Recent Developments in Structure-Based Virtual Screening Approaches
Harvard Medical School（哈佛医学院）；Harvard University（哈佛大学）；Dana Farber Cancer Institute（达纳-法伯癌症研究所）
药物开发是一个广泛的科学领域，目前面临着许多挑战。其中包括极高的开发成本，漫长的开发时间，以及每年批准的新药数量很少。为了解决这些问题，需要新的和创新的技术，使小分子的药物发现过程更省时和更经济，并且允许靶向先前不可药物化的靶类，例如蛋白质相互作用。基于结构的虚拟筛选已成为这方面的主要竞争者。本文介绍了基于结构的虚拟筛选的基本原理，并综述了近年来的研究进展。我们概述了关键原则，最近的成功案例，新方法，可用的软件，以及有前途的未来研究方向。虚拟筛选对于开发新的小分子药物具有巨大的潜力，并且已经开始改变早期药物发现。
2022-11-06 cs.LG physics.bio-ph physics.chem-ph
CLIPZyme: Reaction-Conditioned Virtual Screening of Enzymes
提出CLIPZyme框架，利用对比学习对齐酶结构与反应对，实现酶虚拟筛选，在反应信息有限时优于现有EC预测器，并展现良好泛化能力。
2024-02-09 q-bio.QM
An Improved Metric and Benchmark for Assessing the Performance of Virtual Screening Models
提出改进的富集指标和BayesBind基准，解决数据泄漏问题，评估发现现有虚拟筛选模型均未优于KNN基线。
2024-03-15 q-bio.QM
Learning physics confers pose-sensitivity in structure-based virtual screening
在药物发现中，基于结构的虚拟高通量筛选（vHTS）活动旨在从特定结合位点处的对接位姿鉴定治疗性蛋白质靶标的生物活性配体或“命中物”。然而，虽然在这项任务上通常是成功的，但已知许多深度学习方法对蛋白质与配体相互作用不敏感，降低了命中检测的可靠性，并阻碍了新结合位点的发现。在这里，我们通过引入一类具有两个关键特征的模型来克服这一限制：1）我们以姿势质量分数为条件来确定生物活性，2）我们将真正绑定器的不良姿势作为负面示例呈现给模型。条件作用迫使模型学习物理交互的细节。我们评估这些模型的一个新的基准设计检测姿态敏感性。
2021-12-02 q-bio.QM
KANEL: Kolmogorov-Arnold Network Ensemble Learning Enables Early Hit Enrichment in High-Throughput Virtual Screening
AI1 Technologies（AI1 科技公司）；KAN Technologies, LLC（KAN 科技有限公司）；UNC-Chapel Hill（北卡罗来纳大学教堂山分校）
KANEL通过结合可解释的Kolmogorov-Arnold网络与XGBoost等模型，提升高通量虚拟筛选中早期命中富集的准确性。
2026-03-25 cs.LG physics.chem-ph q-bio.QM
Diff4VS: HIV-inhibiting Molecules Generation with Classifier Guidance Diffusion for Virtual Screening
Information Science and Technology College, Dalian Maritime University（大连海事大学信息科学技术学院）；School of Computer Science and Technology, Dalian University of Technology（大连理工大学计算机科学与技术学院）；School of Innovation and Entrepreneurship, Dalian University of Technology（大连理工大学创新创业学院）
本文提出Diff4VS模型，首次结合分类器引导扩散与基于配体的虚拟筛选生成HIV抑制分子，并引入DrugIndex评估指标及发现分子生成退化现象，为药物设计提供新方法。
2024-07-20 cs.AI cs.LG q-bio.QM
Deep Learning Model of Dock by Dock Process Significantly Accelerate the Process of Docking-based Virtual Screening
基于对接的虚拟筛选（VS process）是利用计算对接的方法从数以百万计的分子中筛选出具有潜在药理活性的配体，大大减少了实验筛选的化合物数量，缩短了研究周期，节约了研究成本。然而，大多数低对接分数的化合物会浪费大部分计算资源。本文提出了一种新颖实用的基于对接的机器学习方法MLDDM（Machince Learning Docking-by-Docking Models）。它由一个回归模型和一个分类模型组成，模拟了许多虚拟筛选项目中常用的经典对接协议。MLDDM可以快速消除具有低对接分数的化合物，并且将检查具有潜在高对接分数的保留化合物以用于进一步的真实对接程序。我们证明，MLDDM具有良好的能力，以确定10个特定的蛋白质目标的情况下，研究活性化合物。与基于VS协议的纯逐对接相比，采用MLDDM的VS过程平均可以获得超过120倍的速度提升，并且与相应的逐对接VS协议的一致率在0.8以上。因此，在当前的大数据时代，将其用于超大型复合库的检测是很有前途的。
2021-10-25 q-bio.QM
Boosting Docking-based Virtual Screening with Deep Learning
在这项工作中，我们提出了一种深度学习方法来改进基于对接的虚拟筛选。引入的深度神经网络DeepVS使用对接程序的输出，并学习如何从基本数据中提取相关特征，例如从蛋白质-配体复合物中获得的原子和残基类型。我们的方法引入了原子和氨基酸嵌入的使用，并通过将化合物建模为一组由卷积层进一步处理的原子上下文，实现了创建蛋白质-配体复合物的分布式矢量表示的有效方法。所提出的方法的主要优点之一是，它不需要特征工程。我们在有用诱饵目录（DUD）上评估DeepVS，使用两个对接程序的输出：AutodockVina1.1.2和Dock6.6。使用留一交叉验证的严格评估，DeepVS在AUC ROC和富集因子方面都优于对接程序。此外，使用AutodockVina1.1.2的输出，DeepVS实现了0.81的AUC ROC，据我们所知，这是迄今为止使用来自DUD的40种受体进行虚拟筛选的最佳AUC。
2016-11-21 q-bio.QM
Novel prediction methods for virtual drug screening
药物开发是一个昂贵且耗时的过程，其中数千种化合物正在进行测试，以找到那些具有药物样特性同时安全有效的化合物。早期药物发现过程的关键部分之一已经成为虚拟药物筛选--一种通过运行药物-靶标相互作用的计算机模拟来缩小潜在药物搜索范围的方法。由于这些方法需要大量的计算能力才能获得准确的结果，因此基于机器学习技术的预测模型成为一种流行的解决方案，需要更少的计算能力，并提供生成新的化学结构以供进一步研究的能力。深度学习是停留在药物发现但还有很长的路要走。只是在过去的几年里，随着计算能力的提高，研究人员才真正开始在药物发现过程的各个阶段拥抱神经网络的潜力。虽然预测方法在药物发现的未来发展中有很大的前景，但它们也带来了新的问题和挑战，仍然需要解决。
2022-02-14 q-bio.QM
Virtual Screening of Pharmaceutical Compounds with hERG Inhibitory Activity (Cardiotoxicity) using Ensemble Learning
Indian Institute of Technology Mandi（曼迪印度理工学院）
对潜在药物分子具有高灵敏度和特异性的心脏毒性的计算机预测可能具有巨大的价值。因此，基于从药物分子结构中提取的一些特征，构建能够有效预测心脏毒性的机器学习分类模型至关重要。在本文中，我们考虑了各种机器学习方法的应用，然后提出了一个集成分类器的预测分子活性的药物发现的Hacknut（DDH）（第1次参考）数据集。我们只使用了2-D描述符的SMILE符号为我们的预测。我们的集成分类使用5个分类器（2个随机森林分类器，2个支持向量机和一个密集的神经网络），并使用最大投票技术和加权平均技术的最终决定。
2021-06-05 cs.AI cs.LG q-bio.QM
Sampling of conformational ensemble for virtual screening using molecular dynamics simulations and normal mode analysis
目的：分子动力学模拟和简正模分析是产生用于配体对接和虚拟筛选的受体构象系综（RCE）的成熟方法。在这里，我们报告新的快速分子动力学为基础的和正常模式分析为基础的协议相结合的构象口袋分类，以有效地产生RCE。材料与方法：我们评估了我们的协议上的两个良好的特征蛋白质的目标，显示当地的活性位点的灵活性，二氢叶酸还原酶和大的集体运动，CDK2。通过在不同化学诱饵的数据集中区分二氢叶酸还原酶和CDK2的已知配体来验证RCE的性能。结果\&讨论：我们的研究结果表明，不同的模拟协议可以有效地产生RCE取决于不同种类的蛋白质的灵活性。
2016-02-16 q-bio.BM q-bio.QM
Virtual screening of GPCRs: an in silico chemogenomics approach
G蛋白偶联受体（GPCR）超家族是目前最大的一类治疗靶点。因此，GPCR和小分子之间的相互作用的\textit{In silico}预测是药物发现过程中的关键步骤，由于难以表征大多数GPCR的3D结构，并且由于超家族的一些成员的已知配体的量有限，这仍然是一项艰巨的任务。化学基因组学，试图同时表征目标类的所有成员和所有小分子之间的相互作用，最近被提出作为一个有趣的替代传统的对接或基于配体的虚拟筛选策略。我们提出了计算机化学基因组学的新方法，并在GPCR的虚拟筛选上对其进行了验证。该方法代表了最近提出的机器学习策略的扩展，基于支持向量机（SVM），它提供了一个灵活的框架，将各种信息源的生物空间的目标和化学空间的小分子。我们研究了小分子的2D和3D描述符的使用，并测试了GPCR的各种描述符。例如，我们表明，将有关已知的目标家族的分层分类和有关其推断的结合口袋中的关键残基的信息，显着提高了我们的模型的预测精度。特别是，我们能够预测孤儿GPCR的配体，估计准确率为78.1%。
2008-01-28 q-bio.QM
Low cost prediction of probability distributions of molecular properties for early virtual screening
Jagiellonian University（雅盖隆大学）；Maj Institute of Pharmacology, Polish Academy of Sciences（波兰科学院马伊药理学研究所）
虽然一般关注的是数值预测，但在数学上更合适的是概率分布预测：还有其他可能性，如不确定性预测，高阶矩和分位数。针对计算机辅助药物设计领域，本文采用了以前用于人口、金融和天文数据分析的分层相关重构方法。它不是使用单个线性回归来预测值，而是使用多个线性回归来独立地预测多个矩，最后将它们组合成预测的概率分布，这里是基于Klekota\&Roth开发的子结构指纹的几个ADMET属性。讨论的应用实例是在虚拟筛选期间廉价地选择具有几乎肯定在预测或选择范围内的性质的分子的百分比。这样的方法可以方便的结果的解释为特征的高比率的不确定性的预测自动检测。此外，对于每个研究的预测问题，我们检测到关键的结构特征，在优化化合物的特定性质时应仔细考虑这些特征。因此，在研究中开发的整个方法对药物化学家来说是一个巨大的支持，因为它能够快速拒绝具有最低潜在的所需理化/ADMET特征的化合物，并指导化合物优化过程。
2022-07-21 cs.LG q-bio.BM q-bio.QM
Large-scale ligand-based virtual screening for SARS-CoV-2 inhibitors using deep neural networks
ELLIS Unit at the LIT AI Lab, Johannes Kepler University Linz（林茨约翰内斯·开普勒大学 LIT AI 实验室 ELLIS 单元）；Institute for Machine Learning, Johannes Kepler University Linz（林茨约翰内斯·开普勒大学机器学习研究所）
由于当前严重急性呼吸综合征冠状病毒2（SARS-CoV-2）大流行，迫切需要新型疗法和药物。我们进行了大规模的虚拟筛选，寻找潜在的CoV-2抑制剂小分子。为此，我们利用了“ChemAI”，这是一个深度神经网络，在来自三个公共药物发现数据库的360万个分子中的超过2.2亿个数据点上进行了训练。通过ChemAI，我们从ZINC数据库中筛选并排名了10亿个分子，以获得对CoV-2的有利影响。然后，我们将结果简化为30，000种排名最高的化合物，这些化合物可以通过ZINC数据库轻松访问和购买。此外，我们使用ChemAI筛选DrugBank以允许药物再利用，这将是一种快速的治疗方法。我们在https://github.com/ml-jku/sars-cov-inhibitors-chemai上提供这些ZINC和DrugBank的顶级化合物作为进一步筛选生物测定的库。
2020-08-17 cs.LG q-bio.BM q-bio.QM
Virtual Lung Screening Trial (VLST): An In Silico Study Inspired by the National Lung Screening Trial for Lung Cancer Detection
针对临床影像学试验的局限性，本研究构建虚拟肺癌筛查试验（VLST）平台，模拟NLST关键要素，通过294例虚拟患者队列对比CT与CXR的诊断性能，证明VITs可安全高效推进成像诊断技术。
2025-04-04 eess.IV q-bio.QM
Adapting Boltz-2 with limited experimental activity data improves early enrichment in virtual screening
Institute of Science Tokyo（东京科学研究所）
本研究针对虚拟筛选，利用少量实验活性标签微调Boltz-2亲和力头，显著提升早期富集，且对约10%候选重新评分仍保持效果。
2026-09-22 cs.AI cs.LG q-bio.BM
Boltzina: Efficient and Accurate Virtual Screening via Docking-Guided Binding Prediction with Boltz-2
Department of Computer Science（计算机科学系）；School of Computing（计算学院）；Institute of Science（科学研究所）
提出Boltzina框架，利用Boltz-2的高精度结合预测，通过省略结构预测并基于Vina对接姿态直接预测亲和力，实现高效准确的虚拟筛选，在MF-PCBA上优于传统对接方法，并支持多姿态和两阶段优化。
2025-08-24 cs.CE cs.LG q-bio.BM
Representability of algebraic topology for biomolecules in machine learning based scoring and virtual screening
本工作介绍了一些代数拓扑方法，如多组分持续同源性，多级持续同源性和静电持久性的表示，表征和描述的小分子和生物分子复合物。多组分持久同源性在生物分子几何复杂性的拓扑简化过程中保留了关键的化学和生物信息。多水平持续同源性使得能够对感兴趣的分子间和/或分子内相互作用进行定制的拓扑描述。静电持久性将部分电荷信息纳入拓扑不变量。这些拓扑方法与Wasserstein距离配对以表征分子之间的相似性，并进一步与各种机器学习算法集成，包括k-最近邻，树的集成和深度卷积神经网络，以显示其对化学和生物学问题的描述和预测能力。广泛的数值实验涉及超过4,000蛋白质-配体复合物从PDBBind数据库和近100,000的配体和诱饵在DUD数据库进行测试，分别得分能力和虚拟筛选能力的拓扑方法。实验结果表明，本文提出的方法在蛋白质-配体结合亲和力预测和配体-诱饵识别方面优于基于现代机器学习的方法。
2017-08-27 q-bio.BM q-bio.QM
Deep Learning for Virtual Screening: Five Reasons to Use ROC Cost Functions
Leipzig University（莱比锡大学）；Technical University of Munich（慕尼黑工业大学）；Vanderbilt University（范德堡大学）
计算机辅助药物发现是现代药物开发的重要组成部分。其中，深度学习已经成为一种重要的工具，用于快速筛选数十亿个含有所需化学特征的分子。尽管它很重要，但在训练这些模型时仍然存在巨大的挑战，例如严重的类别不平衡，高决策阈值以及某些数据集中缺乏地面真值标签。在这项工作中，我们主张在这种情况下直接优化受试者操作特征（ROC），因为它对类不平衡的鲁棒性，它在不同决策阈值上妥协的能力，在这种妥协中影响相对权重的一定自由度，对典型基准测量的保真度，以及与积极/未标记学习的等效性。我们还为基于ROC的成本函数提出了新的训练方案（连贯的小批量安排和批外样本的使用），以及基于logAUC度量的成本函数，以促进早期富集（即在高决策阈值下提高性能，这是合成预测命中化合物时经常需要的）。我们证明，这些方法在一系列PubChem高通量筛选数据集上的表现优于标准的深度学习方法，这些数据集代表了主要药物靶向家族的现实和多样化的药物发现活动。
2020-06-25 cs.LG q-bio.BM q-bio.QM
Can virtual staining for high-throughput screening generalize?
GSK Drug Metabolism & Pharmacokinetics（葛兰素史克公司药物代谢与药代动力学部）；GSK Medicines Research Centre（葛兰素史克药物研究中心）；GSK Genome Biology（葛兰素史克公司基因组生物学部）；GSK Bioimaging（葛兰素史克公司生物成像部）
本研究基于772,416对HTS图像，系统评估虚拟染色模型在未见表型、未见细胞类型及其组合下的泛化能力，发现非毒性样本训练效果更优，并首次提供大规模数据为中心的泛化分析策略。
2024-09-30 cs.AI cs.CV cs.LG
ParaVS: A Simple, Fast, Efficient and Flexible Graph Neural Network Framework for Structure-Based Virtual Screening
Global Health Drug Discovery Institute（全球健康药物研发中心）
基于结构的虚拟筛选（SBVS）是一种将计算方法集成到药物设计中的有前途的计算机技术。在SBVS中广泛使用的方法是分子对接。然而，由于该方法采用经典力学评分函数来逼近量子力学精度，难以达到量子力学精度，因此很难同时保证计算效率和精确度。为了降低蛋白质-配体评分过程的计算成本并使用数据驱动方法来提高评分函数的准确性，我们引入了基于对接的SBVS方法，此外，还引入了一种基于深度学习的非对接方法，该方法能够避免对接过程的计算成本。然后，我们尝试将这两种方法集成到一个易于使用的框架，ParaVS，为研究人员提供两种选择。ParaVS中采用了图神经网络（GNN），我们解释了我们内部的GNN如何工作以及如何对配体和分子靶标进行建模。为了验证我们的方法，交叉验证实验在两个数据集上进行，一个开放的数据集有用的诱饵目录：增强（DUD.E）和一个内部专有的数据集没有计算生成的人工诱饵（NoDecoy）。在DUD.E上，我们实现了0.981的最先进AUC和36.2的2%的最先进富集因子;在NoDecoy上，我们实现了0.974的AUC。我们进一步完成了一个开放的数据库，烯胺REAL数据库（RDB），其中包括超过13.6亿分子在4050核心小时使用我们的ParaVS非对接方法（ParaVS-ND）的推断。ParaVS-ND的推理速度约为3.6e5个分子/核心-小时，而传统的基于对接的方法的这个数量约为20个…
2021-02-08 cs.LG q-bio.BM q-bio.QM
Importance-Sampling Estimation of Gaussian Molecular Shape Overlap: Exact Union Volumes and Confidence-Bounded Virtual Screening
Lomonosov Moscow State University（莫斯科罗蒙诺索夫国立大学）
研究高斯分子形状重叠，提出基于重要性抽样的无偏蒙特卡罗估计器，能精确计算并集体积，提供解析标准误差，实现置信度受限筛选，在基准测试中表现良好，可进行梯度对齐，还能提供无偏绝对体积和不确定性估计。
2026-07-24 physics.chem-ph q-bio.QM stat.AP
A Quantum-Inspired Method for Three-Dimensional Ligand-Based Virtual Screening
测量分子之间的相似性是在药物发现的早期阶段部署的虚拟筛选（VS）实验的重要部分。最广泛使用的用于评估分子相似性的方法使用分子指纹来编码结构信息。虽然使用指纹编码的相似性方法是有效的，但它们没有考虑分子结构的所有相关方面。在本文中，我们描述了一种基于量子启发的基于图的分子相似性（GMS）方法，用于基于配体的VS。GMS方法被制定为一个二次无约束的二进制优化问题，可以使用量子退火机解决，提供了利用这种新生的和潜在的突破性技术的机会。在这项研究中，我们考虑了各种功能相关的配体为基础的VS，如药效团功能和三维原子坐标，并将它们包括在GMS方法。我们在DUD_LIB_VS_1.0库的各种数据集上评估了这种方法。我们的研究结果表明，使用三维原子坐标作为比较的功能，产生更高的早期富集值。此外，我们评估的GMS方法对传统的指纹方法的性能。结果表明，GMS方法优于指纹方法的大多数数据集，提出了一种新的替代配体为基础的VS与未来的增强潜力。
2019-01-28 q-bio.QM quant-ph
Attribution Methods Reveal Flaws in Fingerprint-Based Virtual Screening
基于指纹的蛋白质-配体结合模型在基准数据集上取得了巨大的成功;然而，这些模型可能无法学习正确的结合规则。为了评估这一问题，我们使用具有已知约束规则的计算机数据集来开发一个用于评估模型属性的通用框架。该框架识别模型认为达到特定分数所必需的片段，回避了模型可区分的需要。我们的研究结果证实，高性能模型可能无法学习正确的绑定规则，并提出了可以纠正这种情况的具体步骤。我们发现，添加片段匹配的非活性分子（诱饵）的数据减少归因假阴性，而归因假阳性主要来自分子数据的背景相关结构。对这些背景相关性进行归一化有助于揭示真正的绑定逻辑。我们的工作强调了信任高性能模型的归因的危险，并建议更仔细地检查指纹相关结构和更好的诱饵选择可能有助于减少错误归因。
2020-07-08 q-bio.BM q-bio.QM
Predicting inhibitors for SARS-CoV-2 RNA-dependent RNA polymerase using machine learning and virtual screening
由新发现的SARS- CoV-2冠状病毒引起的全球冠状病毒疾病大流行（COVID-19）继续夺去全球数千人的生命。由于无法获得治疗COVID-19的特定药物，因此使用各种方法（包括计算分析）进行药物重新定位。这种分析主要依赖于分子对接，并且需要靶蛋白的3D结构可用。在这项研究中，我们利用了一组机器学习算法，并在RNA依赖性RNA聚合酶（RdRp）抑制剂的数据集上训练它们，仅基于配体信息对抗病毒和抗炎药物进行推理分析。我们还对机器学习模型预测的候选药物进行了虚拟筛选分析，并将其与SARS- CoV-2 RdRp的活性位点对接，这是病毒复制机制的关键组成部分。基于RdRp抑制剂的配体信息，机器学习模型能够识别出候选物，如瑞德西韦和baloxavir marboxil，这些分子对新型冠状病毒的RdRp具有记录的活性。在其他确定的候选药物中，有贝卡布韦，一种丙型肝炎病毒（HCV）RdRp酶的非核苷抑制剂，以及HCV蛋白酶抑制剂帕利匹韦和法尔达匹韦。对这些候选物使用针对SARS-CoV-2 RdRp的分子对接的进一步分析揭示了针对酶活性位点的低结合能。我们的方法还确定了抗炎药物羽扇豆醇，lifitegrast，antrafenine，桦木酸和熊果酸对SARS-CoV-2 RdRp具有潜在的活性。我们建议考虑进一步验证本研究的结果，作为对抗COVID-19的潜在治疗选择。
2020-06-09 q-bio.BM q-bio.QM
Scaffold Splits Overestimate Virtual Screening Performance
Imperial College London（帝国理工学院）；Centre de Recherche en Cancérologie de Marseille（马赛癌症研究中心）
本文通过60个NCI-60数据集和2100个模型实验证明，骨架分割因训练与测试分子间存在不切实际的高相似性而高估虚拟筛选性能，并建议采用UMAP聚类等更真实的数据分割方法。
2024-06-30 cs.AI cs.CE cs.LG
Grid enabled virtual screening against malaria
WISDOM是一项国际倡议，旨在在网格基础设施上启用虚拟筛选管道。它的第一次尝试是在公共电网基础设施上部署大规模的计算机对接。蛋白质-配体对接是关于使用评分算法计算蛋白质靶标与潜在药物库的结合能。以前的部署要么局限于一个集群，要么局限于制药实验室的严密保护环境中的集群网格，要么局限于无处不在的网格。2005年7月11日至2005年8月19日，第一次大规模对接实验在EGEE网格生产服务上进行，目标与疟疾研究有关，对接了4100多万种化合物，相当于80年的CPU时间。全世界15个国家同时使用了多达1 700台计算机。与部署和监测的silico对接实验，以及网格操作和服务的经验有关的问题报告的文件。这种大规模部署遇到的主要问题是网格基础设施的稳定性。虽然总体成功率超过80%，但在应用程序层面仍需要大量的监控和监督，以重新提交失败的作业。但是，这个实验展示了网格基础设施如何拥有巨大的能力，在相当长的一段时间内为目标明确的目标调动非常大的CPU资源。这一成功导致了针对禽流感神经氨酸酶N1的第二个计算挑战。
2006-11-17 cs.DC q-bio.QM
Empowering Chemical Structures with Biological Insights for Scalable Phenotypic Virtual Screening
State Key Laboratory of Chemo and Biosensing, College of Computer Science and Electronic Engineering（化学与生物传感国家重点实验室，计算机科学与电子工程学院；教育部长江超级计算与人工智能融合计算重点实验室）；The Ministry of Education Key Laboratory of Fusion Computing of Supercomputing and Artificial Intelligence（湖南大学）；Hunan University（人工智能与计算机科学学院）；School of Artificial Intelligence and Computer Science（江南大学）；Jiangnan University（计算机科学系）；Department of Computer Science（筑波大学）；University of Tsukuba（中医学学院）；School of Chinese Medicine（香港 Baptist 大学）；Hong Kong Baptist University（信息学院，国家健康与医学数据科学研究院）；School of Informatics, National Institute for Data Science in Health and Medicine
本文提出DECODE框架，通过将生物语义嵌入化学表示，实现基于结构的虚拟生物表型筛选，提升了药物机制预测和抗肿瘤药物发现的效率。
2026-03-16 cs.AI cs.LG q-bio.QM
HelixVS: Deep Learning-Enhanced Structure-Based Platform for Screening and Design
本文提出由深度学习增强的基于结构的虚拟筛选平台HelixVS，通过集成打分模型与筛选模块实现多阶段筛选，在近百个靶点上表现优于经典工具，并通过湿实验验证了其发现高亲和力配体的能力及分子设计扩展功能。
2025-10-14 q-bio.BM q-bio.QM
Link Mining for Kernel-based Compound-Protein Interaction Predictions Using a Chemogenomics Approach
虚拟筛选（VS）在计算药物发现过程中被广泛使用以降低成本。基于化学基因组学的虚拟筛选（CGBVS）可用于使用包括机器学习和数据挖掘在内的多种方法从已知的CPI网络数据预测新的化合物-蛋白质相互作用（CPI）。虽然CGBVS有助于高效和准确的CPI预测，但对于CPI未知的新化合物的预测性能较差。成对核方法（PKM）是一种最先进的CGBVS方法，对新化合物的预测具有很高的准确性。本文在链接挖掘的基础上，结合链接指示核（LIK）和化学相似性对PKM进行了改进，并对这些方法的准确性进行了评价。该方法的平均精确度-召回率曲线下面积（AUPR）值为0.562，高于传统的高斯相互作用轮廓（GIP）方法（0.425），计算时间仅增加了几个百分点。
2017-06-30 cs.CE q-bio.QM stat.ML
