CompassDock: Comprehensive Accurate Assessment Approach for Deep Learning-Based Molecular Docking in Inference and Fine-Tuning
Berlin Institute for Medical Systems Biology (BIMSB)(柏林医学系统生物学研究所);Max Delbrück Center (MDC)(马克斯·德尔布吕克中心)
本文提出Compass评估框架及CompassDock方法,通过PoseCheck和AA-Score全面分析PDBBind噪声,并结合DiffDock在推理与微调中提升分子对接的物理化学与生物活性有利性。
2024-10-01 cs.LG q-bio.QM
SigmaDock: Untwisting Molecular Docking With Fragment-Based SE(3) Diffusion
Department of Statistics, University of Oxford(牛津大学统计系)
SigmaDock通过基于片段的SE(3)扩散模型,利用结构化学的归纳偏差分解配体为刚体片段,并在结合口袋中重新组装这些片段,实现高精度的分子对接。
2026-03-25 cs.LG q-bio.QM
Molecular Embedding-Based Algorithm Selection in Protein-Ligand Docking
Division of Natural and Applied Sciences, Duke Kunshan University(杜克昆山大学自然科学与应用科学系);Machine Learning Department, Mohamed bin Zayed University of Artificial Intelligence(莫扎德人工智能大学机器学习系)
提出MolAS轻量级算法选择模型,利用预训练蛋白质和配体嵌入的注意力池化与浅层残差解码器预测对接算法性能,在五个基准上相比单一最优算法绝对提升高达15个百分点,并缩小了与虚拟最优算法之间17-66%的差距。
2026-06-01 cs.LG q-bio.QM
PoseBusters: AI-based docking methods fail to generate physically valid poses or generalise to novel sequences
Department of Statistics, 24-29 St Giles’, Oxford OX1 3LB, United Kingdom.(英国牛津圣吉尔斯街24-29号统计系)
本文提出PoseBusters工具,通过RDKit评估深度学习对接方法的物理合理性和泛化能力,发现经典方法仍优于深度学习方法,揭示分子力学力场的重要性。
2023-11-28 physics.chem-ph q-bio.QM
DEL-Dock: Molecular Docking-Enabled Modeling of DNA-Encoded Libraries
Unknown University(未知大学);University of Chicago(芝加哥大学)
DNA编码文库(DEL)技术通过使得能够有效测试组合产生的分子文库而使得命中鉴定方面的显著进步成为可能。DEL筛选通过对标记有独特DNA条形码的分子的测序读数来测量蛋白质结合亲和力,所述独特DNA条形码在一系列选择实验中存活。已经部署了计算模型来学习与测序计数数据相关的潜在结合亲和力;然而,这种相关性经常被在其复杂的数据生成过程中引入的各种噪声源所混淆。为了对DEL计数数据进行降噪并筛选具有良好结合亲和力的分子,计算模型需要在其建模结构中进行正确的假设,以捕获数据背后的正确信号。DEL模型的最新进展主要集中在计数数据的概率公式上,但现有的方法迄今为止仅限于利用2-D分子水平表示。我们引入了一个新的范例,DEL-Dock,它结合了基于配体的描述符与停靠蛋白质-配体复合物的3-D空间信息。三维空间信息使我们的模型能够学习实际的结合方式,而不仅仅是使用配体的基于结构的信息。我们表明,我们的模型是能够有效地去噪DEL计数数据预测分子富集分数,更好地与实验结合亲和力测量相比,以前的作品。此外,通过学习对接姿势的集合,我们证明了我们的模型,仅在DEL数据上训练,隐式学习执行良好的对接姿势选择,而不需要来自昂贵的蛋白质晶体结构的外部监督。
2022-12-14 cs.LG q-bio.QM
Enrichment Score: a better quantitative metric for evaluating the enrichment capacity of molecular docking models
针对LogAUC评估分子对接富集能力时依赖截止参数导致不稳定的问题,提出基于诱饵数量选择参数的归一化指标enrichment score,实现了更直观、稳定且跨曲线的可靠比较。
2023-05-22 q-bio.QM stat.AP
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
PocketVina Enables Scalable and Highly Accurate Physically Valid Docking through Multi-Pocket Conditioning
PocketVina是一个结合口袋预测与多口袋探索的对接框架,在多个基准上实现了高精度的物理有效对接,并在大规模数据集上以更低资源消耗优于深度学习基线,适用于高通量虚拟筛选。
2025-06-24 cs.LG q-bio.BM q-bio.QM
Hit and Lead Discovery with Explorative RL and Fragment-based Molecule Generation
MIT(麻省理工学院);Onepredict(Onepredict公司);Galux inc.(Galux公司);AITRICS(AITRICS公司);KAIST(韩国科学技术院)
最近,利用强化学习(RL)来生成具有所需性质的分子已被强调为药物设计的有前途的策略。一个分子对接程序--一种估计蛋白质-小分子结合亲和力的物理模拟--可以成为RL的理想奖励评分函数,因为它是治疗潜力的直接代理。然而,这项任务仍面临两个迫在眉睫的挑战。首先,模型通常不能产生化学上真实的和药理学上可接受的分子。其次,对接分数优化是一个困难的探索问题,涉及许多局部最优解和相对于分子结构的不太光滑的表面。为了解决这些挑战,我们提出了一种新的RL框架,产生药理学上可接受的分子与大的对接得分。我们的方法-基于片段的生成RL与药物设计的探索性经验重放(FREED)-将生成的分子限制在一个现实和合格的化学空间中,并通过耦合我们基于片段的生成方法和新的错误优先经验重放(PER)来有效地探索寻找药物的空间。我们还表明,我们的模型表现良好的从头和脚手架为基础的计划。与现有方法相比,我们的模型产生更高质量的分子,同时在所产生分子的对接分数方面在三个目标中的两个上实现最先进的性能。我们进一步表明,与消融研究,我们的方法,预测误差PER(自由(PE)),显着提高了模型的性能。
2021-10-27 cs.AI cs.LG q-bio.QM
Ivermectin and Doxycycline Combination as a Promising Drug Candidate Against SARS-CoV-2 Infection: A Computational Study
在本研究中,我们已经描述了如何通过使用分子对接和分子动力学(MD)模拟研究伊维菌素和多西环素的组合药物可以作为一个潜在的抑制剂,SARS-CoV-2病毒。为了替代迄今为止无法获得COVID-19的特异性治愈,医疗从业者/科学家已经探索了用于CoV-2感染的治疗目的的单独和组合药物的各种可能性。$3CL^{pro}$是SARS-CoV-2病毒的主要蛋白酶,在介导病毒在人体内复制中起重要作用。$3CL^{pro}$蛋白可以作为一个有吸引力的药物靶点。在这项工作中,我们研究了药物:$3CL^{pro}$相互作用的计算机分子对接和MD模拟方法。目前,临床常用的抗病毒药物伊维菌素、强力霉素及其联合应用已被证明是有效的候选药物。
2020-11-08 physics.bio-ph physics.med-ph q-bio.QM
A biologically-inspired multi-modal evaluation of molecular generative machine learning
Nazarbayev University(纳扎尔巴耶夫大学);ITMO University(圣彼得堡国立信息技术机械与光学大学)
虽然生成模型最近在许多科学领域变得无处不在,但很少关注它们的评估。对于分子生成模型,最先进的方法是孤立地或相对于其输入来检查其输出。然而,它们的生物学和功能特性,如配体-靶相互作用尚未得到解决。在这项研究中,提出了一种新的生物启发的分子生成模型的评估基准。具体而言,三个不同的参考数据集的设计和一组指标的介绍,这是直接相关的药物发现过程。特别是,我们提出了一个娱乐度量,应用药物靶点的亲和力预测和分子对接作为补充技术的生成输出的评估。虽然所有三个指标在测试的生成模型中显示出一致的结果,但对药物-靶标亲和力结合和分子对接评分的更详细比较显示,单峰预测因子可能导致关于分子水平上的靶标结合的错误结论,因此优选多模式方法。该框架的主要优点是,它通过明确关注配体-靶标相互作用将先前的物理化学领域知识纳入基准测试过程,从而创建了一种高效的工具,不仅用于评估分子生成输出,而且还用于丰富药物发现过程。
2022-10-27 cs.AI cs.LG q-bio.BM