Evaluating and Scoring Ebolavirus Protein-protein Docking Models Using PIsToN
Florida International University（佛罗里达国际大学）
本文针对蛋白质-蛋白质对接的评分需求，介绍了性能优于现有最优方法的深度学习评分工具PIsToN，并以埃博拉病毒相关蛋白复合物为例演示其对接模型评估方法。
2025-11-17 q-bio.BM
Harmonic Torsional Diffusion for Protein-Ligand Flexible Docking
AXXX
本文提出Harmony调和扭转扩散框架，通过对齐得分参数化与扩散过程几何，在PDBBind、PoseBusters基准及EBNA1、KRAS G12D案例中提升了蛋白质-配体柔性对接的精度与有效性。
2026-10-20 cs.LG q-bio.BM
Advancing Alzheimer's Disease Treatment: Synergistic Ligand Combinations Targeting BACE1 via Multi-Ligand Simultaneous Docking
Dayananda Sagar University（达亚南达萨加尔大学）；AIIMS–Bathinda（巴廷达印度医学研究理事会阿尤尔维达医学研究所）
本研究采用多配体同时对接技术筛选出4组优于III期抑制剂的BACE1协同配体组合，为阿尔茨海默病新型联合疗法提供了新方向。
2026-09-07 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
Towards protein-protein docking with significant structural changes using CABS-dock
蛋白质相互作用（PPIs）对于理解大多数细胞过程至关重要。PPI在基因转录调控、细胞信号传导、免疫应答的分子基础等方面发挥重要作用。此外，这些机制的破坏经常被假定为阿尔茨海默氏症或癌症等疾病的可能原因。对于许多生物学相关的情况下，蛋白质-蛋白质复合物的结构仍然未知。因此，计算技术，包括分子对接，已成为药物发现管道的有价值的一部分。不幸的是，没有一个广泛使用的蛋白质-蛋白质对接工具没有严重的局限性。通常，在对接模拟中，蛋白质的柔性要么完全被忽略，要么非常有限。此外，还需要对活性部位的大致位置和/或形状有所了解。这种限制主要来自于蛋白质-蛋白质系统的大量自由度。本文提出了一种高效的蛋白质-蛋白质对接计算方法，并在一个简单的对接实例上进行了初步的测试。所提出的方法是基于一个两步的过程。在第一步中，用于蛋白质-肽对接的CABS对接网络服务器用于将肽对接到另一蛋白质伴侣，肽是负责蛋白质相互作用的适当蛋白质片段。在肽对接期间，不使用关于结合位点或肽结构的知识，并且允许肽是完全柔性的。在第二步中，对接肽用于蛋白质复合物配偶体的结构调整。所提出的方法使我们能够获得一个高精度的模型，因此它提供了一个有前途的框架，进一步的进展。
2016-05-30 q-bio.BM
Advances to tackle backbone flexibility in protein docking
计算对接方法可以提供蛋白质-蛋白质复合物的结构模型，但缔合时的蛋白质主链柔性常常阻碍准确的预测。在最近的盲目挑战中，在不到20%的“困难”目标（具有显著的骨干变化或不确定性）中提交了中等或高精度模型。在这里，我们描述了蛋白质-蛋白质对接的最新进展，并强调了解决骨架灵活性的进展。在分子动力学和蒙特卡罗方法中，增强的采样技术减少了时间尺度的限制。内部坐标公式现在可以使用谐波动力学捕获单体和复合物的真实运动。机器学习方法自适应地引导对接轨迹或从在蛋白质界面上训练的深度神经网络生成新的结合位点预测。这些工具平衡了该领域，以突破正确预测具有显著构象变化的复杂结构的长期挑战。
2020-10-15 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
Graph-convolution neural network-based flexible docking utilizing coarse-grained distance matrix
柔性蛋白质-配体复合物的预测在计算结构生物学和药物设计中仍然是一个具有挑战性的问题。在这里，我们提出了两种新的深度神经网络方法，与标准对接相比，它们在大量不同的蛋白质系统上显著提高了结合模式预测的效率和准确性。第一种图卷积网络用于重新排序姿态，而第二种方法旨在独立于标准对接方法生成和排序姿态。这种新的方法依赖于预测配体原子和蛋白质C_α原子之间的距离矩阵，从而隐含地包含侧链柔性。
2020-08-27 q-bio.BM
Combining docking pose rank and structure with deep learning improves protein-ligand binding mode prediction
我们提出了一个简单的，模块化的基于图的卷积神经网络，从蛋白质-配体复合物的结构信息作为输入，生成模型的活动和结合模式的预测。复杂的结构通过标准的对接程序生成，并输入到双图架构中，该架构包括用于配体键合拓扑结构和配体-蛋白质接触图的单独子网络。该网络划分允许将来自配体身份的贡献与蛋白质与配体相互作用对分类的影响区分开。我们表明，与最近的文献一致，数据集的偏见驱动了许多有前途的结果，虚拟筛选，以前已经报道。然而，我们也表明，我们的神经网络是能够从蛋白质结构信息的学习时，在结合模式预测的情况下，一个公正的数据集构建。我们开发了一种用于结合模式预测的深度学习模型，该模型使用对接排名作为输入，并结合对接结构。该策略反映了过去的共识模型，并在各种测试中优于基线对接程序，包括模拟真实对接用例的交叉对接数据集。此外，网络预测的幅度可作为模型置信度的可靠度量
2019-10-07 physics.bio-ph q-bio.BM stat.ML
Inhibition of the Main Protease 3CL-pro of the Coronavirus Disease 19 via Structure-Based Ligand Design and Molecular Modeling
我们应用了一种基于虚拟筛选、对接和分子动力学技术协同作用的计算策略，旨在鉴定可能的先导化合物，用于非共价抑制SARS-Cov 2冠状病毒的主要蛋白酶3CL-pro。基于最近解析的6LU 7 PDB结构，使用基于多峰结构的设计产生配体，然后最佳地对接到6LU 7单体。对接计算表明，配体结合是惊人的相似，在SARS冠状病毒和SARS冠状病毒2主要蛋白酶，催化CYS-HIS二联体的质子化状态无关。发现最有效的对接配体与通过可旋转键以伪线性排列连接的芳香族部分共享共同的结合模式。分子动力学计算充分证实了通过对接鉴定的最有效的结合剂，即氯苯基-吡啶基-甲酰胺衍生物在3CL-pro结合口袋中的稳定性。
2020-03-02 q-bio.BM
Enhancing Ligand Pose Sampling for Molecular Docking
Stanford University（斯坦福大学）
本文提出GLOW和IVES两种改进的配体姿态采样协议，通过增强采样和迭代集成策略提高分子对接中准确姿态的采样概率，并在约5000个蛋白质-配体交叉对接对上验证了有效性。
2023-11-30 cs.LG 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
A Pre-Docking Filter Based on Image Recognition
分子对接是基于计算机的化合物库筛选的核心方法，作为药物设计的合理方法的一部分。虽然该方法已经证明了其在正确预测结合模式方面的能力，但其固有的复杂性对计算资源提出了很高的要求。此外，待筛选的化学空间大得令人望而却步。因此，在对接之前应用滤波是一个很有前途的概念。我们实现了一个预对接过滤器的切线距离算法的基础上最初设想的光学字符识别。该方法从二维到三维数据的挑战性转移是通过从化合物的不同视图中提取的一组密度图来表示分子结构来实现的。此外，我们的程序应用了使用主成分分析的二进制分类。配体和结合口袋根据它们的质心轴对齐，使得能够进行基于尺寸的过滤，以便在对接之前富集关于配体的数据集。通过重新对接对我们的程序进行的评估产生的RMSD值在8 μ m和25 μ m之间，表明切线距离方法不适合优化配体和结合口袋的方向。调查可能的解释导致的结论是，这些结果的一个可能的原因是该方法的已知无法近似大的转换。单独进行主成分分析的验证表现更好：对170个配体和6，435个诱饵的数据集进行测试，灵敏度为0.81，同时将运行时间保持在合理的时间范围内（1到4秒）。数据集的富集度从2.64%增加到2.82%。
2014-03-31 q-bio.BM
Docking Studies on HIV Integrase Inhibitors Based On Potential Ligand Binding Sites
HIV整合酶是由Pol基因产物的C-末端部分产生的32 kDa蛋白，并且是新的抗HIV药物的有吸引力的靶标。整合酶是由逆转录病毒（如HIV）产生的酶，使其遗传物质整合到受感染细胞的DNA中。雷特格韦和埃替格韦是两种重要的抗整合酶药物。
2012-10-11 q-bio.BM q-bio.SC
Highly flexible protein-peptide docking using CABS-dock
蛋白质-肽分子对接是一个困难的建模问题。当需要预测结合过程中可能发生的显著构象变化时，这甚至更具挑战性。在本章中，我们将展示CABS对接服务器用于灵活蛋白质-肽对接的功能和特性。CABS对接允许高效地建模完整的肽柔性和蛋白质受体的显著柔性。在CABS对接期间，肽折叠和结合过程被明确地模拟，并且不使用关于肽结合位点或其结构的信息。本章介绍了一个成功的CABS对接使用对接一个潜在的治疗肽的蛋白质目标。此外，模拟接触地图，一个新的CABS对接功能，描述和应用到对接测试用例。最后，提供了从命令行或命令行脚本运行CABS-dock的教程。CABS-dock Web服务器可从http://biocomp.chem.uw.edu.pl/CABSdock/获得
2016-12-31 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
Implicit Ligand Theory: Rigorous Binding Free Energies and Thermodynamic Expectations from Molecular Docking
一个严格的形式主义，估计非共价结合自由能和热力学期望的计算中，受体构型独立的配体采样。由于这种分离，受体构型只需要取样一次，便于在虚拟筛选中使用结合自由能计算。示范计算上的主-客体系统产生良好的协议与以前的自由能计算和等温滴定量热法测量。隐式配体理论为如何改进现有的分子对接算法和深入了解非共价大分子识别中的诱导匹配和构象选择概念提供了指导。
2012-08-24 cond-mat.stat-mech physics.bio-ph q-bio.BM
CABS-dock web server for the flexible docking of peptides to proteins without prior knowledge of the binding site
蛋白质-肽相互作用在细胞功能中起关键作用。它们的结构表征虽然具有挑战性，但对于新药的发现非常重要。CABS-对接网络服务器提供了一个接口，用于使用高效的协议对蛋白质-肽相互作用进行建模，用于肽与蛋白质的灵活对接。虽然其他对接算法需要预定义的结合位点定位，但CABS对接不需要这样的知识。给定蛋白质受体结构和肽序列（并且从肽的随机构象和位置开始），CABS-对接器执行结合位点的模拟搜索，允许肽的完全灵活性和受体骨架的小波动。该方案在迄今为止可用的非冗余蛋白质-肽相互作用的最大数据集上进行了广泛测试（包括结合和未结合的对接情况）。对于超过80%的绑定和未绑定数据集的情况下，我们获得了高或中等精度的模型（足以满足实际应用）。此外，作为可选特征，CABS对接可以从对接搜索中排除用户选择的结合模式，或者增加所选受体片段的灵活性水平。CABS-dock作为Web服务器在http://biocomp.chem.uw.edu.pl/CABSdock上免费提供
2015-03-06 q-bio.BM
Quantified uncertainty of flexible protein-protein docking algorithms
算法的强弱最终取决于其结果的可信度。当问题的域很大时（例如高维空间的遍历），无法获得完美的解决方案，因此必须进行近似。这些近似值通常会导致报告的目标量（QOI）在运行之间变化，从而降低任何单次运行的置信度。当算法基于不确定或噪声数据进一步计算该最终QOI时，最终QOI的可变性（或缺乏置信度）增加。无界，这两个不确定性来源（算法近似和输入数据的不确定性）可能导致报告的统计数据与地面真实值的相关性较低。在生物学应用中，这是特别适用的，因为搜索空间通常至少在某种程度上是近似的（例如，高百分比的蛋白质结构是无效的或能量上不利的），并且从连续空间到离散空间的蛋白质表示的显式转换意味着输入数据中的一些不确定性。本研究将不确定性量化技术应用于困难的蛋白质-蛋白质对接问题，首先显示存在于现有软件中的可变性，然后提供一种以类似Boffoff的边界的形式计算概率证书的方法。最后，本文利用这些概率证书，准确地绑定对接的不确定性，从两个对接算法，提供一个QOI，这是强大的和统计意义。
2019-06-24 q-bio.BM
PIPER: An FFT-based Protein Docking Program with Pairwise Potentials
快速傅立叶变换（FFT）相关方法用于蛋白质-蛋白质对接可以评估网格上数十亿对接构象的能量，如果能量以相关函数的形式描述。在这里，这种限制被删除，该方法是有效地使用成对的相互作用潜力，大大提高对接结果。其基本思想是用对应于几个主要特征值的特征向量来近似相互作用矩阵，从而得到一个写为几个相关函数之和的能量表达式，并通过重复的FFT计算来解决问题。除了描述该方法是如何实现的，我们提出了一类新的结构为基础的成对分子间的潜力。从蛋白质-蛋白质复合物的结构中提取DARS（Decoys As the Reference State）势，并使用大量对接构象作为诱饵来推导参考状态中的原子对分布。目前版本的DARS潜力很好地适用于酶抑制剂复合物。与新的FFT为基础的程序，DARS提供了更好的对接结果比早期的方法，在许多情况下，产生50%以上的近天然对接构象。尽管对于抗体-抗原对的潜力远不是最佳的，但是结果仍然比早期的FFT方法给出的结果稍好。对接程序PIPER可免费用于非商业应用。
2006-05-11 q-bio.BM
Pre-Training on Large-Scale Generated Docking Conformations with HelixDock to Unlock the Potential of Protein-ligand Structure Prediction Models
Baidu Inc.（百度公司）；Tsinghua University（清华大学）；Toll Biotech Co. Ltd (Beijing)（北京 Toll 生物技术有限公司）；National Supercomputing Center in Chengdu（国家成都超级计算中心）
本文提出HelixDock，通过大规模生成对接构象预训练和有限实验数据微调，显著提升蛋白质-配体结构预测精度与迁移性，并验证其在药物发现任务中的实用性。
2024-05-22 cs.CE cs.LG q-bio.BM
A Co-Design Approach to Physically-Informed Molecular Docking for Quantum Annealers
Politecnico di Milano（米兰理工大学）；Department of Physical and Chemical Sciences, University of L’Aquila（拉奎拉大学物理与化学科学系）；Istituto Italiano di Tecnologia（意大利理工学院）；E4 Computer Engineering（E4计算机工程公司）；CINECA；Dompé farmaceutici S.p.A.（Dompé制药股份公司）
本文提出一种结合物理化学相互作用的量子退火器分子对接方法，通过改进QUBO模型提升对接精度，引入库仑力、范德华力及氢键和疏水相互作用。
2026-10-30 cs.ET q-bio.BM
Interactive molecular dynamics in virtual reality for accurate flexible protein-ligand docking
模拟药物结合和解结合是一个挑战，因为分离结合和未结合状态的崎岖的能量景观需要消耗大量计算资源的大量采样。在这里，我们描述了使用交互式分子动力学在虚拟现实（iMD-VR）作为一个准确的低成本的策略灵活的蛋白质配体对接。我们概述了一个实验方案，使专家iMD-VR用户能够引导配体进出胰蛋白酶，神经氨酸酶和HIV-1蛋白酶的结合口袋，并在5 - 10分钟内重新创建各自的晶体蛋白-配体结合姿势。经过短暂的培训阶段，我们的研究表明，iMD-VR新手能够在与iMD-VR专家相似的时间尺度上生成解结合和再结合途径，其中大多数能够在晶体学结合位姿的2.15埃RMSD内恢复结合位姿。这些结果表明，iMD-VR为用户提供了足够的控制来进行将柔性配体对接到动态酶活性位点并恢复晶体学姿势所需的详细原子操作，为模拟药物对接和生成结合假设提供了一种有趣的新方法。
2020-02-04 physics.bio-ph physics.comp-ph q-bio.BM
DOCKSTRING: easy molecular docking yields better benchmarks for ligand design
University of Cambridge（剑桥大学）
用于药物发现的机器学习领域正在见证新方法的爆炸式增长。这些方法通常以简单的物理化学性质为基准，例如溶解度或一般药物性，这些性质可以很容易地计算出来。然而，这些属性是药物设计中目标函数的差代表，主要是因为它们不依赖于候选物与靶标的相互作用。相比之下，分子对接是药物发现中用于估计结合亲和力的广泛成功的方法。然而，对接模拟需要大量的领域知识来正确设置，这阻碍了采用。为此，我们提出了DOCKSTRING，这是一个用于ML模型的有意义和鲁棒比较的捆绑包，由三个组件组成：（1）用于直接计算对接分数的开源Python包;（2）用于58个医学相关目标的超过260 K配体的对接分数和姿势的广泛数据集;和（3）一组药学相关的基准任务，包括回归、虚拟筛选和从头设计。Python软件包实现了一个强大的配体和目标制备协议，允许非专家获得有意义的对接分数。我们的数据集是第一个包含对接姿势的数据集，也是第一个包含完整矩阵的数据集，从而促进了多目标优化和迁移学习的实验。总体而言，我们的研究结果表明，对接分数是一个更合适的评价目标比简单的物理化学性质，产生更现实的基准任务和分子候选人。
2021-10-29 cs.LG q-bio.BM stat.ML
CABS-flex standalone 3: an open command-line platform for protein flexibility simulation, peptide structure modeling, and protein-peptide docking
Faculty of Chemistry, Biological and Chemical Research Centre, University of Warsaw（华沙大学化学学院生物与化学研究中心）
提出CABS-flex standalone 3，一个基于CABS粗粒化模型的开放命令行平台，用于蛋白质柔性模拟、肽结构建模和蛋白质-肽对接，结合全原子重建与分析。
2026-06-24 q-bio.BM
Assessing the potential of deep learning for protein-ligand docking
Lawrence Berkeley National Laboratory（劳伦斯伯克利国家实验室）；University of Missouri（密苏里大学）
本文提出PoseBench基准，用于评估深度学习在蛋白质-配体对接及结构预测中的性能，发现DL方法在多配体对接和未知结合口袋场景中存在挑战。
2026-03-20 cs.AI cs.LG q-bio.BM
Pharmacophore and ligand-guided screening of antibacterial leads targeting antibiotic resistance factor in Gram-negative bacteria
致病性革兰氏阴性细菌由于其在脂寡糖（LOS）外层上产生包膜的能力而对抗生素产生了抗性。LOS脂质A的阳离子磷酸乙醇胺（PEA）修饰受脂质A-PEA转移酶（EptA）的调控，这可能是开发新抗生素的重要靶点。奈瑟球菌EptA的结构表征为其催化机制和配体识别提供了结构基础，这对于抑制剂的开发至关重要。在这项研究中，结合药效团和配体为基础的方法已被用来探索新的有效的EptA抑制剂中的数百万个商业可用的化合物和批准的药物。通过在MoE中进行的单个两步半柔性对接模拟，进一步检查了从基于ZincPharmer药效团的筛选和PubMed配体相似性搜索中获得的总计8166个命中分子。因此，基于其对接评分和两个对接验证的一致性选择最佳命中。结合自由能计算表明，最好的20个共有化合物具有比EptA天然底物PEA更强的结合亲和力。进一步的相互作用分析所选择的八个配体表明，这些配体具有整体更有效的相互作用与催化必需的残基和金属辅因子的EptA。选定的命中可以在体外进一步分析，并通过临床前试验进行检查。这项研究提供了对药物再利用的深入了解，这可能是开发新型强效EptA抑制剂以对抗多重耐药革兰氏阴性菌毒力的第一步。
2018-03-13 q-bio.BM
Modeling of protein-peptide interactions using the CABS-dock web server for binding site search and flexible docking
蛋白质-肽相互作用在生物体内发挥着重要的功能作用，其结构表征是当前实验和理论研究的热点。蛋白质-肽相互作用结构的计算建模通常分为两个阶段：预测蛋白质受体表面的结合位点，然后将肽结构对接（和建模）到已知的结合位点。本文提出了一个全面的CABS对接方法，同时搜索的结合位点和灵活的蛋白质肽对接，可作为一个用户友好的Web服务器。我们呈现了在默认CABS对接模式下获得的示例CABS对接结果，并使用其高级选项，使用户能够增加所选受体片段的灵活性范围或从对接搜索中排除用户选择的结合模式。此外，我们展示了一种策略，以提高CABS码头的性能，通过评估模型的质量与经典的分子动力学。最后，我们讨论了有前途的扩展和应用的CABS-dock方法，并提供了一个教程附录方便的分析和可视化的CABS-dock结果。CABS-dock Web服务器可在http://biocomp.chem.uw.edu.pl/CABSdock/上免费获得
2015-07-28 q-bio.BM
Protein-Ligand Docking Surrogate Models: A SARS-CoV-2 Benchmark for Deep Learning Accelerated Virtual Screening
Argonne National Laboratory（阿贡国家实验室）；Brookhaven National Laboratory（布鲁克海文国家实验室）
我们提出了一个基准来研究蛋白质-配体对接的代理模型的准确性。我们共享了一个数据集，该数据集由SARS-CoV-2蛋白质组中15个受体或结合位点上的1300万个“库存”分子的2亿个3D复杂结构和2D结构评分组成。我们的工作表明，在相同的超级计算机节点类型上，代理对接模型的吞吐量比标准对接协议高出六个数量级。我们通过在一天内针对10亿个分子运行每个目标来展示高速代理模型的强大功能（每GPU秒50 k预测）。我们展示了利用代理ML模型作为预过滤器进行对接的工作流程。我们的工作流程在筛选化合物库时比标准技术快十倍，检测潜在最佳评分0.1%化合物的错误率小于0.01%。我们对加速的分析解释说，为了在对接范例下筛选更多的分子，另一个数量级的加速必须来自模型精度而不是计算速度（如果增加，将不再改变我们筛选分子的吞吐量）。我们相信这是社区开始专注于提高替代模型的准确性的有力证据，以提高筛选比当前技术快100倍甚至1000倍的大规模化合物库的能力。
2021-06-30 cs.LG q-bio.BM
Do Deep Learning Models Really Outperform Traditional Approaches in Molecular Docking?
DP Technology（深势科技）
分子对接，给定配体分子和蛋白质上的配体结合位点（称为"口袋“），预测蛋白质-配体复合物的结合模式，是药物设计中广泛使用的技术。针对分子对接已经开发了许多深度学习模型，而现有的大多数深度学习模型都是在整个蛋白质上进行对接，而不是像传统的分子对接方法那样在给定的口袋上进行对接，这与常见的需求不符。更重要的是，他们声称比传统的分子对接更好，但比较的方法是不公平的，因为传统的方法不是为对接整个蛋白质没有一个给定的口袋。在本文中，我们设计了一系列实验来检验这些深度学习模型和传统方法的实际性能。为了公平比较，我们将整个蛋白质上的对接分解为两个步骤，口袋搜索和对接给定口袋，并建立管道来分别评估传统方法和深度学习方法。我们发现，深度学习模型实际上擅长口袋搜索，但传统方法在对接给定口袋方面优于深度学习模型。总的来说，我们的工作明确揭示了当前深度学习模型中分子对接的一些潜在问题，并为未来的工作提供了一些建议。
2023-02-23 cs.LG q-bio.BM
E3Bind: An End-to-End Equivariant Network for Protein-Ligand Docking
Mila - Québec AI Institute（米拉-魁北克人工智能研究所）；Université de Montréal（蒙特利尔大学）；HEC Montréal（蒙特利尔高等商学院）
针对盲式柔性蛋白质-配体自对接难题，提出端到端等变网络 E3Bind，通过迭代更新配体姿态并建模几何约束与结合位点局部环境，在标准基准上取得优于传统及深度学习方法的性能。
2023-06-01 cs.LG q-bio.BM
Unbound Protein-Protein Docking Selections by the DFIRE-based Statistical Pair Potential
基于距离尺度有限理想气体参考（DFIRE）态，提出了一种新的统计对势，并将其应用于蛋白质对接结构的选择。的DFIRE能量函数的性能进行比较，那些完善的ZDOCK能量分数和RosettaDock能量函数使用ZDOCK和RosettaDock产生的综合诱饵集。尽管三个能量分数的函数形式和复杂性存在显著差异，但DFIRE和ZDOCK 2.3之间以及DFIRE和RosettaDock之间在对接结构选择的总体性能上的差异较小。考虑到单项DFIRE能量函数最初是为单体蛋白质设计的，而ZDOCK和RosettaDock的多项能量函数是专门为对接优化的，因此该结果是显著的。这提供了可以改进现有用于对接的能量函数的准确性的希望。
2004-10-14 q-bio.BM q-bio.QM
GeoDirDock: Guiding Docking Along Geodesic Paths
Barcelona Supercomputing Center（巴塞罗那超级计算中心）；Nostrum Biodiscovery S.L.（诺斯特伦生物发现公司）
提出 GeoDirDock，通过在平移、旋转和扭转空间沿测地线路径引导扩散去噪并融入专家知识，提升盲对接的 RMSD 精度与构象物理真实性。
2024-04-09 cs.LG q-bio.BM
Prediction of Cytochrome P450-Mediated Metabolism Using a Combination of QSAR Derived Reactivity and Induced Fit Docking
细胞色素P450代谢的预测仍然是发现和设计药物、农用化学品和营养补充剂的关键而具有挑战性的课题。这个问题是具有挑战性的，因为P450代谢的速率取决于该位点的固有化学反应性和给定P450同工酶的活性位点中能量可及的蛋白质-配体几何结构。我们使用两级筛选系统解决了这个问题。第一级实现了一个经验的QSAR为基础的评分功能，采用当地的化学图案来表征的内在反应性。第二个层次使用分子对接和分子力学来解释几何效应，包括蛋白质中的诱导拟合效应，这在P450与配体的相互作用中非常重要。这种方法对P450 3A 4和2D 6亚型都实现了高准确度。在鉴定前两个排名位置中的至少一个代谢位点时，对于同种型3A 4的测试集，预测率可高达92.7%。对于2D 6同种型，在该基本评价指标上实现了100%的准确度，并且由于该活性位点比3A 4小得多并且更具选择性，因此对于所有代谢位点的完全预测实现了非常高的精度。该方法也需要比我们以前的努力，其中涉及大量的昂贵的模拟每个配体进行评估的CPU时间少得多。在使用经验评分函数进行筛选之后，对于每个配体，仅留下几个最佳候选者，使得第二级中的必要估计的数量非常小，这显著地减少了计算时间。
2018-11-23 q-bio.BM
GNNAS-Dock: Budget Aware Algorithm Selection with Graph Neural Networks for Molecular Docking
Division of Natural and Applied Sciences（自然与应用科学部）；Duke Kunshan University（昆山杜克大学）
本文提出GNNAS-Dock，利用图神经网络预测不同对接算法的RMSD性能并选择计算效率最佳的算法，在PDBBind 2020精炼集上验证，旨在兼顾对接精度与时间成本。
2024-11-19 cs.LG q-bio.BM
Comprehensive structural classification of ligand binding motifs in proteins
对蛋白质与配体相互作用的全面了解将为蛋白质功能的注释、蛋白质进化的研究、酶活性的工程化以及药物的设计提供有用的基础。为了研究蛋白质结构中配体结合位点的多样性和普遍性，我们利用最近开发的数据库搜索和比对算法，对蛋白质数据库中所有已知结构中发现的18万多个配体结合位点进行了全对全的原子水平结构比较。通过应用混合自上而下-自下而上的聚类分析的比较结果，我们确定了约3000个明确的配体结合位点的结构基序。除了少数例外，大多数结构基序被发现局限于单一的家庭或超家庭，并与特定的配体。此外，我们分析了相似性网络的组成部分，并列举了超过4000对配体结合位点，在不同的蛋白质折叠共享。
2008-10-08 q-bio.BM
Protein-protein docking by generalized Fourier transforms on 5D rotational manifolds
使用快速傅立叶变换的能量评估能够对数十亿个假定的复杂结构进行采样，从而彻底改变了刚性蛋白质-蛋白质对接。然而，在当前的方法中，有效的加速仅在平移或旋转子空间中实现。开发一种将基于FFT的采样扩展到5个旋转坐标的高效且准确的对接方法是一个被广泛研究但仍未解决的问题。这里提出的算法保留了早期方法的准确性，但产生至少十倍的加速。这一改进得益于两项创新。首先，将搜索空间视为乘积流形$\mathbf{SO(3)x(SO(3)\setminus S^1)}$，其中$\mathbf{SO(3)}$是表示旋转配体空间的旋转群，而$\mathbf{(SO(3)\setminus S^1)}$是由两个欧拉角所跨越的空间，这两个欧拉角定义了从固定受体中心到配体中心的向量的方向。该表示使得能够使用为$\mathbf{SO(3)}$开发的高效FFT方法。其次，我们选择的中心高度密集的集群对接结构，而不是最低的能量构象，作为预测的复杂性，因此没有必要非常高的准确性，在能源评估。因此，在傅立叶空间中使用有限数量的球面基函数就足够了，这在保持对接结果的准确性的同时提高了采样效率。该方法的一个主要优点是，与经典方法相比，增加相关函数项的数量在计算上是便宜的，这使得能够使用复杂的能量函数进行评分。
2016-09-21 q-bio.BM
SkeleDock: A Web Application for Scaffold Docking in PlayMolecule
SkeleDock是一种支架对接算法，其使用蛋白质-配体复合物的结构作为模板来模拟化学相似系统的结合模式。该算法在D3 R Grand Challenge 4 pose prediction challenge中进行了评估，并取得了有竞争力的性能。此外，我们表明，如果目标配体的结晶片段是可用的，SkeleDock可以优于rDock对接软件在预测的结合模式。本文还讨论了该算法的能力，以模拟大环和处理支架跳跃。SkeleDock可以在https://playmolecule.org/SkeleDock/上访问。
2020-05-12 q-bio.BM q-bio.QM
Tomographic docking suggests the mechanism of auxin receptor TIR1 selectivity
我们研究了植物激素IAA对其受体TIR1的结合，引入了一种新的计算方法，我们称之为断层对接，并占沿结合口袋的深度发生的相互作用。我们的研究结果表明，选择性与潜在配体从蛋白质表面到口袋底部最终位置的途中遇到的限制有关。断层对接有助于开发特定的假设配体结合，区分粘合剂从非粘合剂，并表明，结合是一个三步机制，包括与一个壁龛在口袋的后壁，与分子过滤器的相互作用，允许或排除进一步下降的配体，并结合在口袋基地。只有能够下降口袋并在其底部结合的分子才能让辅助受体IAA7结合在复合物上，从而表现为活性生长素。分析不同深度的相互作用，我们的新方法有助于确定构成未来首选研究目标的关键残留物，并寻求安全有效的除草剂。此外，它有可能扩展对接的效用从配体搜索的过程中的选择性的研究。
2016-10-18 q-bio.BM q-bio.QM
Locating large flexible ligands on proteins
蛋白质的许多生物学上重要的配体是大的、柔性的并且通常带电荷的分子，其结合到蛋白质表面上的延伸区域。用标准方法如对接或分子动力学（MD）模拟在蛋白质上定位这样的配体是不可行的或昂贵的。这里提出的替代方法是用大配体的较小片段扫描蛋白质周围的空间和角度网格。完整网格的能量值可以用著名的快速傅立叶变换加速算法和物理上有意义的相互作用模型有效地计算。我们表明，该方法可以很容易地将蛋白质和配体的灵活性。从配体片段扫描产生的能量网格（EG）可以被转换成概率分布，然后直接与从MD模拟和实验结构数据估计的概率分布进行比较。我们测试的方法在一组不同的蛋白质和大的，灵活的配体之间的复合物，包括复合物的Sonic Hedgehog蛋白和肝素，三个硫酸肝素底物或非底物的差向异构酶，一个多分支的超分子配体，稳定的蛋白质-肽复合物，和一个灵活的两性离子配体，结合到表面盆地的Kringle域。在所有情况下，EG方法给出的结果与实验数据或MD模拟吻合良好。
2017-07-11 q-bio.BM
An Automatable Analytical Algorithm for Structure-Based Protein Functional Annotation via Detection of Specific Ligand 3D Binding Sites: Application to ATP (ser/thr Protein Kinases) and GTP (Small Ras-type G-Proteins) Binding Sites
我们已经开发了一种分析，配体特异性和可扩展的算法，检测一个给定的配体的3D结合位点的蛋白质3D结构的“签名”。所述标记是不规则四面体形式的3D基序，其顶点代表与结合的配体原子物理相互作用的结合位点处的氨基酸残基的主链或侧链质心。基序由一组解析的训练结构确定，所有这些结构都与配体结合。正如线性氨基酸序列的比对能够确定蛋白质中的共有序列一样，本方法允许确定折叠蛋白质中的三维共有结构或“基序”。尽管这是通过本发明的方法而不是通过3D蛋白质结构或其部分（例如，来自不同结构的配体原子的排列），但是通过蛋白质结合形式的配体原子的最近邻分析，实现了相同的效果，从而实现了相同的目标。我们已经应用我们的方法来预测GTP和ATP结合蛋白家族，即小Ras型G蛋白和Ser/Thr蛋白激酶家族。验证试验表明，我们的方法的特异性是近100%的两个蛋白质家族，和大于60%的敏感性为ser/thr蛋白激酶家族和约。93%为小的Ras型G蛋白家族。进一步的测试表明，我们的算法可以有效地区分GTP和GTP样配体，ATP和ATP样配体。将该方法应用于一组来自黏菌（D. dictyosteoprotein）蛋白质组的研究，结果令人鼓舞。
2015-01-19 q-bio.BM
Rigid Protein-Protein Docking via Equivariant Elliptic-Paraboloid Interface Prediction
Tsinghua University（清华大学）；Institute for AI Industry Research (AIR), Tsinghua University（清华大学人工智能产业研究院）；Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学高瓴人工智能学院）；Beijing Key Laboratory of Big Data Management and Analysis Methods（北京大数据管理与分析方法重点实验室）
本文提出ElliDock方法，通过预测椭圆抛物面表示蛋白质对接界面并使其重合来获得旋转-平移变换，具有旋转/平移等变性，在推理速度上优于现有方法，尤其在抗体-抗原对接中表现突出。
2024-01-17 cs.LG q-bio.BM
Conformational variability in proteins bound to single-stranded DNA: a new benchmark for new docking perspectives
我们探索蛋白质数据库（PDB）收集蛋白质ssDNA结构，并创建一个多构象对接基准，包括结合和未结合的蛋白质结构。由于ssDNA在未结合时具有高柔性，因此基准中不包括ssDNA未结合结构。对于91个序列同一性组确定为同一蛋白质的结合-未结合结构，我们研究了由ssDNA结合引起的蛋白质构象变化。此外，基于一些组中的几个结合或未结合的蛋白质结构，我们还评估了在结合或未结合条件下的内在构象变异性，并将其与推测的结合诱导的修饰进行比较。为了说明这个基准测试的用例，我们使用ATTRACT对接软件进行了对接实验。据我们所知，这个基准是第一个仔细研究ssDNA-蛋白质相互作用的可用结构到这样的程度，旨在改善专门用于这种分子相互作用的计算对接工具。
2022-10-20 q-bio.BM q-bio.QM
Protein-protein docking using a tensor train black-box optimization method
黑箱优化方法在计算仿真的许多领域中起着重要的作用。特别是，这些方法通常用于生物系统的设计和建模，包括蛋白质及其与各种配体的复合物。这项工作主要集中在蛋白质-蛋白质对接，在现代药物设计工作流程中起着关键作用。我们开发了一个黑箱的方法，这样的对接问题，使用一种新的技术的基础上的张量列车分解的高维相互作用函数。我们的方法在发现的全局最小值方面显示出优势，并且具有在广泛的设备上进一步实现的高潜力，包括图形处理单元和量子处理单元。
2023-02-07 physics.bio-ph q-bio.BM
DeltaDock: A Unified Framework for Accurate, Efficient, and Physically Reliable Molecular Docking
University of Science and Technology of China（中国科学技术大学）；Peking University（北京大学）
针对现有分子对接方法场景受限及物理有效性不足的问题，提出两阶段框架DeltaDock，将口袋预测重构为口袋-配体对齐问题并进行双层迭代细化，在盲对接中成功率显著提升。
2024-10-16 cs.LG q-bio.BM
Docking study for Protein Nsp-12 of SARS-CoV with Betalains and Alfa-Bisabolol
目前的健康危机考验着现代科学和医学对寻找新的COVID-19疾病治疗方法的反应。在世界舞台上的抗病毒药物，如remdesivir，服从于生物活性分子的持续研究与多种理论，计算和实验工具。COVID：19等疾病提醒我们，对用于治疗目的的活性成分的研究应涵盖所有可用的来源，如植物。在目前的工作中，在计算机工具，特别是对接研究，被用来评估的结合和抑制能力的抗病毒药物，如remdesivir对SARS冠状病毒的NSP-12蛋白，聚合酶是关键的SARS冠状病毒的复制。然后将结果与两种天然产物（α-红没药醇和甜菜色素）与SARS-CoV蛋白的对接分析进行比较，以寻找更多COVID-19病毒复制抑制剂的候选物。除了增加有助于解释SARS-CoV-2病毒具体机制的研究外，请记住，从现在起，我们将不得不无限期地与病毒共存。最后，天然产品如甜菜色素可能具有小数量级的抑制作用，但与其他协同活性成分结合，它们可能会增加对SARS-CoV NSP-12蛋白的抑制作用。
2020-12-28 q-bio.BM
Prediction of Flavin Mononucleotide (FMN) Binding Sites in Proteins Using the 3D Search Motif Method and Double-Centroid Reduced Representation of Protein 3D Structures
药效团由配体结构的足以表达配体的生物学和药理学作用的部分组成。它通常是配体整个结构的亚结构。细胞中称为配体或代谢物的小有机分子与生物分子（通常是蛋白质）形成复合物，以达到不同的目的。配体结合的位点被称为配体结合位点，其基本上是“口袋”，其具有与配体互补的形状和电荷分布模式。有时，口袋是由配体本身诱导的。如果我们研究配体的不同结合构象，则发现它们共享特定的三维模式，该模式或多或少常见并且负责其结合，并且在三维几何形状和电荷分布模式上与其在蛋白质中的同源结合位点互补。本文研究了配体FMN的共有配体结合位点的三维结构。制备配体结合位点的训练集，并确定FMN的3D共有结合位点基序。研究了FMN系统及其各自调节蛋白中的结合位点。通过扫描蛋白质3D结构中的3D结合位点共有基序来识别配体结合位点的能力是药物靶点发现的重要步骤。一旦发现药效团模板，它也可以用来设计其他潜在的分子，可以结合到它，从而作为新的药物。
2015-12-14 q-bio.BM
Flexible protein-peptide docking using CABS-dock with knowledge about the binding site
尽管付出了大量努力，蛋白质-肽复合物的结构预测仍然是一个非常具有挑战性的任务，主要是由于两个原因：肽的高灵活性和它们与蛋白质相互作用的瞬时特性。最近，我们开发了一个自动化的网络服务器CABS对接（http：//biocomp.chem.uw.edu.pl/CABSdock），它进行灵活的蛋白质-肽对接，而不需要任何关于结合位点的知识。我们的方法允许肽的完全灵活性，而受体的灵活性被限制为考虑到主链和侧链的完全灵活性的接近天然构象。CABS-dock服务器的性能在171个测试用例的基准上进行了彻底的测试，包括绑定和未绑定。对所得结果的评价显示该方法的总体性能良好，特别是未使用结合位点的信息。从不成功的实验中我们了解到，如果只考虑结合位点的少量信息，对接的准确性可能会显著提高。事实上，在现实生活应用中，用户通常可以访问指示结合位点的位置和/或结构的一些数据。在目前的工作中，我们测试和演示的CABS码头服务器的性能与两个新的功能。第一个允许利用关于构成结合位点的受体残基的知识，第二个允许在肽结构上强制所需的二级结构。基于给定的示例，我们观察到与默认CAB对接模式相比对接精度的显著提高。
2016-05-30 q-bio.BM
CAML: Commutative algebra machine learning -- a case study on protein-ligand binding affinity prediction
本研究将交换代数机器学习（CAML）应用于蛋白质-配体结合亲和力预测，引入三种新算法处理复合物数据复杂性，并在预测性能上超越现有最先进方法。
2025-04-25 q-bio.BM
A fully differentiable ligand pose optimization framework guided by deep learning and traditional scoring functions
本文提出一种结合DeepRMSD与AutoDock Vina的完全可微混合打分函数及端到端配体姿态优化框架，在CASF-2016上达到95.4%成功率，并将重对接和交叉对接成功率提高15%。
2022-06-27 q-bio.BM q-bio.QM
A Point Cloud-Based Deep Learning Strategy for Protein-Ligand Binding Affinity Prediction
基于人工智能的蛋白质-配体亲和模型在药物发现中有着广泛的应用前景。本文首次将PointNet和PointTransformer两种逐点多层感知器应用于蛋白质-配体亲和力预测。PDBbind-2016中的数据集可以快速生成三维点云，该数据集分别包含来自细化或/和通用集的3772和11327个个体点云。这些点云用于训练PointNet或PointTransformer，基于CASF-2016基准测试，从较大的点云中分别产生皮尔逊相关系数R = 0.831或0.859的蛋白质-配体亲和力预测模型。对参数的分析表明，这两个深度学习模型能够学习蛋白质与其配体之间的许多相互作用，并且这些相互作用的关键原子可以在点云中可视化。PointTransformer学习的蛋白质与配体相互作用特征可以进一步适用于基于XGBoost的机器学习算法，从而产生平均Rp为0.831的预测模型，这与基于PDBbind数据库的最新机器学习模型相当。这些结果表明，来自PDBbind数据集的点云可用于评估以3D点云为中心的深度学习算法的性能，该算法可以从自然进化或药物化学中学习关键的蛋白质与配体相互作用，并在研究蛋白质与配体相互作用方面具有广泛的应用。
2021-07-09 q-bio.BM
Molecular Docking via Weighted Subgraph Isomorphism on Quantum Annealers
CINECA；Università dell’Aquila（阿奎拉大学）；Dompé Farmaceutici S.p.A（多姆佩制药股份公司）；Politecnico di Milano（米兰理工大学）
本文提出利用量子退火器解决分子对接问题，通过加权子图同构方法比较分子与蛋白质口袋的结构，结合几何属性与空间网格，对比量子与经典退火算法性能。
2025-02-21 cs.CE cs.ET q-bio.BM
Calotropin from milk of Calotropis gigantean a potent inhibitor of COVID 19 corona virus infection by Molecular docking studies
SARS-CoV-2（COVID-19）是一种阳性单链RNA病毒，属于冠状病毒家族成员，由于目前缺乏药物，其触角正在全球范围内蔓延。该病与咳嗽、发热和呼吸窘迫有关，在世界范围内造成15%以上的死亡率.由于其在病毒复制中的重要作用，Mpro/3CLpro最近被认为是药物设计的合适靶标。目前的研究主要集中在Calotropin，一种来自Calotropis lactean牛奶的成分，对SARS-CoV-2的Mpro蛋白的抑制活性。迄今为止，尚未开展该化合物对COVID-19蛋白Mpro的计算机模拟分析。本研究利用Patchdock工具进行了分子分子对接研究。蛋白质相互作用工具用于蛋白质相互作用。计算的参数，如对接得分表明Calotropin与Mpro蛋白的有效结合。相互作用结果表明，Mpro/ Calotropin复合物形成了疏水相互作用。因此，Calotropin可能代表了作为COVID-19 Mpro抑制剂的潜在草药治疗。然而，还需要进一步的研究来调查它们的潜在药用价值。
2020-12-11 q-bio.BM
Multi-ligand simultaneous docking of Carica papaya leaf phytochemicals, Carpaine and Rutin, reveals multi-mechanism inhibition of cancer proteins BCL-2 and WWP1
Department of Biological Sciences, School of Basic and Applied Sciences, Dayananda Sagar University（戴扬达·萨加尔大学基础与应用科学学院生物学系）；School of Engineering, Dayananda Sagar University（戴扬达·萨加尔大学工程学院）；Prescience Insilico Private Limited（普雷西恩斯因西里科私人有限公司）
本研究通过分子对接和MLSD等方法，发现番木瓜叶的Carpaine和Rutin可分别通过加性和变构效应抑制BCL-2和WWP1，与硼替佐米联用增强抗癌潜力。
2026-09-09 q-bio.BM
