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
Deep Confident Steps to New Pockets: Strategies for Docking Generalization
CSAIL, Massachusetts Institute of Technology(麻省理工学院计算机科学与人工智能实验室);Dana-Farber Cancer Institute(达纳-法伯癌症研究所);Harvard Medical School(哈佛医学院);University of California, Berkeley(加州大学伯克利分校)
针对蛋白质盲对接泛化评估不足的问题,本文构建 DockGen 基准,分析缩放定律并结合合成数据,提出 Confidence Bootstrapping 训练范式,显著提升对未见蛋白类别的对接性能。
2024-02-28 cs.LG q-bio.BM
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
FABind+: Enhancing Molecular Docking through Improved Pocket Prediction and Pose Generation
Huazhong University of Science and Technology(华中科技大学);Renmin University of China(中国人民大学);University of Science and Technology of China(中国科学技术大学);Shanghai Artificial Intelligence Laboratory(上海人工智能实验室)
FABind+通过改进口袋预测和姿态生成,显著提升分子对接性能,达到最先进水平,推动药物发现。
2025-02-24 cs.AI cs.LG q-bio.BM
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
Multi-scale Iterative Refinement towards Robust and Versatile Molecular Docking
University of Science and Technology of China(中国科学技术大学)
本文提出 DeltaDock 框架,通过结合位点预测、GPU 加速采样与多尺度迭代优化,同时支持盲对接和位点特异性对接,在精度、泛化性和物理合理性上均优于基线方法。
2023-11-30 cs.LG 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
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
DiffDock: Diffusion Steps, Twists, and Turns for Molecular Docking
Massachusetts Institute of Technology(麻省理工学院)
预测小分子配体与蛋白质的结合结构--一项被称为分子对接的任务--对药物设计至关重要。与传统的基于搜索的方法相比,最近将对接视为回归问题的深度学习方法减少了运行时间,但尚未提供准确性的实质性改进。相反,我们的框架分子对接作为一个生成建模问题,并开发DiffDock,扩散生成模型的配体构成的非欧几里德流形。要做到这一点,我们映射这个流形的产品空间的自由度(平移,旋转和扭转)参与对接,并在这个空间上开发一个有效的扩散过程。从经验上看,DiffDock在PDBBind上获得了38%的top-1成功率(RMSD<2A),显著优于传统对接(23%)和深度学习(20%)方法。此外,虽然以前的方法无法停靠在计算折叠结构上(最大准确度为10.4%),但DiffDock保持了显着更高的精度(21.7%)。最后,DiffDock具有快速的推理时间,并提供具有高选择精度的置信度估计。
2023-02-11 cs.LG physics.bio-ph q-bio.BM
Scoreformer: A Surrogate Model For Large-Scale Prediction of Docking Scores
Nostrum Biodiscovery S.L.(诺斯特伦生物发现有限公司);Barcelona Supercomputer Center(巴塞罗那超级计算中心);Institució Catalana de Recerca i Estudis Avançats (ICREA)(加泰罗尼亚研究与高级研究学院(ICREA))
提出ScoreFormer图transformer模型,通过集成PNA和LRWPE准确预测分子对接得分,在多数据集上实现高恢复率与效率,推理时间减少1.65倍,优化了药物发现中的高通量虚拟筛选。
2024-06-25 cs.AI cs.LG q-bio.BM
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
Smiles2Dock: an open large-scale multi-task dataset for ML-based molecular docking
Stanford University(斯坦福大学)
本文提出Smiles2Dock大规模多任务分子对接数据集,通过P2Rank与AutoDock Vina对接170万配体与15个AlphaFold蛋白,生成超2500万结合评分,并引入Transformer基线模型以支持机器学习对接方法的研究与评测。
2024-06-09 cs.LG q-bio.BM stat.AP
RapidDock: Unlocking Proteome-scale Molecular Docking
Cardinal Stefan Wyszynski University(斯特凡·维申斯基红衣主教大学);Warsaw University of Technology(华沙理工大学);IDEAS NCBR(IDEAS NCBR机构);IMPAN(波兰科学院生物化学与生物物理研究所);University of Warsaw(华沙大学)
针对现有分子对接工具速度慢、无法实现蛋白质组规模筛选的问题,本研究提出基于Transformer的RapidDock模型,通过三维结构相对距离嵌入等设计,在保证精度的同时实现超百倍提速,可支撑大规模药物筛选研究。
2024-10-16 cs.LG q-bio.BM
COVID-19 Docking Server: A meta server for docking small molecules, peptides and antibodies against potential targets of COVID-19
动机:由一种新型冠状病毒引起的2019冠状病毒病(COVID-19)自2019年12月以来一直在中国出现,并导致全球数千人死亡。尽管许多研究小组都在研究新出现的病毒并寻找COVID-19的治疗方法,但对COVID-19靶标-配体相互作用的理解仍是一个关键挑战。在此,我们介绍COVID-19对接服务器,这是一个预测COVID-19靶标与配体(包括小分子、肽和抗体)之间结合模式的Web服务器。结果如下:病毒生命周期中涉及的蛋白质的结构被收集或基于冠状病毒的同源物构建,并准备好对接。Meta平台为预测COVID-19靶标-配体相互作用和COVID-19的后续药物发现提供了一个免费的交互式工具。
2020-08-07 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
Bayesian active learning for optimization and uncertainty quantification in protein docking
Texas A&M University(得克萨斯农工大学)
动机:从头算蛋白质对接是一个主要的挑战,优化一个嘈杂的和昂贵的“黑盒子”一样的功能在高维空间。尽管在这一领域的进展,有没有对接方法可用于严格的不确定性量化(UQ)的解决方案的质量(如接口RMSD或iRMSD)。结果如下:我们介绍了一种新的算法,贝叶斯主动学习(BAL),优化和UQ这样的黑盒功能和灵活的蛋白质对接。BAL直接模拟全局最优值(或蛋白质对接的天然结构)的后验分布,其中主动采样和后验估计迭代地相互馈送。此外,我们使用复杂的正常模式来表示一个均匀的欧氏构象空间适合高维优化和漏斗状的能量模型的遭遇复合物。在一个蛋白质对接基准集和CAPRI集,包括同源对接,我们建立BAL显着提高对两个起点的刚性对接和粒子群优化的改进,提供了三分之一的目标前3名的近本地预测。BAL还生成紧密的置信区间,半范围约为iRMSD的25%,置信水平为85%。它估计的预测是本地或非本地的概率达到了二元分类AUROC为0.93,AUPRC超过0.60(与偶然的0.14相比);并且还发现有助于对预测进行排名。据我们所知,这项研究代表了第一个蛋白质对接的不确定度量化解决方案,具有理论严谨性和全面评估。源代码可在https://github.com/Shen-Lab/BAL上获得。
2019-01-31 cs.LG math.OC q-bio.BM
Deep-Learning Based Docking Methods: Fair Comparisons to Conventional Docking Workflows
BioPharmics Division(生物药物学部门);Optibrium Ltd.(Optibrium有限公司);Relay Therapeutics(Relay治疗公司)
本研究针对深度学习对接方法DiffDock宣称的性能优势,用传统对接工具构建公平基准,实验证明传统方法表现更优,且DiffDock性能依赖训练集近邻样本、泛化性不足。
2024-12-09 cs.AI q-bio.BM
Molecular docking via quantum approximate optimization algorithm
本研究针对药物发现中的分子对接问题,提出数字化反绝热量子近似优化算法DC-QAOA,在多类生物复合物上验证了其更优的对接准确性与硬件兼容性,凸显量子计算在该领域的应用潜力。
2024-05-16 physics.chem-ph q-bio.BM quant-ph
Equivariant Scalar Fields for Molecular Docking with Fast Fourier Transforms
CSAIL, Massachusetts Institute of Technology(麻省理工学院计算机科学与人工智能实验室);Dept. of Mathematics, Massachusetts Institute of Technology(麻省理工学院数学系)
本文提出用等变图神经网络参数化配体与蛋白质标量场,并以互相关作为评分函数,结合快速傅里叶变换加速刚体对接优化,在虚拟筛选任务中实现与Vina和Gnina相似但更快且对预测结构更稳健的性能。
2024-09-01 cs.LG 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
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
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
DiffBindFR: An SE(3) Equivariant Network for Flexible Protein-Ligand Docking
本研究提出基于全原子扩散的柔性对接模型DiffBindFR,在配体运动与口袋侧链扭转的乘积空间运行,提升了结合结构预测的准确性与物理合理性,适配Apo和AlphaFold2结构的药物设计场景。
2023-12-19 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
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
Energy-based Graph Convolutional Networks for Scoring Protein Docking Models
Texas A&M University(德克萨斯农工大学)
蛋白质相互作用的结构信息,往往在相互作用组规模失踪,是重要的细胞的机制理解和合理的治疗发现。蛋白质对接提供了一个计算替代预测这样的信息。然而,在大量的候选者中将接近原生的停靠模型排名靠前,通常被称为评分问题,仍然是一个关键的挑战。此外,估计模型的质量,也被称为质量评估问题,很少解决蛋白质对接。在这项研究中,蛋白质对接中的两个挑战性问题分别被视为相对和绝对评分,并在一个物理启发的深度学习框架中解决。我们将蛋白质和遇到的复合物的三维结构表示为具有原子分辨率节点和边缘特征的分子内和分子间残基接触图。我们提出了一种新的图卷积核,通过边特征池交互节点的特征,以便可以直接从图数据中学习广义交互能量。训练得到的具有多头注意力的基于能量的图卷积网络(EGCN)来预测相遇复合物的分子内和分子间能量、结合亲和力和质量度量(接口RMSD)。与用于模型排名的最先进的评分函数相比,EGCN显著改善了涉及同源对接的CAPRI测试集的排名;并且与Score_set相当,Score_set是由训练数据未知的各种社区范围的对接协议生成的CAPRI基准集。对于Score_set质量评估,EGCN显示出比我们以前的努力提高了约27%。EGCN直接从图表示中的3D结构数据学习,代表了用于蛋白质对接的图卷积网络的首次成功开发。
2019-12-28 cs.CV cs.LG q-bio.BM
Proposing a fungal metabolite-Flaviolin as a potential inhibitor of 3CLpro of novel coronavirus SARS-CoV2 using docking and molecular dynamics
在对真菌次级代谢产物衍生的各种小分子进行对接和分子动力学后,我们提出Flaviolin作为新型冠状病毒SARS-CoV 2的3-糜蛋白酶(3C)样蛋白酶(3CLpro)的有效抑制剂,该病毒负责2019冠状病毒病(COVID-19)引起的大流行状况。
2020-04-08 q-bio.BM
Uni-Mol Docking V2: Towards Realistic and Accurate Binding Pose Prediction
DP Technology(第四范式科技);AI for Science Institute(AI for Science 研究院)
本文提出Uni-Mol Docking V2,通过兼顾化学准确性与物理约束提升分子对接构象预测,并在PoseBusters上显著优于前代模型。
2024-05-20 cs.LG physics.bio-ph q-bio.BM
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
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
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
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
SyNDock: N Rigid Protein Docking via Learnable Group Synchronization
The University of Hong Kong(香港大学);National University of Singapore(新加坡国立大学);Tencent AI Lab(腾讯人工智能实验室)
SyNDock将多聚体蛋白质对接建模为全局变换学习问题,通过可训练的两步SE(3)群同步算法实现快速精确组装,在准确率和速度上显著超越现有方法。
2023-05-25 cs.CE cs.LG 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
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
Multibody molecular docking on a quantum annealer
分子对接的目的是寻找一组分子之间最稳定的相互作用构型,它对药物发现具有重要意义。虽然已经开发了相当数量的经典算法来进行分子对接,但大多数算法都集中在对接两个分子的极限情况。由于N个分子的可能构型的数量在N中是指数的,所以允许两个以上分子对接的那些例外的规模很差,需要指数资源来找到高质量的解决方案。在这里,我们介绍了一个one-hot编码的二次无约束二进制优化公式(QUBO)的多体分子对接问题,这是适合于解决量子退火。我们的方法涉及成对相互作用的经典预计算,其仅在机构数量上按二次缩放,同时允许使用Rosetta REF 2015能量函数等经过严格审查的评分函数。在第二步中,我们使用量子退火器有效地采样低能对接配置,同时考虑所有可能的对接配置通过量子叠加。我们表明,我们能够最大限度地减少所需的时间来找到不同的低能量对接配置,通过调整用于执行一个热编码的惩罚的强度,表现出3-4倍的改善解决方案的质量和多样性的性能与传统的惩罚强度。通过将构型搜索映射到与当前和未来一代量子退火机兼容的形式,这项工作提供了一种解决多体对接问题的替代方法,该方法可能被证明对大问题具有性能优势,可能绕过经典方法的指数缩放,并允许更有效地解决药物发现和验证管道的核心问题。
2022-10-20 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
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
Deep learning is competing random forest in computational docking
Egypt-Japan University of Science and Technology (E-JUST)(埃及日本科技大学);Alexandria University(亚历山大大学)
Computational docking is the core process of computer-aided drug design; it aims at predicting the best orientation and conformation of a small drug molecule when bound to a target large protein receptor. The docking quality is typically measured by a scoring function: a mathematical predictive model that produces a score representing the binding free energy and hence the stability of the resulting complex molecule. We analyze the performance of both learning techniques on the scoring power, the ranking power, docking power, and screening power using the PDBbind 2013 database. For the scoring …
2016-08-23 cs.LG q-bio.BM
iMOLSDOCK : induced-fit docking using mutually orthogonal Latin squares (MOLS)
我们早先报道了MOLSDOCK技术进行刚性受体/柔性配体对接。该方法使用我们实验室开发的MOLS方法。在本文中,我们报告iMOLSDOCK,'灵活的受体'的扩展,我们已经进行了算法MOLSDOCK。iMOLSDOCK使用相互正交拉丁方(MOLS)对配体的构象和对接姿势以及受体蛋白的柔性残基进行采样。然后,该方法使用平均场技术的变体来分析样本以达到最佳效果。我们已经用44种肽-蛋白质复合物与肽的数据集对iMOLSDOCK进行了基准测试和验证。我们还将iMOLSDOCK与其他灵活的受体对接工具GOLD v5.2.1和AutoDock Vina进行了比较。结果表明,该方法比这两种算法更有效,但计算时间更长。
2017-05-05 physics.bio-ph 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
DiffDock-PP: Rigid Protein-Protein Docking with Diffusion Models
Massachusetts Institute of Technology(麻省理工学院);Technical University of Munich(慕尼黑工业大学)
本文提出DiffDock-PP,一种用于刚性蛋白质-蛋白质对接的扩散生成模型,通过学习平移和旋转未结合蛋白质结构至结合构象,在DIPS上达到最先进性能且速度优于搜索方法。
2023-04-08 cs.LG 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
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
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
Searching inhibitors for three important proteins of COVID-19 through molecular docking studies
缺乏应对COVID-19的推荐药物或疫苗是此次大流行的主要问题。针对类似健康问题批准的药物、临床试验中的药物以及药用植物提取物中的分子进行随机调查,以应对COVID-19感染。分子对接是实时搜索治疗有效药物/分子的最佳方法之一,有望应用于COVID-19。在这次交流中,18个配体与SARS-CoV-2的三个治疗靶蛋白进行了分子对接研究,即,RNA依赖性RNA聚合酶(RdRp)、血管紧张素转换酶2(ACE 2)和刺突糖蛋白(SGp)。所获得的结果表明,与药物扑热息痛和羟氯喹相比,植物化学物质显示出更好的dock评分。结合码头评分和药用特性,我们认为可以进一步探索基于萜类化合物的植物化学物质柠檬苦素和东莨菪碱酸B用于对抗COVID-19的潜在用途。
2020-07-29 q-bio.BM q-bio.QM
Coupled folding-binding versus docking: A lattice model study
使用一个简单的疏水/极性蛋白质模型,我们进行了Monte Carlo研究的热力学和动力学的结合到目标结构的两个密切相关的序列,其中一个具有独特的折叠状态,而另一个是非结构化的。我们得到显着的差异,它们的结合行为。稳定的序列具有刚性对接作为其优选的结合模式,而非结构化的链倾向于首先附着到靶标,然后折叠。与这两种结合模式的自由能配置文件进行了比较。
2003-12-30 cond-mat.soft q-bio.BM
An accurate nucleic acid-small molecule docking framework via geometric deep learning with large-scale pretraining
College of Pharmaceutical Sciences, Zhejiang University(浙江大学药学院);Faculty of Health Sciences, University of Macau(澳门大学健康科学学院);Zhejiang Provincial Key Laboratory for Intelligent Drug Discovery and Development, Jinhua Institute of Zhejiang University(浙江省智能药物发现与开发重点实验室,浙江大学金华研究院);Shanghai Innovation Institute(上海创新研究院)
提出NucleoDock框架,通过物理引导的大规模预训练和精细调优,结合序列、结构及原子级特征,利用混合密度网络几何评分头实现核酸-小分子对接,在125个复合物基准上达到56%的top-1成功率(RMSD<2.0Å),优于传统方法。
2026-05-22 cs.LG q-bio.BM
GPU-Accelerated Drug Discovery with Docking on the Summit Supercomputer: Porting, Optimization, and Application to COVID-19 Research
蛋白质-配体对接是一种计算机模拟工具,用于在药物发现活动中筛选潜在药物化合物与给定蛋白质受体结合的能力。实验药物筛选是昂贵且耗时的,并且期望以高通量方式进行大规模对接计算以缩小实验搜索空间。现有的计算对接工具中很少有在设计时考虑到高性能计算。因此,优化以最大限度地利用领先级计算设施处可用的高性能计算资源,使得这些设施能够用于药物发现。在这里,我们介绍了AutoDock-GPU程序在Summit超级计算机上的移植、优化和验证,以及它在初始化合物筛选工作中的应用,以靶向导致当前COVID-19大流行的SARS-CoV-2病毒蛋白。
2020-07-06 q-bio.BM q-bio.QM
MEGADOCK-GUI: a GUI-based complete cross-docking tool for exploring protein-protein interactions
关于蛋白质相互作用(PPI)的信息不仅促进了我们对分子生物学的理解,而且为药物发现中的靶点选择和PPI抑制剂的设计提供了重要线索。用于PPI的计算预测的技术之一是蛋白质-蛋白质对接计算,并且已经开发了各种软件。然而,对于不太熟悉命令行界面的用户来说,迄今为止还没有开发出友好的界面。在这项研究中,我们开发了一个图形用户界面,MEGADOCK-GUI,使用户能够轻松地预测PPI和蛋白质复合物结构。除了原始的3-D分子查看器和输入文件准备功能外,MEGADOCK-GUI是一种可以自动执行$M$与$N$蛋白质完全交叉对接的软件。通过MEGADOCK-GUI,可以轻松地进行与PPI预测相关的各种应用,例如处理蛋白质多种构象的集合对接和筛选与特定蛋白质结合的结合伴侣蛋白。
2021-05-08 cs.DC q-bio.BM q-bio.MN
Docking-Aware Attention: Dynamic Protein Representations through Molecular Context Integration
Technion - Israel Institute of Technology(以色列理工学院)
提出 Docking-Aware Attention (DAA) 架构,通过将分子对接信息融入注意力机制生成动态上下文相关的蛋白质表示,在酶促反应预测任务上超越现有方法并具备可解释性。
2025-02-03 cs.LG q-bio.BM
Synthetic Protein-Ligand Complex Generation for Deep Molecular Docking
Department of Pharmaceutical Sciences, University of Basel(巴塞尔大学药理学系);Swiss Institute of Bioinformatics(瑞士生物信息学研究所)
针对实验蛋白质-配体复合物数据稀缺问题,提出一种程序化生成与验证合成复合物的新工作流程,实验表明合成数据训练的对接模型性能与实验数据相当,但未显著超越传统方法。
2025-09-16 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