- 具有虚拟受体的分子扩散模型
通过扩展扩散方法，引入虚拟受体和蛋白质嵌入技术，实现了结构为基础的药物设计中的机器学习方法，提高了性能并显著加快了计算速度。
- 基于结构的药物设计中扩散模型的一般结合亲和力指导
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。
- 基于几何信息的 GFlowNets 用于结构化药物设计
利用生成流网络（GFlowNets）有效地探索药物样分子的组合空间，改进了 GFlowNet 框架，以增强生成特定蛋白质口袋的分子的能力，并通过使用 CrossDocked2020 数据集的实验证明了生成分子与蛋白质口袋之间的结合亲和力的提 - CBGBench：填补蛋白质 - 分子复合物结合图的空缺
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。
- 从理论到治疗：通过实用指标重构 SBDD 模型评估
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 - 基于结构的药物设计基准：3D 方法真的占主导地位吗？
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 - TAGMol: 目标感知梯度引导的分子生成
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 - PILOT: 利用重要性采样实现多目标引导的基于变换的口袋条件下新生配体生成的扩散模型
基于构象的药物设计中，我们提出了一种使用等变扩散模型 PILOT 的基于计算的方法，通过结合口袋调节和大规模预训练与性质引导，来进行 3D 配体结构的 $ extit {de novo}$ 生成。PILOT 的多目标基于轨迹的重要性抽样策略 - 引导的多目标生成人工智能以增强基于结构的药物设计
通过结合深度扩散和多目标优化，IDOLpro 是一种新颖的生成化学人工智能，可以在计算机模拟中生成具有最优结合亲和力和合成易得性的配体，优化多种目标物理化学性质，并超越实验观察的配体的性能。
- MolCRAFT: 基于结构的连续参数空间药物设计
我们介绍了第一个在连续参数空间中操作的 SBDD 模型，以及一种新颖的降噪采样策略，实证结果表明我们的模型在结合亲和力和更稳定的三维结构方面始终表现出优异性能，准确地对原子间相互作用进行建模。
- 自动差分：基于结构的药物设计的自回归扩散建模
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 - ICLRDecompOpt：基于结构的分子优化的可控分解扩散模型
近期，3D 生成模型在基于结构的药物设计中表现出了良好的性能，但仅建模目标配体分布难以实现药物发现的一个主要目标，即设计具有所需性质（如高结合亲和力、易合成等）的新型配体。本研究中，我们提出了 DecompOpt，这是一种基于可控分解扩散模 - 通过与扰动过程保持一致性来稳定随机微分方程的策略梯度
通过将 SDE 与相关扰动过程保持一致，我们提出了一种通用方法，以有效且高效地训练 SDE，并通过结构基于药物设计的任务对其进行了评估，优化生成的配体分子的结合亲和力，取得了 CrossDocked2020 数据集上最佳的 Vina 分数为 - SBDD 中特异性的重新思考：利用 Delta Score 和能量引导的扩散
在结构基础药物设计（SBDD）领域，基于深度学习的生成模型在对接得分方面取得了杰出的表现。然而，进一步的研究表明现有的分子生成方法和对接得分在特异性方面都缺乏考虑，这意味着生成的分子以高亲和力结合到几乎每一个蛋白质口袋。为了解决这个问题，我 - 基于结构的药物设计：3D 分子生成预训练与采样
基于结构的药物设计通过利用三维靶点结构的先验知识生成高亲和力配体。本研究提出了 MolEdit3D 方法，将三维分子生成与优化框架相结合，通过使用片段开发了一种新的三维图形编辑模型来生成分子，并在丰富的三维配体上进行了预训练，然后采用目标引 - AAAI基于结构的药物设计的绑定自适应扩散模型
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 - 加速蛋白质结构潜在表征分子扩散模型的推断
使用扩散生成模型结合图神经网络，利用分子结构的潜在表示进行蛋白质结构的训练和优化，提高生成结构质量并减少推理时间。
- Delta Score: 提升基于结构的药物设计方法的结合评估
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。
- 基于等变扩散的生成模型的设计空间对于全新的 3D 分子生成的导航
深度生成扩散模型在材料科学和药物发现中是一种有前途的新途径。然而，它们的效用仍受到大分子结构和有限的训练数据的限制。本研究通过对连续和离散状态空间的相互作用进行广泛的比较分析，探索了 E (3) 等变扩散模型的设计空间并提出了 EQGAT- - 基于几何深度学习的结构药物设计系统性调查
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。