- 了解分子对接的主动学习及其应用
通过基于计算方法和资源的不断进步,超大规模虚拟筛选成为一种重要的策略,而主动学习方法在迭代小规模对接和机器学习模型训练中有效地减少了计算成本。本文通过六个受体靶点的基准研究,探究了在仅考虑二维结构的情况下,主动学习方法如何有效地预测对接分数 - Bioptic - 一种基于疗效的无偏向目标的小分子搜索引擎
通过开发目标不确定、以效能为基础的分子搜索模型,我们能在具有类似生物活性的分子中找到结构不相似的分子。我们使用最佳实践设计了一种快速检索系统,通过处理器优化的 SIMD 指令,可以在 100% 的召回率下筛选超大型的 Enamine REA - 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 - 支架切分高估虚拟筛选表现
通过使用人工智能模型指导广泛化合物库的虚拟筛选是一种高效的早期药物发现方法。然而,传统的随机数据拆分不符合虚拟筛选库的真实情况,我们的研究发现更真实的基于 UMAP 的聚类数据拆分可以更准确地评估虚拟筛选模型的性能。
- 通过原子力显微镜图像的分子指纹提取进行分子鉴定
通过使用拓扑指纹描述分子结构并利用深度学习模型进行虚拟筛选,我们能够从三维原子力显微镜堆栈图像中提取最优化的结构描述符,从而实现对分子的识别,识别准确率可达 97.6%。
- 基于机器学习和分子对接的对 BindingDB 数据库配体在 EGFR、HER2、雌激素受体、孕激素受体和 NF-kB 受体的筛选
通过虚拟筛选与化学空间的探索,我们选择了针对乳腺癌治疗靶点 EGFR+HER2、ER、NF-kB 和 PR 的具有高优先级的新配体。
- 一种结合变分自编码器和 Transformer 的新型分子生成模型
这项研究提出了通过结构和参数优化将 Transformer 和 VAE 两种模型相结合的方法,以处理多样化的分子。该模型在生成分子方面表现出与现有模型相当的性能,并且在生成未见结构的分子方面表现出远超卓越的性能。此研究通过 VAE 的潜在表 - 逐层图解释揭示分子基团
通过使用图卷积架构的图神经网络,本研究提出了一种高准确性的多目标筛选方法,并采用分层的可解释人工智能技术,通过信息传递机制在原子、环和整个分子级别捕获相关物质,进而实现了对生物活性预测的重要性质的发现。
- 跨不同化学领域的迁移学习:利用在小分子和化学反应数据上预训练的深度学习模型进行有机材料的虚拟筛选
使用机器学习预测有机材料属性是一种高效的虚拟筛选方法,本研究证明药物类小分子和化学反应数据库可用于预训练 BERT 模型以进行有机材料的虚拟筛选,并展示了其在机器学习模型训练中的优越性能,进一步加强了跨不同化学领域的迁移学习在有机材料的虚拟 - 基于对接的生成方法在寻找新药候选物中的应用
综述了基于分子对接的生成模型的研究进展和最有前景的发展方向。
- 巴雷托优化加速多目标虚拟筛选
在多目标优化问题中,通过使用多目标贝叶斯优化方法,可以减少多属性虚拟筛选的计算成本,并成功地在三个案例研究中展示了 Pareto 优化的优越性。此外,我们使用开发的优化工具搜索了包含四百万种分子的虚拟库,仅探索了该库的 8% 即获得了该库 - DrugCLIP:用于虚拟筛选的对比蛋白质 - 分子表示学习
本文介绍了一种新颖的对比学习框架 DrugCLIP,通过将虚拟筛选重新构建为密集检索任务,并利用对比学习来对齐大量配对数据中的结合蛋白口袋和分子的表示,从而无需准确的结合亲和力标签。同时,我们还引入了一种受生物知识启发的数据增强策略,以学习 - 大规模预训练提高了基于主动学习的分子虚拟筛选的样本效率
预训练的基于转换器的语言模型和图神经网络在贝叶斯优化主动学习框架中表现良好,仅通过筛选超大型库中的 0.6%,可以识别到排名前 50000 位化合物的 58.97%,与先前的最先进基准相比提高了 8%,在结构基础和配体基础药物发现中具有卓越 - M$^2$Hub:解锁机器学习在材料发现中的潜力
M2Hub 是一个用于推动材料发现中机器学习进步的工具包,其尤为关注材料发现中的虚拟筛选、反设计和分子模拟三个关键领域,以及提供了适用于材料结构的最先进的机器学习方法和数据集来进行基准测试。
- ToDD: 计算机辅助药物发现中的拓扑化合物指纹
这篇论文研究了使用多参数持久化同调学习虚拟筛选,在分子结构信息的多个分辨率级别提取其持久同调特征,形成一个多维向量拓扑指纹,并将筛选过程视为一个基于图形排名的问题,实现在药物发现中应用。
- CoSP:口袋和配体的共同监督预训练
提出了 CoSP 框架,结合了口袋和配体表示的共同监督预训练,注入口袋 - 配体相互作用知识通过对比损失来学习生物学意义的嵌入表征,并提出化学相似度增强的负样本采样策略,取得了口袋匹配、分子属性预测和虚拟筛选等方面的有竞争力的结果。
- ICLREquiBind: 基于几何深度学习的药物结合构象预测
本研究提出了一种基于 deep learning 的药物分子与蛋白质结合位置的直接预测方法,可应用于快速虚拟筛查或制药工程,与传统方法相比,具有更高的速度和更好的质量,并提出了一种快速的微调模型来解决以往能量最小化所采用的昂贵差分进化策略。
- 学习物理学为基于结构的虚拟筛选提供姿态敏感性
该研究针对药物发现中存在的问题,通过新的模型和基准测试,实现了在结构虚拟筛选中成功识别生物活性配体的目标,并克服了深度学习方法不敏感于蛋白质 - 配体相互作用的限制。
- 构象合集下的分子机器学习
利用多个构象的 3D 信息可以改善深度学习模型在分子性质预测中的表现,我们介绍了多重深度学习模型,并将其在二维、三维和四维表示中的表现进行了测试,深度学习模型可以学习每个构象的可解释性关注权重。
- 通过基于分子池的主动学习加速高通量虚拟筛选
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。