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
Exploring AlphaFold 3 for CD47 Antibody-Antigen Binding Affinity: An Unexpected Discovery of Reverse docking
University College London Cancer Institute(伦敦大学学院癌症研究所);King's College London School of Basic & Medical Biosciences(伦敦国王学院基础与医学生命科学学院);China Pharmaceutical University School of Life Science and Technology(中国药大学生命科学与技术学院);China Pharmaceutical University School of Science(中国药理大学科学学院)
本研究探索AlphaFold 3在CD47抗体-抗原复合物结构预测及结合亲和力分析中的应用,发现其具预筛选潜力,还意外观察到反向对接现象,为相关AI优化提供经验。
2025-11-18 q-bio.BM
An Equation for Predicting Binding Strengths of Metal Cations to Protein of Human Serum Transferrin
由于人血清转铁蛋白(hTF)自由存在于血清中,它是癌症治疗药物的潜在靶点,也是通过长期输血治疗患者铁超载的潜在靶点。理解hTF与金属离子之间的相互作用对于生物学、药理学、毒理学和其他蛋白质工程目的是非常重要的。本文提出了一个简单的线性自由能相关来预测hTF蛋白与金属阳离子之间的结合强度。一类金属-hTF配合物的稳定常数可以与非溶剂化能和阳离子半径相关。结合强度由给定阳离子的物理性质(电荷和大小或离子半径)和化学性质(非溶剂化能)决定。然后,可以系统地预测二价和三价金属的结合强度。
2021-11-01 q-bio.BM
Advancing biomolecular understanding and design following human instructions
本文提出 InstructBioMol,通过自然语言、分子与蛋白质的任意到任意对齐,使模型可按人类指令理解并设计生物分子,在药物分子和酶设计任务上取得显著提升。
2025-07-25 cs.CL q-bio.BM
NeuralPLexer3: Accurate Biomolecular Complex Structure Prediction with Flow Models
Iambic Therapeutics(艾姆比克治疗公司);Core Contributors(核心贡献者)
本文提出了一种受物理启发的基于流的生成模型NeuralPLexer3,用于预测生物分子复合物结构,在预测精度、训练与采样效率及药物设计关键领域均取得显著提升。
2024-12-18 cs.LG physics.chem-ph q-bio.BM
Predicting the binding of small molecules to proteins through invariant representation of the molecular structure
本文提出生成对旋转、平移及原子排列不变的分子抽象表示,并用于训练非深度机器学习模型,以分类蛋白质口袋与分子的结合,且泛化能力优于现有方法。
2024-05-08 physics.chem-ph q-bio.BM
Genetically designed biomolecular capping system for mesoporous silica nanoparticles enables receptor-mediated cell uptake and controlled drug release
具有按需释放和靶向能力的有效和可控的药物递送系统在生物医学应用中受到了极大的关注。在这里,我们描述了一种新的酶为基础的帽系统介孔二氧化硅纳米粒子(MSN),直接结合了通过生物正交点击化学的靶向配体。加帽系统是基于芳基磺酰胺官能化的MSN和碳酸酐酶(CA)的pH响应性结合。含有降冰片烯部分的非天然氨基酸(UAA)通过基因整合到CA中。这种UAA允许位点特异性生物正交连接,甚至非常敏感的靶向配体,如叶酸和花生四烯酸。这导致特异性受体介导的细胞和干细胞摄取。我们证明了成功的交付和释放的化疗药物放线菌素D KB细胞。这种新颖的纳米载体概念为开发精确可控和高度模块化的治疗诊断系统提供了一个有前途的平台。
2015-10-13 cond-mat.soft physics.bio-ph q-bio.BM
A review of mathematical representations of biomolecules
最近,机器学习(ML)已经在计算生物学的各种全球基准竞赛中确立了自己的地位,包括结构预测的关键评估(CASP)和药物设计数据资源(D3 R)大挑战。然而,生物分子数据集的复杂结构和高ML维数阻碍了ML算法在该领域的有效应用。除了数据和算法之外,用于生物分子预测的高效ML机器必须包括结构表示作为不可或缺的组成部分。简化生物分子结构复杂性和降低ML维度的数学表示已成为D3 R大挑战的主要赢家。本文综述了本实验室近年来在生物分子低维可扩展数学表示方面的研究进展。我们讨论了三个类的数学方法,包括代数拓扑,微分几何和图论。我们阐明了物理和生物学的挑战如何指导这些数学仪器的演变和发展,以获得大量和多样化的生物分子数据。虽然这些方法在蛋白质分类、虚拟筛选、溶解度、溶剂化自由能、毒性、分配系数、突变后蛋白质折叠稳定性的预测等方面取得了巨大的成功,但本文主要对蛋白质-配体结合预测进行性能分析。
2019-12-03 math.AT math.DG q-bio.BM
A unified cross-attention model for predicting antigen binding specificity to both HLA and TCR molecules
Nanjing Tech University(南京工业大学);College of Computer and Information Engineering(计算机与信息工程学院)
提出统一交叉注意力模型UnifyImmun,通过虚拟对抗训练联合预测pHLA与pTCR结合,在外部测试和临床队列中提升性能并解释关键氨基酸位点。
2025-01-10 cs.LG q-bio.BM
Predicting mutational effects on protein binding from folding energy
Stanford University(斯坦福大学)
针对蛋白质结合突变效应预测,提出基于折叠能差值的迁移学习方法,利用预训练反向折叠模型,首个匹配FoldX精度且快千倍的深度学习预测器。
2025-07-07 cs.LG q-bio.BM
Pretata: predicting TATA binding proteins with novel features and dimensionality reduction strategy
Xiamen University(厦门大学)
背景:从新的蛋白质一级序列中发现蛋白质的功能是必要的。湿实验室实验不仅耗时,而且成本高,因此仅基于氨基酸序列可靠地预测蛋白质结构和功能具有重要价值。TATA结合蛋白(TBP)是一类DNA结合蛋白,在转录调控中起着关键作用。我们的研究提出了一个自动化的方法来识别TATA结合蛋白的高效,准确,方便。该方法为计算智能策略识别特定蛋白质提供了指导。结果如下:首先,我们提出了基于伪氨基酸组成、理化性质和二级结构的TBP指纹特征。其次,采用层次特征降维策略进一步提高性能。目前,Pretata实现了92.92%的TATA结合蛋白预测准确率,优于所有其他现有方法。结论:实验结果表明,该方法可以大大提高预测精度和速度,从而使大规模NGS数据预测实用化。开发了一个网络服务器,以方便其他研究人员,可以在http://server.malab.cn/preTata/上访问。
2017-03-07 cs.LG q-bio.BM q-bio.QM
Predicting mutational effects on protein-protein binding via a side-chain diffusion probabilistic model
Institute of Computing Technology, Chinese Academy of Sciences(中国科学院计算技术研究所);University of Chinese Academy of Sciences(中国科学院大学);Central China Research Institute for Artificial Intelligence Technologies(中原人工智能产业技术研究院)
本文提出SidechainDiff,利用未标注蛋白质结构和黎曼扩散模型学习侧链构象生成及突变结构上下文表示,在预测突变对蛋白质-蛋白质结合影响上达到最先进性能,并成为首个面向侧链的扩散生成模型。
2023-10-30 cs.LG q-bio.BM q-bio.QM
Folding, Reasoning, and Scaling with Open-source Drug Discovery Engine
Aureka AI(奥雷卡人工智能)
介绍开源全原子生物分子基础模型OpenDDE,以共折叠为切入点构建可扩展AI驱动药物发现引擎,整合多方面进展实现一定精度,还指出共折叠模型扩展方向,推动药物发现发展。
2026-07-07 cs.AI cs.CE q-bio.BM
Predicting non-neutral missense mutations and their biochemical consequences using genome-scale homology modeling of human protein complexes
需要计算方法来区分小部分错义突变,这些错义突变通过破坏蛋白质功能而导致疾病。我们描述了几种互补的方法,使用大规模的同源性建模的人类蛋白质复合物检测非中性突变。重要的是,与基于序列保守性的方法不同,这种基于结构的方法为疾病中的突变提供了实验上可测试的生化机制。具体而言,我们推断金属离子,小分子,蛋白质-蛋白质,和核酸结合位点的同源性,发现疾病相关的错义突变是更普遍的每一类结合位点比中性突变。重要的是,我们的方法识别出比RefSeq数据库中注释的多得多的结合位点。此外,通过机器学习预测的金属离子和蛋白质-蛋白质结合位点的分析显示,这些位点中疾病相关突变的相似优势。我们还得出了一个统计评分预测突变如何影响金属离子结合,并发现许多dbSNP突变,可能会破坏离子结合,但以前不认为有害的。我们还聚类蛋白质结构中的突变,以发现推定的功能区域。最后,我们开发了一个用于检测疾病相关错义突变的机器学习预测器,并在一个独立的测试集上显示它优于其他两种预测方法。
2013-08-20 q-bio.BM q-bio.GN
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
Predicting ATP binding sites in protein sequences using Deep Learning and Natural Language Processing
BITS Pilani, Goa Campus(BITS Pilani 果阿校区)
本文利用深度学习和NLP方法,以PSSM和词嵌入为特征,采用2D CNN和LightGBM等算法预测ATP-蛋白质结合位点,实验性能优于现有基准。
2024-02-02 cs.CL cs.LG q-bio.BM
Recent advances in computational methods for studying ligand binding kinetics
结合动力学参数可以与药物疗效相关,这导致了近年来各种计算方法的发展,用于预测结合动力学速率并深入了解蛋白质-药物结合途径和机制。在这篇综述中,我们介绍和比较最近开发的计算方法,并应用于两个系统,胰蛋白酶-苯甲脒和激酶抑制剂复合物。涉及分子动力学模拟或机器学习中的增强采样的方法不仅可用于预测动力学速率,而且可用于揭示调节停留时间、选择性和对突变的耐药性的持续时间的因素。强调了需要较少计算时间来进行预测的方法,并提出了减少计算动力学速率误差的建议。
2022-09-26 q-bio.BM
DTIAM: A unified framework for predicting drug-target interactions, binding affinities and activation/inhibition mechanisms
Central South University(中南大学);University of Helsinki(赫尔辛基大学)
DTIAM是一个统一框架,通过自监督预训练学习药物和靶点表示,预测相互作用、结合亲和力及激活/抑制机制,在冷启动场景中性能优于现有方法,并展现出强泛化能力。
2023-12-23 cs.LG q-bio.BM
Site4Drug: Predicting Drug-Binding Target Sites with an AI Agent
University of California, San Diego(加州大学圣地亚哥分校)
提出Site4Drug,一种模态感知的靶点发现智能体,通过整合拓扑、亲水性、翻译后修饰等证据,输出带约束、风险标记和决策日志的可靶向区域排名列表,并自动推荐结合模态。
2026-06-01 cs.LG q-bio.BM
Path separation of dissipation-corrected targeted molecular dynamics simulations of protein-ligand unbinding
蛋白质-配体结合模拟是近年来有偏分子动力学模拟的研究热点。这样的结合和解结合可以通过进入和离开结合位点的不同途径发生。在这里,我们提出了一个理论框架,如何计算沿不同路径的动力学,并结合到全球结合和非结合率与实验比较的路径特定的速率。使用耗散校正的靶向分子动力学结合温度提升的朗之万方程模拟[Nat. Commun. \textbf{11},2918(2020)]应用于二维模型和胰蛋白酶-苯甲脒复合物作为测试系统,我们评估了该程序的稳健性,并讨论了其预测复杂生物分子系统的多秒动力学的实用性方面。
2023-03-24 cond-mat.soft cond-mat.stat-mech physics.comp-ph
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
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
Multiview Random Vector Functional Link Network for Predicting DNA-Binding Proteins
Department of Mathematics, Indian Institute of Technology Indore(印度理工学院Indore数学系)
本文提出多视图随机向量功能链接网络,通过融合多视图学习与神经网络架构,提升DNA结合蛋白预测的准确性与泛化能力。
2026-01-26 cs.LG q-bio.BM
Compact Artificial Neural Network Models for Predicting Protein Residue -- RNA Base Binding
University of Bedfordshire(贝福德郡大学)
针对大型ANN模型训练资源需求高且生命科学数据有限的问题,研究通过实验浅层前馈ANN模型(含两个隐藏层及特定非线性函数),结合滑动窗口和模型集成等技术,证明小型模型可在蛋白质-RNA结合预测中达到可接受精度。
2025-11-11 cs.LG q-bio.BM
Tensor-DTI: Enhancing Biomolecular Interaction Prediction with Contrastive Embedding Learning
Nostrum Biodiscovery;Barcelona Supercomputing Center(巴塞罗那超级计算中心);Faculty of Pharmacy and Food Sciences, University of Barcelona(巴塞罗那大学药学与食品科学系);Catalan Institution for Research and Advanced Studies (ICREA)(加泰罗尼亚研究与高级研究机构);Data Science Dpt., Almirall S.A.(Almirall S.A.数据科学部门)
Tensor-DTI通过整合多模态嵌入与对比学习,提升生物分子相互作用预测的准确性与可靠性。
2026-01-09 cs.AI cs.LG q-bio.BM
Predicting the kinetics of RNA oligonucleotides using Markov state models
如今,不同的实验技术,如单分子或弛豫实验,可以提供生物分子系统的动态特性,但这些方法获得的细节量往往是有限的时间或空间分辨率。在这里,我们使用国家的最先进的计算技术,即原子分子动力学和马尔可夫状态模型,提供洞察短RNA寡核苷酸的快速动态,以阐明堆叠相互作用的动力学。多个微秒长的模拟分析表明,这些分子的主要弛豫模式可以由交替折叠状态之间的过渡,而不是随机线圈和天然结构之间的过渡。在适当地去除由当前RNA琥珀力场的已知不准确性人为稳定的结构后,预测的动力学性质与先前报道的弛豫实验的时间尺度一致。
2016-12-22 cond-mat.stat-mech physics.bio-ph physics.chem-ph
Drug-target affinity prediction method based on consistent expression of heterogeneous data
Georgia Institute of Technology(佐治亚理工学院)
药物发现的第一步是寻找对特定靶点具有药物活性的药物分子部分。因此,研究药物靶蛋白与化学小分子之间的相互作用至关重要。然而,传统的发现潜在药物小分子的实验方法是劳动密集型和耗时的。目前有很多兴趣建立计算模型,以筛选小的药物分子使用药物分子相关的数据库。在本文中,我们提出了一种使用深度学习模型预测药物-靶标结合亲和力的方法。该方法利用改进的GRU和GNN分别从药物-靶点蛋白质序列和药物分子图谱中提取特征,得到其特征向量。组合的载体被用作药物-靶标分子对的载体表示,然后被馈送到完全连接的网络中以预测药物-靶标结合亲和力。该模型在DAVIS和KIBA数据集上预测药物-靶标结合亲和力的准确性和有效性。
2022-11-13 cs.LG q-bio.BM
Learning a peptide-protein binding affinity predictor with kernel ridge regression
Université Laval(拉瓦尔大学)
我们提出了一个专门的字符串内核的小生物分子,肽和伪序列的结合界面。该核结合了氨基酸的物理化学性质,并优雅地推广了八个核,如寡核苷酸,加权度,混合光谱和径向基函数。我们提供了一个低复杂度的动态规划算法的精确计算的核和它的近似的线性时间算法。结合核岭回归和SupCK,一种新的结合口袋核,所提出的核产生生物相关性和良好的预测精度的PepX数据库。机器学习预测器首次能够准确预测任何肽与任何蛋白质的结合亲和力。该方法也适用于单靶和泛特异性主要组织相容性复合物II类基准数据集和三个定量结构亲和模型基准数据集。在所有基准上,我们的方法在预测肽-蛋白质结合亲和力方面显著(p值< 0.057)优于当前最先进的方法。所提出的方法是灵活的,可以应用于预测任何定量的生物活性。该方法应该是有价值的一个大部分的研究社区的潜力,以加速肽为基础的药物和疫苗的开发。
2012-07-31 cs.LG q-bio.BM q-bio.QM
Benchmarking AlphaFold3's protein-protein complex accuracy and machine learning prediction reliability for binding free energy changes upon mutation
本文基于SKEMPI 2.0数据库系统评估AlphaFold3预测蛋白质-蛋白质复合物结构用于突变结合自由能变化预测的可靠性,发现其相关系数略低于PDB结构且RMSE升高8.6%,并揭示其在柔性区域存在未被ipTM反映的较大误差。
2024-06-06 math.AT q-bio.BM q-bio.QM
Improving detection of protein-ligand binding sites with 3D segmentation
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)
近年来,机器学习(ML)在生物和化学信息学领域掀起了一场风暴,为与蛋白质序列、结构和相互作用分析相关的大量问题提供了新的解决方案。ML技术,特别是深度神经网络,被证明比经典模型更有效,例如预测分子复合物的结合亲和力。在这项工作中,我们研究了药物发现过程的早期阶段-在蛋白质表面上发现可药用口袋,这些口袋随后可用于设计活性分子。为此,我们开发了一个三维全卷积神经网络的结合位点分割能力。我们的解决方案具有很高的预测精度,并提供直观的结果表示,这使得它很容易纳入药物发现项目。该模型的源代码以及大多数常见用例的脚本都可以在http://gitlab.com/cheminfIBB/kalasanty上免费获得
2020-03-28 cs.LG q-bio.BM
Analysis of the Results of Metadynamics Simulations by metadynminer and metadynminer3d
分子模拟求解分子系统的运动方程,通过添加时间坐标使分子的3D形状变为四维。这些方法在药物发现中具有很大的潜力,因为它们可以真实地模拟药物靶向的蛋白质分子的结构以及潜在药物与其分子靶标结合的过程。然而,生物分子模拟的常规应用受到这种方法的非常高的计算成本的阻碍。已经开发了几种方法来解决这个问题。其中之一,元自适应,不赞成已经访问过的模拟系统的状态,从而迫使系统探索新的和新的状态。在这里,我们提出了包metadynminer和metadynminer3d分析和可视化的结果从metadminics,特别是那些产生的流行的metadminics包Plumed。
2020-08-22 physics.chem-ph physics.comp-ph q-bio.BM
CovDocker: Benchmarking Covalent Drug Design with Tasks, Datasets, and Solutions
Huazhong University of Science and Technology(华中科技大学);Microsoft Research AI for Science(微软研究院人工智能科学部);Shanghai Artificial Intelligence Laboratory(上海人工智能实验室)
针对现有方法忽略共价键形成的问题,提出共价对接基准CovDocker,将其分解为反应位置预测、共价反应预测和共价对接三个任务,并改造Uni-Mol等模型建立基线,推动共价药物设计研究。
2025-06-26 cs.AI cs.LG q-bio.BM