DiffBindFR: An SE(3) Equivariant Network for Flexible Protein-Ligand Docking
本研究提出基于全原子扩散的柔性对接模型DiffBindFR，在配体运动与口袋侧链扭转的乘积空间运行，提升了结合结构预测的准确性与物理合理性，适配Apo和AlphaFold2结构的药物设计场景。
2023-12-19 q-bio.BM
Design of Ligand-Binding Proteins with Atomic Flow Matching
针对现有配体结合蛋白设计需已知结合构象的局限，该研究提出基于流匹配的AtomFlow模型，仅用靶分子2D图即可生成高保真结合蛋白，性能比肩前沿模型且具通用潜力。
2024-09-18 q-bio.BM
Hermes: Large DEL Datasets Train Generalizable Protein-Ligand Binding Prediction Models
Leash Biosciences, Inc.（Leash生物科学公司）
Hermes通过大规模DEL数据集训练，实现了无需传统亲和力测量的蛋白质-配体结合预测模型，具有高效推理能力与广泛泛化能力。
2026-02-13 q-bio.BM
Selected-fit versus induced-fit protein binding: Kinetic differences and mutational analysis
配体分子与蛋白质的结合通常伴随着蛋白质的构象变化。一个中心问题是配体是否诱导构象变化（诱导拟合），或者更确切地说，从蛋白质的基态和激发态的预先存在的平衡中选择并稳定互补构象（选择拟合）。在这里，我们认为在一个简单的四态模型的配体-蛋白质结合的结合动力学。在该模型中，蛋白质具有两种构象，这两种构象都可以结合配体。当配体关闭时，第一构象是蛋白质的基态，而当配体结合时，第二构象是基态。诱导配合机制对应于未结合基态中的配体结合，而选择配合机制对应于激发态中的配体结合。我们发现一个简单的，特征之间的差异，在这两种机制的上和关闭率，如果构象弛豫到基态是快速的。在选择拟合结合的情况下，结合速率取决于构象平衡常数，而解离速率是独立的。相反，在诱导拟合结合的情况下，解离速率取决于构象平衡，而结合速率是独立的。因此，蛋白质是否通过选择拟合或诱导拟合结合配体可以通过远离蛋白质结合口袋的突变或仅影响构象平衡的其他“扰动”来揭示。在选择匹配的情况下，这样的突变将仅改变结合速率，并且在诱导匹配的情况下，仅改变解离速率。
2008-09-03 q-bio.BM
A novel methodology on distributed representations of proteins using their interacting ligands
蛋白质的有效表示是一项至关重要的任务，直接影响许多生物信息学问题的性能。相关蛋白质通常与相似的配体结合。已知配体的化学特征捕获蛋白质的功能和机械性质，这表明基于配体的方法可以用于蛋白质表示。在这项研究中，我们提出了SMILESVec，一个基于SMILES的方法来表示配体和一种新的方法来计算蛋白质的相似性，通过描述他们的配体的基础上。利用其配体的SMILES字符串的字嵌入来定义蛋白质。在使用TransClust和MCL算法的蛋白质聚类任务中，对所提出的蛋白质描述方法的性能进行了评估。另外两种利用蛋白质序列的蛋白质表示方法，BLAST和ProtVec，以及两种基于复合指纹的蛋白质表示方法进行了比较。我们表明，基于配体的蛋白质表示，它只使用SMILES字符串的配体蛋白质结合，以及蛋白质序列为基础的表示方法在蛋白质聚类。结果表明，基于配体的蛋白质描述可以替代传统的基于序列或结构的蛋白质表示，这种新的方法可以应用于不同的生物信息学问题，如预测新的蛋白质-配体相互作用和蛋白质功能注释。
2018-01-30 q-bio.BM stat.ML
Two Complementary Methods for Relative Quantification of Ligand Binding Site Burial Depth in Proteins: The "Cutting Plane" and "Tangent Sphere" Methods
我们描述了两种互补的方法来定量的蛋白质-配体复合物中的配体和/或配体结合位点（LBS）的掩埋程度，即“切割平面”（CP）和“切球”（TS）的方法。为了构建CP和TS，需要两个质心：蛋白质分子质心（全局质心，GC）和LBS质心（局部质心，LC）。CP定义为通过LBS质心（LC）并垂直于通过LC和蛋白质分子质心（GC）的直线的平面。CP的“前侧”是不包含GC的一侧（“后侧”包含GC）。TS被定义为以GC为中心并在LC处与CP相切的球体。蛋白质原子的百分比（a.）在TS内，以及（b.）在CP的前侧，是配体或LBS埋深的两个互补量度，因为后者与（b.）与（a）成反比。我们使用67个充分表征的蛋白质-配体结构的测试集测试了CP和TS方法（Laskowski等人，1996），以及以球形整体形状的点的立方晶格网格形式的人工蛋白质的理论情况，并且其中可以指定任何深度的LBS。CP和TS方法的结果与Laskowski等人报告的数据非常吻合，理论计算结果进一步证实了这两种方法都是测量配体或LBS埋藏的合适方法。在这项研究之前，没有这样的数字测量LBS埋葬可用，因此没有办法直接和客观地比较不同蛋白质中的LBS深度。LBS埋藏深度是一个重要的参数，因为它通常与蛋白质在配体结合时经历的构象变化的量直接相关，并且量化它的能力可以允许蛋白质动力学和柔性的有意义的比较。
2015-02-07 q-bio.BM
The Computation of Cyclic Peptide with Prolin-Prolin Bond as Fusion Inhibitor of DENV Envelope Protein through Molecular Docking and Molecular Dynamics Simulation
由登革病毒（DENV）引起的疾病已成为世界性的主要健康问题。目前，由于登革热病毒的致病水平，没有有效的治疗方法可以克服这种疾病。一种新的治疗方法，如抗病毒药物是非常必要的，以应对登革热疾病。囊膜蛋白是登革病毒的一种非结构蛋白，参与病毒的融合过程。融合过程由蛋白质结构从二聚体到三聚体状态的构象变化介导。以往的研究表明，囊膜蛋白的二聚体结构上存在空腔。存在的配体可以进入囊膜蛋白的空腔，稳定二聚体结构或阻碍二聚体向三聚体的转变。以这种方式，可以防止熔化过程。本研究的目的是通过分子对接和分子动力学模拟设计具有脯氨酸-脯氨酸键的环肽作为登革病毒包膜蛋白的融合抑制剂。通过分子对接筛选了3，883个环肽，每个环肽都通过脯氨酸-脯氨酸键连接，得到了5个最佳配体。对这5种配体的药理和毒性进行了计算机模拟分析。结果表明，PYRRP是最佳配体。由于PAWRP与蛋白质空腔具有良好的亲和性，因此也被选为最佳配体。用分子动力学模拟分析了配体-蛋白质复合物的稳定性。结果表明，PYRRP配体能够在310 K和312 K下维持DENV包膜蛋白二聚体结构的稳定性。PAWRP配体在310 K时与DENV囊膜蛋白形成复合物的活性高于312 K。因此，PYRRP配体具有开发为DENV融合抑制剂的潜力。
2015-10-27 q-bio.BM
Size-Independent Quantification of Ligand Binding Site Depth in Receptor Proteins
我们已经开发了一个Web服务器，实现了两个互补的方法来量化的深度配体结合位点（LBS）在蛋白质-配体复合物：“割线平面”（SP）和“切球”（TS）的方法。首先确定蛋白质分子质心（全局质心，GC）和LBS质心（局部质心，LC）。SP是穿过LC并且垂直于穿过LC和GC的线的平面。SP的“外部侧”是与GC相对的一侧。TS是以GC为中心并在LC处与SP相切的球体。TS内的蛋白质原子百分比（TS指数）和SP外侧的蛋白质原子百分比（SP指数）是LBS深度的补充测量。SPi与LBS深度成正比，而TSi成反比。我们使用67个充分表征的蛋白质-配体结构的测试集（Laskowski，et al. 1996）以及以球形整体形状的点网格形式的人工蛋白质的测试集测试了这两种方法，其中可以指定任何深度的LBS。SP和TS方法的结果与报告的数据吻合良好（同上），人工案例的结果证实了这两种方法都是测量LBS深度的合适方法。Web服务器可以以两种模式使用。在“配体模式”中，用户输入蛋白质PDB坐标以及配体的坐标。“LBS模式”与前者相同，除了假定配体坐标不可用;因此用户输入他/她认为是LBS氨基酸残基的坐标。在这两种情况下，Web服务器输出SP和TS索引。LBS深度通常与蛋白质在配体结合时经历的构象变化的量直接相关-定量它的能力可以允许蛋白质柔性和动力学的有意义的比较。我们的网站服务器的URL将在适当的时候公布。
2015-12-15 q-bio.BM
PSLL: Persistent Sheaf Laplacian Learning for Protein-Ligand Binding Affinity Prediction
University of Georgia（佐治亚大学）；Michigan State University（密歇根州立大学）
提出持久层丛拉普拉斯学习（PSLL）框架，利用多尺度拓扑和原子电荷表示预测蛋白质-配体结合亲和力，在三个PDBbind基准上验证了强预测性能。
2026-09-09 q-bio.BM
SHREC 2022: Protein-ligand binding site recognition
本文评估了SHREC 2022竞赛中基于蛋白质几何结构识别配体结合位点的方法，发现简单非机器学习方法仍具竞争力，并指出数据不平衡是该任务的核心挑战。
2022-08-24 q-bio.BM
PyMOLfold: Interactive Protein and Ligand Structure Prediction in PyMOL
PyMOLfold是一个开源PyMOL插件，通过集成ESM3等AI模型实现蛋白质及配体结构预测与可视化，让用户能在同一平台内完成序列输入、折叠预测与3D结构探索。
2025-02-01 q-bio.BM
State-aware protein-ligand complex prediction using AlphaFold3 with purified sequences
提出一种基于 AF-ClaSeq 纯化序列子集的状态感知预测策略，通过引入 MSA 构象约束，成功纠正 AlphaFold3 在动态结合和新型化学型上的预测失败，显著提升了蛋白质-配体复合物预测的准确性。
2025-05-30 q-bio.BM
Split Optimization for Protein/Ligand Binding Models
在本文中，我们研究了使用机器学习进行药物结合预测的数据集中的潜在偏差。我们调查了最近发表的度量称为非对称验证嵌入（AVE）的偏见，这是用来量化这种偏见和检测过拟合。我们将其与略有修改的版本进行比较，并引入一个新的加权度量。我们发现，新的指标允许量化过拟合，同时不会过度限制训练数据，并产生具有更大预测价值的模型。
2020-01-09 q-bio.BM
Implementation of The Double-Centroid Reduced Representation of Proteins and its Application to the Prediction of Ligand Binding Sites and Protein-Protein Interaction Partners Using FORTRAN 77/90 Language
蛋白质三维结构从全原子表示（AAR）到双质心简化表示（DCRR）的转换是实现用于预测蛋白质中特异性配体结合位点（LBS）的四面体三维搜索基序（3D SM）方法，和用于预测二元蛋白质相互作用（PPI）配偶体的3D界面搜索基序四面体对（3DISMTP）方法（Reyes，V.M.，2015 a和c，2015 b，2009 a，b和c）。在这里，我们描述的结果表明，在从AAR到DCRR的转换和实施的三维SM和三维ISMTP方法中使用的FORTRAN 77和90的源代码集的功效。准确地说，我们在这里显示的生物学上重要的配体，GTP和唾液酸的三维SM的建设，从训练集组成的实验解决的结构的蛋白质与相关的配体复合，和他们随后使用的两个配体的潜在受体蛋白的筛选。我们还显示在这里的二元复合物，RAC：P67 PHOX和KAP：磷酸-CDK 2的三维ISMTP的建设，从一个训练集组成的实验解决的复合物，和他们随后使用的两个复合物的潜在的原异构体的筛选。在AAR到DCRR的转换中使用的15个FORTRAN程序以及所述两种方法的实现是：get_bbn.f、get_sdc.f、res2cm_bbn. f、res2cm_sdc. f、nrst_ngbr.f、find_Hbonds.f、find_VDWints.f、find_clusters. f90、find_trees.f90、find_edgenodes.…
2015-11-30 q-bio.BM
UMA-Inverse: Ligand-Conditioned Protein Inverse Folding with a Distogram-Supervised Dense Pair Encoder
研究旨在设计结合特定配体的蛋白质序列，提出UMA-Inverse模型，用密集对表示编码器取代LigandMPNN的稀疏图主干，该模型紧凑，在界面恢复率上略落后于LigandMPNN，但能表征密集编码器对配体信息的分布。
2026-07-10 q-bio.BM
Synthetic Protein-Ligand Complex Generation for Deep Molecular Docking
针对实验蛋白质-配体复合物数据稀缺问题，提出一种程序化生成与验证合成复合物的新工作流程，实验表明合成数据训练的对接模型性能与实验数据相当，但未显著超越传统方法。
2025-09-16 q-bio.BM
Sequence-based prediction of function site and protein-ligand interaction by a functionally annotated domain profile database
蛋白质功能位点（PFSs）和蛋白质与配体相互作用（PLIs）的识别对于理解蛋白质功能和所涉及的生化反应至关重要。后基因组时代，大量未知蛋白质的快速积累，迫切需要在剩余水平上预测PFSs和PLIs。目前，许多基于知识的预测方法已经发展得很好，但PLI的准确预测方法仍然缺乏。在本研究中，我们提出了一种基于查询蛋白质序列的PLI和PFS预测的新方法。该方法的关键在于一个功能和相互作用注释的蛋白质结构域概况数据库，称为fiDPD，这是建立在蛋白质结构分类（SCOP）数据库，使用隐马尔可夫模型程序。该方法应用于最近的结构预测临界评估（CASP 10/11）中的13种靶蛋白。我们的计算给出了一个马修斯相关系数（MCC）值为0.66的预测PFS，和80%的召回预测PLIs。我们的方法揭示了PLIs在蛋白质的进化过程中是保守的，并且它们可以从fiDPD可靠地预测。fiDPD可用作现有生物信息学工具的补充，用于蛋白质功能注释。
2017-01-27 q-bio.BM
Ligand-induced protein dynamics differences correlate with protein-ligand binding affinities: An unsupervised deep learning approach
蛋白质-配体结合亲和力的预测是药物发现的主要目标。通常，自由能隙是在两个状态之间计算的（例如，配体结合和未结合）。能隙隐含地包括由结合配体诱导的蛋白质动力学变化的影响。然而，蛋白质动力学和结合亲和力之间的关系仍然不清楚。在这里，我们提出了一种新的方法，表示蛋白质的行为变化后，配体结合一个简单的功能，可用于预测蛋白质-配体亲和力。根据无偏见的分子模拟数据，无监督的深度学习方法根据结合的配体来测量配体结合位点处蛋白质动力学的差异。降维方法提取与结合亲和力强相关的动态特征。此外，在蛋白质与配体相互作用中起重要作用的残基是基于它们对差异的贡献来指定的。这些结果表明了基于动力学的药物发现的潜力。
2021-09-03 physics.bio-ph physics.chem-ph q-bio.BM
Rigidity strengthening is a vital mechanism for protein-ligand binding
蛋白质-配体结合是几乎所有生命过程所必需的。蛋白质与配体相互作用的理解对于合理的药物设计和蛋白质设计是至关重要的。基于大规模的数据集，我们表明，蛋白质刚性增强或柔性降低是一个枢转机制，在蛋白质配体结合。我们的方法完全基于刚性是能够揭示一个令人惊讶的长范围的贡献的四个残基层的蛋白质-配体结合，这对药物和蛋白质设计的衍生物。此外，目前的工作表明，在各种成对相互作用中，范德瓦尔斯直径范围内的短程相互作用是最重要的。结果发现，本方法优于所有其他国家的最先进的评分功能的蛋白质-配体结合亲和力预测的两个基准数据集
2017-03-31 physics.chem-ph q-bio.BM
EISA-Score: Element Interactive Surface Area Score for Protein-Ligand Binding Affinity Prediction
分子表面表征被认为是研究蛋白质结构和功能的重要工具，包括蛋白质-配体结合亲和力建模。然而，传统的基于表面积的方法无法提供有竞争力的性能上的能量评分任务。主要原因是缺乏关键的物理和化学相互作用编码的分子表面代。我们提出了新的分子表面表示嵌入在不同尺度的元素交互流形具有显着的降维和准确的物理和生物特性编码器。这些低维基于表面的描述符可以与任何先进的机器学习算法配对，以探索产生基于元素交互表面积的评分函数（EISA-score）的基本结构-活性关系。新开发的EISA-score在标准PDBbind基准测试中的表现优于许多最先进的模型，包括各种成熟的表面相关表示。
2022-06-01 q-bio.BM
Leveraging Conformational Diversity for Enhanced Structure-Based Virtual Screening: Insights from Molecular Dynamics Simulations of HIV-1 Protease-Ligand Complexes
本研究利用79个HIV-1蛋白酶-配体复合物，通过分子动力学模拟和RMSD聚类保留构象多样性，证明多构象结合能计算能显著提升基于结构虚拟筛选的预测可靠性。
2025-07-13 q-bio.BM
FlexSBDD: Structure-Based Drug Design with Flexible Protein Modeling
FlexSBDD通过流匹配框架和E(3)-等变网络建模蛋白质柔性构象变化，结合结构弛豫与侧链重包装数据增强，在结构基药物设计中实现高亲和力分子生成并减少空间位阻冲突。
2024-09-29 q-bio.BM
Persistent local Laplacian prediction of protein-ligand binding affinities
Mathematical Science Research Center, Chongqing University of Technology（重庆理工大学数学科学研究中心）；Department of Mathematics and Statistics, University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校数学与统计系）
本文提出持久局部拉普拉斯理论，用于构建捕捉生物分子局部几何和拓扑特征的分子描述符，结合先进机器学习算法，实现对蛋白质-配体结合亲和力的准确预测。
2026-03-23 q-bio.BM
FlexVDW: A machine learning approach to account for protein flexibility in ligand docking
Stanford University（斯坦福大学）
最广泛使用的配体对接方法假定刚性蛋白质结构。当靶蛋白的结构在配体结合时变形时，这导致问题。特别是，配体的真实结合位姿通常由于配体和蛋白质原子之间的明显冲突而被非常不利地评分，这导致计算的范德华能量项的极高值。传统上，这个问题已经通过明确寻找受体构象来解决，以解释受体在配体结合中的灵活性。在这里，我们提出了一个经过训练的深度学习模型，在预测范德华能量时隐式地考虑受体的灵活性。我们表明，将这种机器学习的能量项纳入最先进的基于物理学的评分函数中，可以在蛋白质变形较大的情况下改善小分子配体姿势预测结果，而不会在蛋白质变形最小的情况下降低性能。这项工作证明了学习蛋白质的灵活性对配体结合的影响的可行性，而无需明确建模蛋白质结构的变化。
2023-03-20 cs.LG q-bio.BM
DeepRLI: A Multi-objective Framework for Universal Protein--Ligand Interaction Prediction
本文提出 DeepRLI 多目标框架，通过全连接图、余弦包络图 transformer、物理信息模块与对比学习同时优化评分、对接和筛选，实现通用蛋白质-配体相互作用预测。
2024-01-19 q-bio.BM
Generalized Protein Pocket Generation with Prior-Informed Flow Matching
本文提出PocketFlow，一种基于流匹配并融合蛋白质-配体相互作用先验的生成模型，通过多粒度引导生成高亲和力口袋，在多个基准上优于现有方法，并支持小分子、多肽和RNA等多种配体模态。
2024-09-29 q-bio.BM
Assessing interaction recovery of predicted protein-ligand poses
Exscientia（埃克桑西亚公司）
本文指出蛋白质-配体姿态预测研究常忽视相互作用指纹评估，导致模型性能被高估，尤其是在共折叠模型中，并提出应直接评估相互作用恢复情况。
2024-09-30 cs.LG q-bio.BM
Algebraic graph learning of protein-ligand binding affinity
虽然基于代数图论的模型已被广泛应用于物理建模和分子研究中，但与其他定量方法相比，它们通常不能胜任生物分子性质的分析和预测。有必要探讨的能力和限制代数图论的分子和生物分子建模，分析和预测。在这项工作中，我们提出了新的代数图学习（AGL）模型，编码高维物理和生物信息到本质上低维表示。所提出的AGL模型引入多尺度加权有色子图来描述关键的分子和生物分子的相互作用，通过与图形拉普拉斯算子，其伪逆，和相邻矩阵相关的图形不变量。此外，AGL模型与先进的机器学习算法相结合，将生物分子结构的低维图形表示与其宏观特性相联系。三个流行的蛋白质-配体结合亲和力基准，即CASF-2007，CASF-2013和CASF-2016，被用来验证本AGL模型的准确性，鲁棒性和可靠性。数值结果表明，所提出的AGL方法优于其他国家的最先进的方法在蛋白质-配体复合物的结合亲和力的预测。
2018-12-20 q-bio.BM
Implementation of the Tangent Sphere and Cutting Plane Methods in the Quantitative Determination of Ligand Binding Site Burial Depths in Proteins Using FORTRAN 77/90 Language
配体埋藏深度是蛋白质柔性的指标，因为结合配体所需的受体构象变化的程度通常直接随其埋藏深度而变化。在一篇配套论文中（Reyes，V.M. 2015年a），我们报告了切线球（TS）和切割平面（CP）方法-定量的互补方法，独立于蛋白质大小，蛋白质受体中配体埋葬的程度。在这份报告中，我们提出的结果，证明了一组FORTRAN 77和90源代码的有效性，用于实现两个相关的程序，以及精确的实施程序。特别是，我们在这里表明，TS和CP方法的理论模型蛋白质的球形网格点的形式的应用程序准确地描绘了TS和CP指数的行为，从这两种方法获得的预测参数。我们还表明，TS和CP方法对6种蛋白质受体的实施结果（Laskowski et al. 1996）与他们关于这些蛋白质中空腔大小的发现不一致。我们在这里介绍的六个FORTRAN程序是：find_molec_centr.f、tangent_sphere.f、find_CP_coeffs.f、CPM_Neg_Side.f、CPM_Pos_Side.f和CPM_Zero_Side. f。第一个程序计算蛋白质的分子几何质心（全局质心，GC）（TS的中心）的x、y和z坐标。其半径是GC和局部质心（LC）、结合配体的质心或其结合位点的一部分之间的距离。第二个程序计算TS内部、外部和上的蛋白质原子数。第三步确定CP方程的四个系数A、B、C和D，Ax + By + Cz + …
2015-11-30 q-bio.BM
Ligand Binding, Protein Fluctuations, and Allosteric Free Energy
虽然蛋白质动力学在蛋白质功能中的重要性已被普遍认识，但蛋白质波动在变构效应中的作用却很少被考虑。为了解决这一差距，Kullback-Leibler分歧（Dx）蛋白质构象分布之前和之后的配体结合被提出作为一种手段，量化蛋白质中的变构效应。在这里，以前的应用Dx蛋白质的分析和模拟的方法进行了第一次审查，并讨论了它们对理解蛋白质功能和蛋白质进化方面的影响。其次，Dx的方程表明，k_{B} TDx应解释为变构自由能--与将无配体蛋白质构象分布改变为配体结合构象分布相关的自由能。这种解释导致变构转换的热力学模型，统一现有的观点之间的关系配体结合和蛋白质构象分布的变化。Dx的定义是用来探索一些有趣的数学关系，通常公认的热力学和生物物理量，如总自由能变化配体结合，和配体-结合亲和力的个别蛋白质构象。这些结果代表了一个理论框架的开始，考虑在建模变构转换的全蛋白质构象分布。早期的应用框架产生的结果与影响的粗粒度建模的蛋白质的方法，并了解配体结合和蛋白质动力学之间的关系。
2006-07-03 q-bio.BM q-bio.QM
Protein-ligand interaction study to identify potential dietary compounds binding at the active site of therapeutic target proteins of SARS-CoV-2
目的：从不同的印度药用植物和饮食来源中筛选出186种生物学上重要的苯丙素类和聚酮化合物，以筛选出与SARS-CoV-2治疗靶蛋白活性位点结合的潜在化合物。方法：利用Autodock Vina进行分子对接研究。从SwissADME服务器预测化合物的计算机模拟ADMET和药物样性质。测试结果：对186个化合物与SARS-CoV-2治疗靶蛋白（Mpro、PLpro、RdRp、SGp和ACE 2）进行了分子对接研究，发现40个化合物与SARS-CoV-2治疗靶蛋白结合在活性位点上，对接分数大于-8.0 kcal/mol。结论：基于对40个化合物的计算机ADMET研究和药物相似性预测，我们在186个具有重要生物学意义的苯丙素类和聚酮化合物中，提出矮牵牛素、黄芩素、矢车菊素、7-羟基-3 '，4'-亚甲二氧基黄烷、槲皮素和鞣花酸为潜在先导化合物，可进一步进行生物学和临床研究，以制定COVID-19的治疗方法。
2020-05-24 q-bio.BM
Memetic Algorithms for Ligand Expulsion from Protein Cavities
配体通过蛋白质的扩散是控制生物信号传导和酶催化的基本过程。蛋白质隧道的复杂拓扑结构导致用标准分子动力学（MD）模拟计算配体逃逸途径的困难。在这里，提出了两种新的方法来搜索配体的出口途径和腔探索：记忆随机加速MD（mRAMD），和模因算法（MA）。在mRAMD中，寻找退出途径是基于非马尔可夫偏置，其被引入以优化解约束力。在MA中，混合学习协议被用来预测最佳配体退出路径。该方法进行了测试，对三种蛋白质的隧道越来越复杂：M2毒蕈碱受体，腈水合酶，细胞色素P450凸轮。在这些情况下，所提出的方法优于目前用于寻找配体排出途径的标准技术。所提出的方法是通用的，适合于通过蛋白质隧道网络的物体的加速运输。
2019-03-20 physics.chem-ph q-bio.BM
ETDock: A Novel Equivariant Transformer for Protein-Ligand Docking
College of Electronics and Information Engineering, Shenzhen University（深圳大学电子与信息工程学院）；Tencent AI Lab（腾讯AI实验室）
ETDock提出了一种等变变换器网络，通过融合配体图层面特征和迭代优化生成优化配体姿态，实现蛋白质-配体结合预测的高性能表现。
2026-01-03 cs.LG q-bio.BM
Composite structural motifs of binding sites for delineating biological functions of proteins
大多数生物过程被描述为蛋白质和其他分子之间的一系列相互作用，而相互作用又被描述为原子结构。为了在原子分辨率下将蛋白质功能注释为相互作用状态的集合，从而更好地理解蛋白质相互作用与生物功能之间的关系，我们对包括小分子、蛋白质和核酸在内的配体的所有已知结合位点进行了详尽的全对全原子结构比较，并确定了重复的基本基序。通过整合与每个子单元相关联的基本图案，我们定义了复合图案，它代表了基本图案的上下文相关的组合。它表明，功能相似性可以更好地推断从复合模体的相似性相比，蛋白质序列或单个结合位点的相似性。通过整合与每个蛋白质功能相关的复合基序，我们定义了元复合基序，每个基序都被认为是一个与时间无关的生物过程的图形表示。结果表明，元复合图案提供更丰富的生物过程的注释比序列簇。目前的结果作为一个基础，桥接原子结构的高阶生物现象的分类和整合的结合位点结构。
2011-12-21 q-bio.BM q-bio.MN
Conformational selection in protein binding and function
蛋白质结合和功能通常涉及构象变化。先进的NMR实验表明，这些构象变化可以发生在配体分子（或与结合配体）的情况下，并且配体可以“选择”结合（或解结合）的蛋白质构象。在这篇综述中，我们认为，这种构象选择需要过渡时间的配体结合和解结合，是小的相比，在不同的构象，这是合理的小配体分子的蛋白质的停留时间。这种时间尺度的分离导致结合/解结合事件和构象变化的解耦和时间排序。我们认为，构象选择和诱导变化过程（如诱导拟合）是同一枚硬币的两面，因为时间顺序在绑定和解除绑定的方向是相反的。构象选择过程的特征在于在结合或解结合事件之前发生的构象激发，而诱导变化过程表现出在结合或解结合事件之后发生的特征性构象松弛。我们讨论了如何可以确定从弛豫速率和有效的开和关速率混合实验中确定的事件的顺序，并从先进的NMR或单分子FRET实验中测得的构象交换率。对于较大的配体分子，如肽，构象变化和结合事件可以错综复杂地耦合，并表现出构象选择和诱导的变化过程在结合和解结合方向的方面。
2014-09-09 q-bio.BM
Persistent Directed Flag Laplacian (PDFL)-Based Machine Learning for Protein-Ligand Binding Affinity Prediction
本文提出持久有向旗拉普拉斯算子（PDFL），结合有向旗复形与谱图理论及机器学习，用于蛋白质-配体结合亲和力预测，在三个基准数据集上优于现有方法，具有高准确性和简便性。
2024-11-07 q-bio.BM
The Role of Protein Electrostatics in Facilitating the Catalysis of DEAD-box Proteins
蛋白质的静电状态在催化、配体结合、蛋白质稳定性和变构效应的调节中起着至关重要的作用。静电状态被证明是保守的DEAD盒图案和证据表明，发生的结构变化，DEAD盒蛋白配体结合后改变的DEAD盒图案静电的方式，有利于催化作用的DEAD盒谷氨酸。
2008-10-09 q-bio.BM
Exploring Data-Driven Chemical SMILES Tokenization Approaches to Identify Key Protein-Ligand Binding Moieties
本文构建基于tf-idf的语言启发流程，比较BPE、WordPiece和Unigram生成的化学词，识别与蛋白质-配体结合相关的靶点特异性药效团和官能团。
2023-09-25 q-bio.BM
Group Ligands Docking to Protein Pockets
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Tsinghua University（清华大学）；University of Chinese Academy of Sciences（中国科学院大学）；Peking University（北京大学）；University of Washington（华盛顿大学）；Georgia Institute of Technology（佐治亚理工学院）；Helixon Research（Helixon研究院）
针对现有分子对接方法孤立处理蛋白质-配体对的局限，提出GroupBind框架，通过引入配体组交互层和三角形注意力模块同时考虑多配体对接，结合扩散模型在PDBBind基准上取得新S性能。
2025-01-25 cs.AI q-bio.BM
Protein-ligand binding representation learning from fine-grained interactions
Institute for AI Industry Research, Tsinghua University（清华大学人工智能产业研究院）；School of Life Sciences, Tsinghua University（清华大学生命科学学院）
本文提出一种基于自监督学习的蛋白质-配体结合表征方法，通过Transformer相互作用模块和两个细粒度预训练任务建模结合模式，在亲和力预测、虚拟筛选和对接任务上表现优越。
2023-11-09 cs.LG q-bio.BM
Topological fingerprints reveal protein-ligand binding mechanism
蛋白质-配体结合是一个重要的生物学过程，它与信号转导、代谢途径、酶的构建、细胞分泌、基因表达等诸多生物学过程密切相关。蛋白质-配体结合亲和力的准确预测对于合理的药物设计、蛋白质-配体结合及其诱导功能的理解至关重要。现有的结合亲和力预测方法充斥着几何细节并且涉及过高的维度，这削弱了它们对大量结合数据的预测能力。拓扑提供了一个最终的抽象层次，从而导致几何信息的大量减少。持久同调将几何信息嵌入到拓扑不变量中，在复杂几何和抽象拓扑之间架起了一座桥梁。然而，它过度简化了生物信息。在拓扑简化过程中，引入元素特异性持续同源性（ESPH）来保留重要的生物信息。ESPH和机器学习的结合成为揭示蛋白质-配体结合机制和预测结合亲和力的最有效、最强大的工具之一。
2017-03-31 q-bio.BM q-bio.QM
HemePLM-Diffuse: A Scalable Generative Framework for Protein-Ligand Dynamics in Large Biomolecular System
本文提出生成式Transformer框架HemePLM-Diffuse，通过SE(3)-不变分词和时间感知交叉注意力扩散，实现万原子级蛋白质-配体轨迹模拟、片段补全与过渡路径采样，并在3CQV HEME体系上优于TorchMD-Net等现有模型。
2025-08-07 cs.LG q-bio.BM
MotifBench: A standardized protein design benchmark for motif-scaffolding problems
Shanghai Jiao Tong University（上海交通大学）；Tsinghua University（清华大学）；Oxford University（牛津大学）；NVIDIA（英伟达）；Microsoft Research（微软研究院）；Massachusetts Institute of Technology（麻省理工学院）；University of Washington（华盛顿大学）；Stanford University（斯坦福大学）
针对基序支架评估口径不一的问题，本文提出标准化基准 MotifBench，提供统一流程、指标、30 个更难问题及开源排行榜，以提升结果可比性与可复现性。
2025-02-19 cs.LG q-bio.BM
MOLS 2.0: Software Package for Peptide Modelling and Protein-Ligand Docking
MOLS 2.0的源代码和二进制文件是免费发布的（在GNU Lesser General Public License下）。它们可以在https://sourceforge.net/projects/mols2-0/files/上免费下载。
2016-09-24 physics.bio-ph q-bio.BM
Numerical calculation of protein-ligand binding rates through solution of the Smoluchowski equation using smooth particle hydrodynamics
背景扩散控制配体结合速率的计算对于理解酶的作用机制以及设计酶抑制剂是重要的。我们证明了拉格朗日粒子为基础的方法，光滑粒子流体动力学（SPH），研究扩散在生物分子系统的数值求解时间依赖性Smoluchowski方程连续扩散的准确性和有效性。结果数值方法首先在简单的系统中得到验证，然后应用于计算配体结合到乙酰胆碱酯酶单体。与以往的研究不同，反应罗宾边界条件（BC），而不是绝对吸收（狄利克雷）的边界条件，被认为是反应边界。这种新的边界条件处理允许分析具有“不完美”反应速率的酶。速率抑制剂结合到mAChE计算在不同的离子强度，并与实验和其他数值方法进行比较。我们发现，施加罗宾BC提高计算和实验反应速率之间的一致性。结论.虽然这个最初的应用程序集中在一个单一的单体系统，我们的新方法提供了一个框架，探索更广泛的应用SPH在大规模的生物分子复合物，利用其拉格朗日粒子为基础的性质。
2015-01-17 q-bio.BM
Effects of ligand binding on the energy landscape of acyl-CoA-binding protein
配体的结合通常对功能至关重要，但配体结合对蛋白质的机械稳定性和能量景观的影响尚未完全了解。在这里，我们使用单分子光镊和分子动力学模拟相结合，研究配体结合对酰基辅酶A（CoA）结合蛋白（ACBP）的能量景观的影响。ACBP是一种拓扑结构简单且高度保守的四-α-螺旋束蛋白，其充当脂肪酰CoA的细胞内转运蛋白和缓冲剂，并且在膜组装中具有活性。我们以前描述的ACBP在张力下的行为，揭示了一个高度扩展的过渡态（TS）位于几乎一半的未折叠和天然状态之间。在这里，我们进行了力斜坡和力跳跃实验，结合先进的统计分析，表明辛酰辅酶A结合ACBP的去折叠反应的活化自由能增加，而不影响沿反应坐标的过渡态的位置。由此可见，配体结合增强了蛋白质的机械阻力和热力学稳定性，而不改变其机械顺应性。转向分子动力学模拟使我们能够合理的辛酰辅酶A与ACBP的四个α-螺旋建立的关键相互作用方面的结果，并表明，解折叠途径是轻微受配体。结果表明，配体诱导的机械稳定化效应可能是复杂的，并可能被证明是有用的稳定配体的合理设计。
2021-11-27 physics.bio-ph q-bio.BM
Curvature-Informed Potential Energy Surface for Protein-Ligand Binding Affinity Prediction
Sun Yat-Sen University（中山大学）；City University of Hong Kong（香港城市大学）
提出曲率信息势能面图神经网络CPES，通过物理启发的曲率表示建模构象柔性，结合光谱交叉注意力捕获结合诱导的动力学变化，提升亲和力预测性能。
2026-06-15 cs.LG q-bio.BM
Protein-Ligand Scoring with Convolutional Neural Networks
University of Pittsburgh（匹兹堡大学）；The College of New Jersey（新泽西学院）
药物发现的计算方法可以减少与实验测定相关的时间和成本，并能够筛选新的化学型。基于结构的药物设计方法依赖于评分函数来排名和预测结合亲和力和姿态。不断扩大的蛋白质-配体结合和结构数据量使得能够使用深度机器学习技术进行蛋白质-配体评分。我们描述了卷积神经网络（CNN）评分函数，该函数将蛋白质-配体相互作用的全面3D表示作为输入。CNN评分函数自动学习与结合相关的蛋白质-配体相互作用的关键特征。我们训练和优化我们的CNN评分函数，以区分正确和不正确的绑定姿势以及已知的绑定器和非绑定器。我们发现，我们的CNN评分功能优于AutoDock Vina评分功能时，排名姿势预测和虚拟筛选。
2016-12-08 cs.LG q-bio.BM stat.ML
Ligand-Conditioned Discrete Diffusion for Protein Sequence-Structure Co-Design
Xi’an University of Posts & Telecommunications（西安邮电大学）；National University of Singapore（新加坡国立大学）；Xi’an Jiaotong University（西安交通大学）；Institute of Systems Medicine, Chinese Academy of Medical Sciences（中国医学科学院系统医学研究院）
提出配体条件离散扩散模型ProtLiD²，通过几何感知交叉注意力联合生成氨基酸序列和离散结构令牌，实现配体约束下的蛋白质序列-结构协同设计，显著提升全局折叠置信度和配体感知通过率。
2026-05-15 cs.AI q-bio.BM
Visualizing Convolutional Neural Network Protein-Ligand Scoring
University of Pittsburgh（匹兹堡大学）
蛋白质配体评分是基于结构的药物设计流程中的重要步骤。选择正确的结合姿势和预测蛋白质-配体复合物的结合亲和力使得能够进行有效的虚拟筛选。机器学习技术可以利用越来越多的结构化数据，这些数据正变得公开可用。卷积神经网络（CNN）评分函数特别地在蛋白质-配体复合物的姿态选择和亲和力预测中显示出前景。神经网络以难以解释而闻名。了解特定网络的决策可以帮助调整参数和训练数据，以最大限度地提高性能。神经网络的可视化有助于将复杂的评分函数分解成更容易被人类解析的图片。在这里，我们提出了三种方法来可视化如何通过3D卷积神经网络解释单个蛋白质-配体复合物。我们还提供了卷积滤波器及其权重的可视化。我们描述了这些可视化提供的直觉如何帮助网络设计。
2018-03-06 cs.LG q-bio.BM stat.ML
Learning protein constitutive motifs from sequence data
对进化相关的蛋白质序列的统计分析提供了关于它们的结构、功能和历史的见解。我们表明，限制玻尔兹曼机（RBM），旨在学习复杂的高维数据及其统计特征，可以有效地从序列信息的蛋白质家族建模。在这里，我们将RBM应用于20个蛋白质家族，并提出了详细的结果，两个短蛋白质结构域，Kunitz和WW，一个长的伴侣蛋白，Hsp 70，和合成的晶格蛋白的基准。RBM推断的特征是生物学上可解释的：它们与结构（如残基-残基三级接触、延伸的二级基序（$α$ -螺旋和$β$ -折叠）和固有无序区域）、功能（如活性和配体特异性）或系统发育一致性相关。此外，我们利用RBM设计新的蛋白质序列与推定的性质，通过组合和向上或向下的不同模式的意愿。因此，我们的工作表明，RBM是一个通用的和实用的工具，揭示和利用蛋白质家族的基因型-表型关系。
2019-02-27 q-bio.BM q-bio.QM
Unsupervised Protein-Ligand Binding Energy Prediction via Neural Euler's Rotation Equation
Broad Institute of MIT and Harvard（麻省理工学院和哈佛大学博德研究所）
针对标记数据有限的药物结合预测难题，提出基于SE(3)去噪得分匹配的无监督框架，通过NERE等变网络建模原子作用力与扭矩预测旋转，在基准上超越无监督基线并匹配抗体场景下的监督方法。
2023-12-12 cs.LG q-bio.BM
Relationships between ligand binding sites, protein architecture and correlated paths of energy and conformational fluctuations
解释了天然蛋白质能量和残基位置波动的统计热力学基础。蛋白质及其周围环境被视为一个典型的系统，强调两者之间的能量交换的影响。能量的波动与残基位置的波动有关，而残基位置的波动又与蛋白质的连接矩阵有关，从而在能量波动途径和蛋白质结构之间建立了联系。该模型给出了配体结合的热点位置，并确定了蛋白质内能量传导的途径。结果进行了讨论，在两套模型，BPTI和12个蛋白质，含有PDZ结构域。可能使用的模型确定功能相似的结构域在一个不同的蛋白质组中指出。
2011-05-04 cond-mat.soft physics.bio-ph q-bio.BM
Target-aware Variational Auto-encoders for Ligand Generation with Multimodal Protein Representation Learning
FPT Software AI Center（FPT软件人工智能中心）；Indiana State University（印第安纳州立大学）
提出 TargetVAE，结合基于图 Transformer 的多模态蛋白质表示网络 PMN，无需特定口袋即可为任意蛋白质靶标生成高结合亲和力配体。
2023-08-02 cs.LG q-bio.BM
