巨大潜力，本文通过改进候选配体结合姿势的采样协议，提高了采样准确性，特别是对于结合口袋形状变化较大的情况，同时提供了候选配体姿势数据集和GLOW与IVES的开源实现。
Nov, 2023
本研究提出了Uni-Mol Docking V2，结合机器学习方法和物理约束，在分子对接中展现出出色性能，能够准确预测77%以上的配体结合位姿，并且高于质量检验的要求，为科学研究中人工智能的应用提供了重要进展。
May, 2024
通过构建PoseBench实验平台，研究发现最近的深度学习对特定蛋白质目标的多配体对接方法泛化能力不足，模板对接算法在多配体对接中表现良好，为未来的研究提供了改进的方向。
通过对PDBBind数据集进行分析，我们提出了一种新的方法COMPASS，它整合了PoseCheck和AA-Score模块，用于评估分子对接数据集的噪声水平和分子的物理/化学以及生物活性可行性。通过将COMPASS与DiffDock分子对接方法相结合，能够实现高效准确的配体评估，同时通过微调提高分子对接模型性能。
Jun, 2024
提出了一种新的框架DualBind，它整合了有监督均方误差和无监督去噪分数匹配，以准确学习结合能函数，并在预测结合亲和力方面表现出色，同时提高了模型的泛化能力并减少对标记数据的依赖。
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