Predicting Protein-Ligand Binding Affinity with Equivariant Line Graph Network
Shenzhen University（深圳大学）；Tencent AI Lab（腾讯人工智能实验室）
三维蛋白质配体复合物的结合亲和力预测对于药物重新定位和虚拟药物筛选具有重要意义。现有的方法将3D蛋白质-配体复合物转换为二维（2D）图，然后使用图神经网络（GNN）来预测其结合亲和力。然而，2D图的节点和边特征是基于3D复合体的不变局部坐标系来提取的。因此，该方法不能充分学习复合物的全局信息，如物理对称性和键的拓扑信息。为了解决这些问题，我们提出了一种新的等变线图网络（ELGN）的3D蛋白质配体复合物的亲和力预测。该算法首先在三维复合体上添加一个超级节点，然后在三维复合体上构建一个线图。之后，ELGN使用一个新的E（3）-等变网络层来传递基于3D复合体的全局坐标系的节点和边之间的消息。在两个真实数据集上的实验结果证明了ELGN在几个最先进的基线上的有效性。
2022-10-27 cs.LG 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
Geometric Graph Learning with Extended Atom-Types Features for Protein-Ligand Binding Affinity Prediction
University of Kentucky（肯塔基大学）
理解和准确预测蛋白质-配体结合亲和力在药物设计和发现过程中是必不可少的。目前，基于机器学习的方法由于其效率和准确性以及蛋白质-配体复合物的结构和结合亲和力数据的日益增加的可用性而作为预测结合亲和力的手段越来越流行。在生物分子研究中，图论已经被广泛应用，因为图可以被用来以自然的方式对分子或分子复合物进行建模。在目前的工作中，我们升级的基于图的学习者的蛋白质与配体相互作用的研究，通过集成广泛的原子类型，如SYBYL和扩展连接交互功能（ECIF）到多尺度加权着色图（MWCG）。通过与梯度提升决策树（GBDT）机器学习算法配对，我们的方法产生两种不同的方法，即$^\text{sybyl}\text{GGL}$ -Score和$^\text{ecif}\text{GGL}$ -Score。我们的两个模型都使用药物设计领域常用的三个基准数据集（即CASF-2007，CASF-2013和CASF-2016）对其评分能力进行了广泛验证。我们的最佳模型$^\text{sybyl}\text{GGL}$ -评分的性能与其他国家的最先进的模型进行比较，在结合亲和力预测为每个基准。虽然我们的两个模型都达到了最先进的结果，但SYBYL原子类型模型$^\text{sybyl}\text{GGL}$ -Score在所有基准测试中都远远优于其他方法。
2023-01-15 cs.LG q-bio.BM
Predicting Protein-Ligand Binding Affinity via Joint Global-Local Interaction Modeling
Renmin University of China（中国人民大学）；DP Technology（深势科技）
蛋白质-配体结合亲和力的预测对于药物研究中发现先导化合物具有重要意义。面对这一挑战性任务，现有的预测方法大多依赖于分子的拓扑和/或空间结构以及局部相互作用，而忽略了蛋白质和配体之间的多层次分子间相互作用，这往往导致性能不佳。为了解决这个问题，我们提出了一种新的全局-局部相互作用（GLI）框架来预测蛋白质-配体结合亲和力。特别地，我们的GLI框架考虑了蛋白质和配体之间的分子间相互作用，这不仅涉及封闭原子之间的高能短程相互作用，而且还涉及非键合原子之间的低能长程相互作用。对于每一对蛋白质和配体，我们的GLI嵌入全球的长程相互作用和聚集本地短程相互作用，分别。这种全局-局部联合交互建模策略有助于提高预测精度，并且整个框架与各种基于神经网络的模块兼容。实验表明，我们的GLI框架优于国家的最先进的方法，简单的神经网络架构和适度的计算成本。
2022-09-18 cs.AI cs.LG q-bio.BM
Multi-task Bioassay Pre-training for Protein-ligand Binding Affinity Prediction
University of Science and Technology of China（中国科学技术大学）；Tencent Quantum Laboratory（腾讯量子实验室）
针对蛋白质-配体结合亲和力预测中数据稀缺和标签噪声问题，提出多任务生物测定预训练框架MBP，利用含30万标签和280万对接结构的ChEMBL-Dock数据集，提升主流预测模型的泛化能力。
2023-12-20 cs.LG q-bio.BM
On Machine Learning Approaches for Protein-Ligand Binding Affinity Prediction
Acellera Labs（Acellera实验室）；Universitat Pompeu Fabra（庞培法布拉大学）；Institució Catalana de Recerca i Estudis Avançats (ICREA)（加泰罗尼亚高级研究学院（ICREA））
本研究评估了经典树模型与神经网络在蛋白质-配体结合亲和力预测中的表现，发现结合2D和3D模型优势可超越现有最先进方法，为药物发现策略提供重要见解。
2024-07-15 cs.LG q-bio.BM q-bio.QM
Development and evaluation of a deep learning model for protein-ligand binding affinity prediction
Institute of Biochemistry and Biophysics, Polish Academy of Sciences（波兰科学院生物化学与生物物理研究所）；University of Warsaw（华沙大学）
基于结构的配体发现是增强药物发现过程的最成功的方法之一。目前，有一个显着的转变，机器学习（ML）的方法来帮助这样的程序。深度学习最近引起了相当大的关注，因为它允许模型“学习”以提取与手头任务相关的特征。我们开发了一种新的深度神经网络，估计配体-受体复合物的结合亲和力。该复合物用3D网格表示，该模型利用3D卷积来生成该表示的特征图，以相同的方式处理蛋白质和配体的原子。我们的网络进行了测试，CASF的“评分能力”基准和Astex多样集和优于经典的评分功能。该模型以及使用说明和示例可在http://gitlab.com/cheminfIBB/pafnucy上以git存储库的形式提供
2018-01-03 cs.LG q-bio.BM stat.ML
FLOWR.root: A flow matching based foundation model for joint multi-purpose structure-aware 3D ligand generation and affinity prediction
Machine Learning & Computational Sciences, Pfizer Worldwide R&D（辉瑞全球研发 机器学习与计算科学部）；Computational Chemistry, Medicine Design, Pfizer Worldwide R&D（辉瑞全球研发 计算化学与医学设计部）；Doctoral School of Medical and Health Sciences, Jagiellonian University Medical College（杰拉西利昂大学医学院医学与健康科学博士学院）；Department of Physicochemical Drug Analysis, Faculty of Pharmacy, Jagiellonian University Medical College（杰拉西利昂大学医学院药物物理化学分析系）；Institute of Structural Biology, Molecular Targets and Therapeutics Center, Helmholtz Munich（海德堡-慕尼黑分子靶点与治疗中心 结构生物学研究所）；TUM School of Natural Sciences, Department of Bioscience, Bayerisches NMR Zentrum, Technical University of Munich（慕尼黑技术大学自然科学学院 生物科学系，拜耳核磁共振中心）
提出SE(3)-等变流匹配模型FLOWR.root，实现口袋感知的3D配体生成、效力与结合亲和力预测及置信度估计，支持从头生成、条件采样、片段优化替换及多终点亲和力预测，在无条件分子生成和口袋条件配体生成上达到最优性能，并通过参数高效微调在亲和力预测上超越现有方法。
2026-05-29 cs.LG q-bio.BM
Improved Protein-ligand Binding Affinity Prediction with Structure-Based Deep Fusion Inference
Lawrence Livermore National Laboratory（劳伦斯利弗莫尔国家实验室）
预测准确的蛋白质-配体结合亲和力在药物发现中很重要，但即使使用计算昂贵的基于生物制药学的能量评分方法和最先进的深度学习方法，仍然是一个挑战。尽管最近在基于深度卷积和图神经网络的方法中取得了进展，但模型性能取决于输入数据表示，并且受到明显的限制。为了更好地预测，很自然地将互补特征及其从各个模型中的推断结合起来。我们提出了融合模型，以受益于不同的特征表示的两个神经网络模型，以提高结合亲和力预测。我们通过使用PDBBind 2016数据集及其对接姿势复合体进行实验来证明所提出方法的有效性。结果表明，所提出的方法提高了整体预测相比，具有更大的计算效率比相关的生物物理学为基础的能量评分功能的个别神经网络模型。我们还讨论了建议的融合推理与几个例子复杂的好处。该软件在https://github.com/llnl/fast上作为开放源代码提供。
2020-05-17 cs.LG q-bio.BM
AI Model for Predicting Binding Affinity of Antidiabetic Compounds Targeting PPAR
本研究基于ChEMBL数据库的3764个小分子，利用2D分子描述符和AutoDock Vina对接结果训练深度学习模型，以回归方式预测PPAR配体结合亲和力，测试集R²达0.655，展现出在PPAR相关疾病药物研发中的应用潜力。
2024-12-28 q-bio.BM
PIGNet2: A Versatile Deep Learning-based Protein-Ligand Interaction Prediction Model for Binding Affinity Scoring and Virtual Screening
KAIST（韩国科学技术院）；HITS Incorporation（HITS公司）
针对结构-亲和力数据稀缺导致模型难以兼顾结合亲和力评分与虚拟筛选的问题，本文提出融合新型数据增强策略和物理信息图神经网络的PIGNet2，在多项基准上达到或超过专用模型及最先进方法。
2023-07-17 cs.LG 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
Curvature-Guided Geometric Representation for Protein-Ligand Binding Affinity Prediction
School of Mathematics, Sun Yat-sen University（中山大学数学学院）；Department of Electrical Engineering, City University of Hong Kong（香港城市大学电机工程系）
提出RicciBind框架，利用里奇曲率捕捉局部相互作用紧密度，结合最优传输实现跨域对齐，提升结合亲和力预测的准确性与可解释性。
2026-06-15 cs.LG q-bio.BM
DeepAtom: A Framework for Protein-Ligand Binding Affinity Prediction
University of Florida（佛罗里达大学）
计算药物设计的基石是计算两个生物对应物之间的结合亲和力，特别是化学化合物，即，配体和蛋白质。以合理的准确度预测蛋白质-配体结合的强度对于药物发现至关重要。在本文中，我们提出了一个名为DeepAtom的数据驱动框架，以准确预测蛋白质-配体结合亲和力。借助3D卷积神经网络（3D-CNN）架构，DeepAtom可以从体素化的复杂结构中自动提取与绑定相关的原子交互模式。与其他基于CNN的方法相比，我们的轻量级模型设计有效地提高了模型的表示能力，即使在有限的可用训练数据。通过对PDBbind v.2016基准测试和独立的Astex Diverse Set进行验证实验，我们证明了较少依赖于特征工程的DeepAtom方法始终优于其他最先进的评分方法。我们还编写并提出了一个新的基准数据集，以进一步提高模型的性能。使用新的数据集作为训练输入，DeepAtom在PDBbind v.2016核心集上实现了Pearson的R=0.83和RMSE=1.23 pK单位。令人鼓舞的结果表明，DeepAtom模型可以用于计算药物开发协议，如分子对接和虚拟筛选。
2019-12-01 cs.AI cs.LG q-bio.BM
FlowDock: Geometric Flow Matching for Generative Protein-Ligand Docking and Affinity Prediction
University of Missouri-Columbia（密苏里大学哥伦比亚分校）
本研究提出基于条件流匹配的深度几何生成模型FlowDock，可同时实现多配体柔性蛋白质-配体对接、结构置信度与亲和力预测，在多个基准测试中表现优异，助力药物研发中的虚拟筛选。
2025-03-24 cs.AI cs.LG q-bio.BM
Hierarchy and assortativity as new tools for affinity investigation: the case of the TBA aptamer-ligand complex
适体是单链DNA、RNA或肽序列，其具有结合多种特异性靶标（蛋白质、分子以及离子）的能力。因此，用于治疗和诊断应用的适体生产和选择是非常具有挑战性的。通常它们是在体外产生的，但是，最近，已经开发了计算机方法用于计算机选择，对特定靶标具有更高的亲和力。无论如何，适体-配体形成的机制并不完全清楚，也不明显预测。本文的目的是开发一个计算模型，能够描述适体-配体亲和性能，通过使用相应的图形的拓扑结构，通过数值工具，如传统的度分布，但也的秩度分布（层次结构）和节点的可伸缩性评估。计算适用于凝血酶结合适体（TBA），和TBA-凝血酶复合物，在Na+或K+的存在下产生的。拓扑分析揭示了两种阳离子存在下的大分子之间的不同的亲和性能，如文献中先前的调查所预期的。这些结果表明，图拓扑分析作为一种新的理论工具，测试亲和力。另外，从图开始，可以通过使用氨基酸和核碱基的特定电性质来获得电网络。因此，进一步的分析涉及电响应，其揭示了电阻敏感地取决于钠或钾的存在，从而将电阻作为测试亲和力的关键物理参数。
2017-06-26 cond-mat.soft cs.CE physics.bio-ph
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
Hybrid Quantum Neural Networks for Efficient Protein-Ligand Binding Affinity Prediction
本研究提出一种混合量子神经网络（HQNN），通过在潜在特征空间逼近非线性函数，在NISQ设备上实现了参数高效的蛋白质-配体结合亲和力预测，性能优于经典神经网络。
2025-09-14 cs.ET cs.LG 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
DecoyDB: A Dataset for Graph Contrastive Learning in Protein-Ligand Binding Affinity Prediction
Department of CISE, University of Florida（计算机与信息科学系，佛罗里达大学）
针对蛋白质-配体结合亲和力预测中标签稀缺问题，提出大规模结构感知数据集DecoyDB及定制图对比学习框架，预训练后微调显著提升准确性、标签效率和泛化性。
2025-07-08 cs.LG q-bio.BM
HAC-Net: A Hybrid Attention-Based Convolutional Neural Network for Highly Accurate Protein-Ligand Binding Affinity Prediction
Yale University（耶鲁大学）
本文提出 HAC-Net，一种结合三维卷积通道注意力与图卷积注意力聚合的混合深度学习模型，在 PDBbind v.2016 核心集上取得最先进蛋白质-配体结合亲和力预测性能，并通过多种数据划分和低质量数据评估验证其泛化能力。
2023-03-28 cs.LG q-bio.BM
Towards Precision Protein-Ligand Affinity Prediction Benchmark: A Complete and Modification-Aware DAVIS Dataset
The University of Texas Health Science Center at Houston（德克萨斯大学健康科学中心休斯顿分校）；Texas A&M University（德克萨斯农工大学）
本文提出一个包含修饰信息的DAVIS数据集，并设计三种基准测试来评估模型在蛋白质修饰下的泛化能力，发现基于对接的模型在零样本设置中表现更优。
2025-11-30 cs.LG q-bio.BM
OnionNet: a multiple-layer inter-molecular contact based convolutional neural network for protein-ligand binding affinity prediction
计算药物发现为大规模先导分子筛选提供了有效的工具。先导化合物发现的主要任务之一是鉴定对靶点（一般是蛋白质）具有有希望的结合亲和力的分子。目前用于预测结合亲和力的评分函数的准确性不够令人满意。因此，最近已经开发了基于机器学习（ML）或深度学习（DL）的方法来改进评分函数。在这项研究中，引入了一种深度卷积神经网络（CNN）模型（称为OnionNet），其特征基于配体和蛋白质原子之间的无旋转元素对特异性接触，并将接触进一步分组在不同的距离范围内，以覆盖配体和蛋白质之间的局部和非局部相互作用信息。使用评分函数比较评估（CASF-2013）基准和PDBbind数据库的v2016核心集对模型的预测能力进行评估并与其他评分函数进行比较。当与以前的基于CNN的评分函数相比时，我们的模型显示预测的结合亲和力和实验测量的结合亲和力之间的回归的相关性（R）和标准偏差（SD）分别提高了0.08和0.16。通过预测从对接模拟而不是实验确定的PDB结构产生的复合物的结合亲和力，进一步探讨了该模型的鲁棒性。
2019-06-06 physics.bio-ph physics.comp-ph q-bio.BM
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
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
Coarse-grained molecular simulations of allosteric cooperativity
蛋白质和配体之间的相互作用通常伴随着热可及构象的群体的重新分布。蛋白质的功能能量景观的这种动态响应使得蛋白质能够调节结合亲和力并控制对配体浓度的结合敏感性。在本文中，我们调查的结合亲和力和结合两个钙离子的钙调素（CaM）的每个域的变构协同性的结构起源，通过模拟一个简单的粗粒度模型。在这个模型中，蛋白质的开放和封闭的构象系综之间的构象转换进行了明确的模拟和配体的结合和unbinding内的大典Ensemble隐式处理。配体结合是协同的，因为结合位点在结合时通过主要构象系综的移位而偶联。经典的Monod-Wyman-Changeux变构模型与适当的结合自由能的开放和封闭的合奏准确地描述了模拟的结合热力学。模拟结果表明，CaM的两个结构域具有不同的结合亲和力和协同性。特别地，C-末端结构域以比N-末端结构域更高的亲和力和更大的协同性结合钙。从结构的角度来看，单个结合环的亲和力敏感地取决于环与结合系综中配体的结构相容性，以及未结合系综中结合位点的构象柔性。
2016-03-11 physics.bio-ph q-bio.BM
General Binding Affinity Guidance for Diffusion Models in Structure-Based Drug Design
University of California, Berkeley（加州大学伯克利分校）；NVIDIA（NVIDIA公司）
BADGER是一种用于基于结构的药物设计中扩散模型的通用结合亲和力指导框架，通过两种互补策略提升配体生成的结合亲和力控制，并支持多约束优化设计真实可合成的药物候选物。
2026-02-10 cs.AI cs.LG physics.bio-ph
SPIN: SE(3)-Invariant Physics Informed Network for Binding Affinity Prediction
Yonsei University（延世大学）
SPIN通过引入几何和物理化学归纳偏置，在蛋白质-配体结合亲和力预测中实现卓越泛化，并在基准集上优于对比模型。
2024-07-10 cs.AI cs.LG q-bio.BM
Are 2D fingerprints still valuable for drug discovery?
最近，使用诸如代数拓扑、微分几何和图论的高等数学从三维（3D）结构提取的分子指纹已经与高效的机器学习（特别是深度学习算法）配对，以在药物发现应用和竞争中优于其他方法。这就提出了一个问题，即经典的二维指纹在计算机辅助药物发现中是否仍然有价值。这项工作考虑了与四个典型问题相关的23个数据集，即蛋白质-配体结合，毒性，溶解度和分配系数，以评估8个二维指纹的性能。先进的机器学习算法，包括随机森林，梯度提升决策树，单任务深度神经网络和多任务深度神经网络被用来构建高效的二维指纹模型。此外，建立适当的共识模型，以进一步提高性能的二维指纹为基础的方法。它表明，二维指纹为基础的模型执行以及最先进的三维结构为基础的模型的预测毒性，溶解度，分配系数和蛋白质-配体结合亲和力的基础上，只有配体信息。然而，在基于复合物的蛋白质-配体结合亲和力预测中，基于3D结构的模型优于基于2D指纹的方法。
2019-11-03 q-bio.BM
Binding cooperativity of membrane adhesion receptors
细胞的粘附是由锚定在相对膜上的受体和配体介导的。一个中心问题是如何表征这些膜锚定分子的结合亲和力。对于可溶性分子，结合亲和力通常通过结合复合物的体积浓度[RL]与未结合分子的体积浓度[R]和[L]之间的线性关系[RL] = K3 D [R][L]中的结合平衡常数K3 D来定量。对于膜锚定分子，通常通过类比假设结合复合物的面积浓度[RL]与未结合受体和配体分子的面积浓度的乘积[R][L]成比例。我们在这里显示（i），这种类比是唯一有效的两个平面膜固定在刚性表面上，和（ii）的热粗糙度的柔性膜导致受体和配体的合作结合。在柔性膜的情况下，对于细胞粘附区中受体和配体的典型长度和浓度，受体-配体键的面积浓度[RL]与[R][L]的平方成比例。合作结合有助于理解为什么不同的实验方法来测量膜锚定分子的结合亲和力导致了几个数量级的差异值。
2009-06-02 cond-mat.soft q-bio.BM
TerraBind: Fast and Accurate Binding Affinity Prediction through Coarse Structural Representations
Terray Therapeutics, Inc.（Terray Therapeutics公司）
TerraBind通过粗粒结构性表示实现了快速且准确的结合亲和力预测，其推理速度比现有方法快26倍，同时在亲和力预测准确性上提升了约20%。
2026-02-08 cs.LG 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
Phen-DC 3 Induces Refolding of Human Telomeric DNA into a Chair-Type Antiparallel G-Quadruplex through Ligand Intercalation
本研究利用高分辨率NMR揭示Phen-DC3嵌入人类端粒分子内G-四链体，促使其从hybrid-1重折叠为反平行椅型结构并排出钾离子。
2023-06-07 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
Computational Analysis using Multi-ligand Simultaneous Docking of Withaferin A and Garcinol Reveals Enhanced BCL-2 and AKT-1 Inhibition
本研究通过单配体对接与 MLSD 评估 Withaferin A 和 Garcinol 对 BCL-2、AKT-1 的协同结合，发现其亲和力均优于商用抑制剂，为抗癌及靶向干细胞药物开发提供依据。
2025-05-13 q-bio.BM
Assay-Aware BindingDB: Curating Experimental Context for Binding Affinity Prediction
The University of Texas Health Science Center at Houston（休斯顿德克萨斯大学健康科学中心）；Texas A&M University（德克萨斯农工大学）；The University of Texas MD Anderson Cancer Center（德克萨斯大学MD安德森癌症中心）；Mayo Clinic（梅奥诊所）
针对生物活性数据异质性，提出Assay-Aware BindingDB数据集及上下文条件亲和力模型，通过两阶段智能体框架提取测定元数据，提升预测性能，验证了元数据的价值。
2026-09-29 q-bio.BM
Best practices for constructing, preparing, and evaluating protein-ligand binding affinity benchmarks
自由能计算在结构使能的药物发现计划中正迅速变得不可或缺。随着新方法、力场和实现的发展，评估它们在现实世界系统中的预期准确性（基准测试）变得至关重要，以便为用户提供对这些方法在其适用范围内应用时预期准确性的评估，并为开发人员提供评估新方法预期影响的方法。这些评估需要构建一个基准-一套准备充分的高质量系统，以及相应的实验测量，旨在确保当这些方法在其适用范围内部署时，所产生的计算提供对预期性能的现实评估。到目前为止，社区尚未采用一个共同的标准化基准，现有的基准报告受到无数问题的困扰，包括数据质量差，统计能力有限，统计分析不足，所有这些都可能导致基准对现实世界的表现预测不良。在这里，我们通过提出以下指导方针来解决这些问题：（1）管理实验数据以开发有意义的基准集，（2）根据最佳实践准备基准输入以促进广泛采用，以及（3）分析所产生的预测以实现方法和力场之间的统计学意义的比较。
2021-11-12 physics.bio-ph physics.chem-ph q-bio.BM
Mathematical deep learning for pose and binding affinity prediction and ranking in D3R Grand Challenges
将多尺度加权彩色图和元素特异性持久同源性等高等数学与包括深度神经网络在内的机器学习相结合，构建了用于计算机辅助药物设计和发现中的最后两个D3 R重大挑战中的姿势和结合亲和力预测和排名的数学深度学习模型。D3 R Grand Challenge 2（GC 2）集中于法尼醇X受体配体的位姿预测和结合亲和力排名以及自由能预测。我们的模型在第二阶段的自由能集合1的绝对自由能预测中获得了第一名。最新的比赛D3 R Grand Challenge 3（GC 3）被认为是迄今为止最困难的挑战。它有5个亚挑战，涉及组织蛋白酶S和5个其他激酶靶点，即VEGF 2、JAK 2、p38- $α$、TIE 2和ABL 1。GC 3共有26个正式竞赛任务。我们的预测在26个官方竞争性任务中的10个中排名第一。
2018-04-27 q-bio.BM
A Geometric Graph-Based Deep Learning Model for Drug-Target Affinity Prediction
Department of Mathematics, Kennesaw State University（凯斯西储大学数学系）；Department of Mathematics, University of Tennessee（田纳西大学数学系）
提出DeepGGL模型，利用几何图学习框架结合残差连接与注意力机制捕捉蛋白质-配体多尺度原子级相互作用，在多个基准数据集上取得最先进的药物-靶标亲和力预测性能。
2025-09-15 cs.LG 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
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
SS-GNN: A Simple-Structured Graph Neural Network for Affinity Prediction
Hebei Normal University（河北师范大学）
由于实际应用中计算资源有限，高效的药物-靶点结合亲和力（DTBA）预测是一项具有挑战性的任务，也是药物筛选的重要基础。受图神经网络（GNNs）良好的表示能力的启发，本文提出了一种结构简单的GNN模型SS-GNN来精确预测DTBA。通过构造基于距离阈值的单个无向图来表示蛋白质与配体相互作用，极大地减小了图数据的规模。此外，忽略蛋白质中的共价键进一步降低了模型的计算成本。GNN-MLP模块将图中原子和边的潜在特征提取作为两个相互独立的过程。我们还开发了一种基于边的原子对特征聚集方法来表示复杂的相互作用和一种基于图池的方法来预测复合物的结合亲和力。我们使用一个简单的模型（只有0.6M参数），而不引入复杂的几何特征描述，实现了最先进的预测性能。SS-GNN在PDBbind v2016核心集上实现了Pearson的Rp=0.853，比最先进的基于GNN的方法高出5.2%。模型结构简化，数据处理过程简洁，提高了模型的预测效率。对于典型的蛋白质-配体复合物，亲和力预测仅需0.2 ms。所有代码均可在https://github.com/xianyuco/SS-GNN上免费访问。
2022-05-25 cs.LG q-bio.BM
Real-time observation of ligand-induced allosteric transitions in a PDZ domain
虽然变构对于蛋白质调节是至关重要的，但是在一个位点处配体结合（不结合）的潜在动力学过程、导致蛋白质结构的时间演变以及在远程位点处结合亲和力的变化还没有被很好地理解。在这里，配体诱导的构象转变，在一个广泛研究的模型系统的变构，PDZ 2域，进行了研究瞬态红外光谱伴随分子动力学模拟。为此，偶氮苯衍生的光开关以其对PDZ 2结构域的结合亲和力在切换时改变的方式连接至肽配体，从而引发PDZ 2结构域蛋白中的变构转变。蛋白质的随后响应，覆盖从$\sim$ 1~ns到$\sim$ 10~ $μ$ s的40年时间，可以通过重塑其崎岖的自由能景观来合理化，在少数结构明确定义的状态的群体中具有非常微妙的变化。有人提出，结构和动态驱动的变构，通常被讨论为变构通信的限制方案，实际上是齐头并进的，允许蛋白质适应其自由能景观传入信号。
2020-12-18 physics.bio-ph 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
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
From Static to Dynamic Structures: Improving Binding Affinity Prediction with Graph-Based Deep Learning
Institute for Interdisciplinary Information Sciences, Tsinghua University（清华大学交叉信息研究院）；School of Medicine, Tsinghua University（清华大学医学院）；KTH Stockholm（瑞典皇家理工学院）；Microsoft Research Asia（微软亚洲研究院）；School of Life Science and Technology, Xidian University（西安电子科技大学生命科学技术学院）；School of Engineering, Westlake University（西湖大学工程学院）
本文提出基于图的深度学习模型Dynaformer，利用分子动力学轨迹学习蛋白质-配体相互作用的几何特征，在CASF-2016基准上取得最优性能，并在HSP90虚拟筛选中发现12个命中化合物，验证了动态结构信息对提升结合亲和力预测和加速药物发现的价值。
2024-09-02 cs.LG physics.chem-ph q-bio.BM
On fine-tuning Boltz-2 for protein-protein affinity prediction
Synteny London, UK（伦敦Synteny研究所）
本文研究了在蛋白质-蛋白质亲和力预测中微调Boltz-2的表现，发现其在小规模和大规模数据集上均不如基于序列的方法，但结合结构和序列嵌入可提升性能。
2025-12-06 cs.LG q-bio.BM
Ligand-induced oligomerization of the human GPCR neurotensin receptor 1 monitored in living HEK293T cells
人神经降压素受体1（NTSR 1）是一种G蛋白偶联受体，可通过稳定转染在HEK 293 T细胞中表达。其配体是一种13个氨基酸的肽，从细胞外侧以纳摩尔亲和力结合NTSR 1。配体结合诱导引发细胞内信号传导过程的构象变化。最近的单分子研究揭示了受体在体外的动态单体-二聚体平衡。在这里，我们报告的寡聚化状态的人NTSR 1在HEK 293 T细胞的质膜在体内。我们将不同的荧光标记蛋白mRuby 3或mNeonGreen融合到NTSR 1的C-末端，并将四半胱氨酸基序突变为细胞内环3（ICL 3），用于随后的FlAsH标记。通过FLIM和homoFRET显微镜（即通过荧光各向异性检测的相同荧光团之间的福斯特共振能量转移），通过共定位显微镜和使用结构化照明显微镜（SIM）的延时成像，在用其配体刺激受体之前和之后监测NTSR 1的寡聚化。
2019-01-31 physics.bio-ph 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
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
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
Ligand Pose Generation via QUBO-Based Hotspot Sampling and Geometric Triplet Matching
提出基于QUBO热点采样与三原子几何匹配的配体姿态生成框架，在169个复合物上验证可高效恢复近天然姿态并支持大规模虚拟筛选。
2025-07-27 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
Competitive ligand binding kinetics to linear polymers
本研究推导了线性聚合物多配体竞争性结合的通用动力学模型，发现配体尺寸对结合竞争的影响大于结合亲和力与协同性，低结合模式配体在结合能相近时覆盖效率更高。
2024-05-19 cond-mat.soft cond-mat.stat-mech q-bio.BM
