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
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
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
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
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
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
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
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
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
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
APObind: A Dataset of Ligand Unbound Protein Conformations for Machine Learning Applications in De Novo Drug Design
International Institute of Information Technology, Hyderabad（海得拉巴国际信息技术学院）
蛋白质-配体复合物结构已被用于设计基准机器学习方法，其执行与药物设计相关的重要任务，例如受体结合位点检测、小分子对接和结合亲和力预测。然而，这些方法通常仅在蛋白质的配体结合（或全）构象上训练，因此当蛋白质结构处于其天然未结合构象（或apo）时不能保证良好地执行，所述天然未结合构象通常是新鉴定的受体可用的构象。其主要原因是结合位点的局部结构通常在配体结合时改变。为了便于解决这个问题，我们提出了一个名为APObind的数据集，旨在提供PDBbind数据集中存在的蛋白质的apo构象，PDBbind数据集是一个用于药物设计的流行数据集。此外，我们还探索了特定于该数据集上三个用例的方法的性能，通过这些方法，证明了在APObind数据集上验证它们的重要性。
2021-08-25 cs.AI cs.LG 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
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
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
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
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
PANDA: Predicting the change in proteins binding affinity upon mutations using sequence information
准确测定突变后蛋白质结合亲和力的变化对于发现和设计新的治疗剂以及辅助诱变研究是重要的。测定突变后结合亲和力的变化需要复杂、昂贵和耗时的湿实验室实验，这些实验可以用计算方法来辅助。大多数计算预测技术需要蛋白质结构，这限制了它们对具有已知结构的蛋白质复合物的适用性。在这项工作中，我们探索了基于序列的预测突变后蛋白质结合亲和力的变化。我们已经使用蛋白质序列信息代替蛋白质结构以及机器学习技术来准确预测突变后蛋白质结合亲和力的变化。我们提出的基于序列的蛋白质结合亲和力预测新变化称为PANDA，在相同的验证集以及外部独立的测试数据集上，比现有的方法具有更好的准确性。在外部测试数据集上，我们提出的方法给出的最大Pearson相关系数为0.52，而现有的基于蛋白质结构的方法MutaBind给出的最大Pearson相关系数为0.59。我们提出的基于蛋白质序列的方法预测突变后结合亲和力的变化，与现有的基于蛋白质结构的方法相比具有广泛的适用性和相当的性能。PANDA及其Python代码的基于云的Web服务器实现可在https://sites.google.com/view/wajidarshad/software和https://github.com/wajidarshad/panda上获得。
2020-09-16 cs.AI 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
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
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
Cross-Modality Protein Embedding for Compound-Protein Affinity and Contact Prediction
Texas A&M University（得克萨斯农工大学）
化合物-蛋白质对主导FDA批准的药物-靶标对，并且化合物-蛋白质亲和力和接触（CPAC）的预测可以帮助加速药物发现。在这项研究中，我们认为蛋白质的多模态数据，包括一维氨基酸序列和（序列预测）二维残基对接触地图。我们经验性地评估了两种单一模式的嵌入在其CPAC预测（即无结构可解释的化合物-蛋白质亲和力预测）的准确性和普遍性。我们合理化他们的表现在嵌入个人模态和学习概括嵌入标签关系的挑战。我们进一步提出了两个涉及交叉模态蛋白质嵌入的模型，并确定具有交叉相互作用（从而捕获模态之间的相关性）的模型在亲和力，接触和结合位点预测方面优于SOTA和我们的单一模态模型，这些预测在训练集中从未见过。
2020-11-14 cs.LG 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
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
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
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
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
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
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
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
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
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
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
One-step Structure Prediction and Screening for Protein-Ligand Complexes using Multi-Task Geometric Deep Learning
Medical School of Nanjing University（南京大学医学院）；National Institute of Healthcare Data Science, Nanjing University（南京大学国家健康数据科学研究院）；School of Life Sciences, Nanjing University（南京大学生命科学学院）
针对药物开发中蛋白质-配体复合物结构预测与筛选的准确性及效率受限问题，提出基于多任务几何深度学习的单一模型LigPose，通过图表示直接优化三维结构并结合辅助任务，实现无需分子对接工具的一步预测，在主要药物研究任务上取得最先进性能。
2024-08-21 cs.AI cs.LG q-bio.BM
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
Investigating Knowledge Distillation Through Neural Networks for Protein Binding Affinity Prediction
University of Azad Jammu & Kashmir（阿扎德查谟和克什米尔大学）；Pakistan Institute of Engineering and Applied Sciences（巴基斯坦工程与应用科学学院）
本文提出基于知识蒸馏的神经网络方法，利用蛋白质结构数据提升序列预测模型的蛋白质结合亲和力预测性能。
2026-01-07 cs.AI cs.LG q-bio.BM
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
Pre-training of Graph Neural Network for Modeling Effects of Mutations on Protein-Protein Binding Affinity
University of Illinois at Urbana Champaign（伊利诺伊大学厄巴纳-香槟分校）；Tsinghua University（清华大学）
模拟突变对结合亲和力的影响在蛋白质工程和药物设计中起着至关重要的作用。在这项研究中，我们开发了一种新的基于深度学习的框架，命名为GraphPPI，根据图神经网络（GNN）提供的特征预测突变后的结合亲和力变化。特别是，GraphPPI首先采用精心设计的预训练方案来强制GNN以无监督的方式捕获预测突变对结合亲和力影响的特征，然后将这些图形特征与梯度提升树集成以执行预测。实验表明，在没有任何注释信号的情况下，GraphPPI可以捕获有意义的蛋白质结构模式。此外，GraphPPI在预测五个基准数据集上单点和多点突变的结合亲和力变化方面实现了新的最先进性能。深入分析还表明，GraphPPI可以准确估计突变对SARS-CoV-2与其中和抗体之间结合亲和力的影响。这些结果使GraphPPI在蛋白质设计研究中成为一个强大而有用的计算工具。
2020-08-28 cs.LG q-bio.BM q-bio.QM
InteractionNet: Modeling and Explaining of Noncovalent Protein-Ligand Interactions with Noncovalent Graph Neural Network and Layer-Wise Relevance Propagation
KAIST（韩国科学技术院）
将基于图的深度学习模型的范围扩展到非共价蛋白质与配体相互作用，在基于结构的药物设计中赢得了越来越多的关注。用图神经网络（GNN）对蛋白质与配体相互作用进行建模在将蛋白质-配体复合物结构转换为图表示方面遇到了困难，并且留下了关于训练的模型是否正确地学习适当的非共价相互作用的问题。在这里，我们提出了一个GNN架构，表示为InteractionNet，它通过不同的卷积层学习两个独立的分子图，共价和非共价。我们还使用可解释性技术分析了InteractionNet模型，即，逐层相关性传播，用于检查模型预测的化学相关性。共价和非共价卷积步骤的分离使得可以独立地评估每个步骤的贡献并分析非共价相互作用的图形构建策略。我们将InteractionNet应用于蛋白质-配体结合亲和力的预测，并表明我们的模型成功地预测了非共价相互作用的性能和化学解释的相关性。
2020-05-12 cs.LG q-bio.BM stat.ML
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
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
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
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
BioLM-Score: Language-Prior Conditioned Probabilistic Geometric Potentials for Protein-Ligand Scoring
School of Computer Science, University of Nottingham Ningbo（计算机科学学院，诺丁汉大学宁波分校）；School of Artificial Intelligence, Shenzhen University（人工智能学院，深圳大学）
BioLM-Score结合几何建模与表征学习，提供一种高效、可泛化且可解释的蛋白质-配体评分方法，提升药物发现效率。
2026-02-09 cs.AI cs.LG 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
FABind: Fast and Accurate Protein-Ligand Binding
Beijing Key Laboratory of Big Data Management and Analysis Methods（大数据管理与分析方法北京市重点实验室）；Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学高瓴人工智能学院）；School of Computer Science and Technology, Huazhong University of Science and Technology（华中科技大学计算机科学与技术学院）；Microsoft Research AI4Science（微软研究院AI4Science）；School of Information Science and Technology, University of Science and Technology of China（中国科学技术大学信息科学技术学院）
针对药物发现中蛋白质-配体结合预测的效率与准确性难以兼顾的问题，提出端到端模型FABind，通过结合配体信息的口袋预测与增量整合口袋的对接优化，实现了高效且准确的蛋白质-配体结合。
2024-01-09 cs.AI 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
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
CoPRA: Bridging Cross-domain Pretrained Sequence Models with Complex Structures for Protein-RNA Binding Affinity Prediction
Tsinghua University（清华大学）；University College London（伦敦大学学院）；Monash University（莫纳什大学）；Beijing University of Posts and Telecommunications（北京邮电大学）
本文提出CoPRA框架，通过复杂结构桥接跨域预训练序列模型，并构建PRA310数据集，在蛋白质-RNA结合亲和力预测及突变效应预测上达到最先进性能。
2025-01-03 cs.LG q-bio.BM
State-specific protein-ligand complex structure prediction with a multi-scale deep generative model
California Institute of Technology（加州理工学院）；Nvidia Corporation（英伟达公司）；Entos, Inc.（Entos公司）
本文提出 NeuralPLexer，仅依据蛋白质序列与配体分子图，通过多尺度扩散生成模型预测状态特异性蛋白质-配体复合物及构象变化，并在对接、结构恢复和全局蛋白质准确性上超越现有方法。
2023-04-19 cs.LG q-bio.BM q-bio.QM
