Prediction of peptide bonding affinity: kernel methods for nonlinear modeling
Rensselaer Polytechnic Institute（伦斯勒理工学院）
本文介绍了回归模型，从盲预测的肽结合亲和力的过程中提供的描述符为几个不同的数据集的预测算法（COEPRA）竞赛的2006年比较评估的一部分。本文发现，核偏最小二乘，一个非线性偏最小二乘（PLS）算法，优于PLS，可转移的原子等价特征的纳入提高了预测能力。
2011-08-26 cs.LG q-bio.QM stat.ML
Chemical and geometric representation fidelity improves drug--target affinity prediction
Northeastern University（东北大学）；Northeastern University at Qinhuangdao（东北大学秦皇岛分校）；Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）
针对药物-靶点亲和力预测中表示阶段信息丢失的瓶颈，提出ReGeoDTA框架，通过保持化学异质性与连续几何关系提升预测性能，并在多数据集与架构中验证其有效性。
2026-09-15 cs.AI cs.LG q-bio.BM
A 3D pocket-aware and affinity-guided diffusion model for lead optimization
School of Computer Science and Engineering, Sun Yat-sen University（中山大学计算机科学与工程学院）；West China School of Pharmacy, Sichuan University（四川大学华西药学院）；School of Pharmaceutical Science, Sun Yat-sen University（中山大学药学院）；Global Institute of Future Technology, Shanghai Jiao Tong University（上海交通大学未来技术全球研究院）
提出3D口袋感知与亲和力引导扩散模型Diffleop，通过显式引入蛋白质-配体结合亲和力知识指导去噪采样生成高亲和力分子，在多项指标上优于基线模型。
2025-04-29 cs.AI cs.LG
InstructPro: Natural Language Guided Ligand-Binding Protein Design
Language Technologies Institute, School of Computer Science, Carnegie Mellon University（语言技术研究所，计算机科学学院，卡内基梅隆大学）；Ray and Stephanie Lane Computational Biology Department, School of Computer Science, Carnegie Mellon University（Ray和Stephanie Lane计算生物学系，计算机科学学院，卡内基梅隆大学）；Lambda Inc（Lambda公司）
InstructPro通过自然语言指导生成模型，实现了高亲和力配体结合蛋白的设计，显著提升了从头蛋白设计的性能和泛化能力。
2026-03-02 cs.CE cs.CL cs.LG
Trustworthy Protein-Ligand Binding Affinity Prediction via Reliability-Aware Multi-Engine Fusion
University of Southern California（南加州大学）；University of California, Berkeley（加州大学伯克利分校）
研究针对蛋白质-配体结合亲和力预测中引擎结果不一致问题，提出RELIABLE-BA框架，通过三步实现多引擎预测，经实验验证其能提升预测竞争力和不确定性校准，可筛选高置信对减少误差，是首个结合证据融合与上下文可靠性的预测框架。
2026-07-21 cs.AI cs.LG
AbLWR:A Context-Aware Listwise Ranking Framework for Antibody-Antigen Binding Affinity Prediction via Positive-Unlabeled Learning
Department of Data Science and Artificial Intelligence, The Hong Kong Polytechnic University（香港理工大学数据科学与人工智能系）；Department of Computer Science, City University of Hong Kong (Dongguan)（香港城市大学（东莞）计算机科学系）；School of Computer Science and Engineering, Sun Yat-sen University（中山大学计算机科学与工程学院）；School of Public Health, Xiamen University（厦门大学公共卫生学院）
本文提出AbLWR框架，将传统亲和力回归任务转化为列表排序问题，通过PU学习机制和同源抗原采样策略提升预测精度，实验显示其在随机交叉验证中P@1提升超10%。
2026-04-13 cs.AI cs.LG
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
Hierarchical Graph Representation Learning for the Prediction of Drug-Target Binding Affinity
Huazhong Agricultural University（华中农业大学）；College of Informatics, Huazhong Agricultural University（华中农业大学信息学院）
药物-靶点结合亲和力（DTA）的确定在药物发现过程中受到越来越多的关注，因为它比二元相互作用预测更具体。最近，已经提出了许多基于深度学习的计算方法来预测药物和靶标之间的结合亲和力，这些方法受益于它们令人满意的性能。然而，以往的工作主要集中在药物和靶标的生物学特征和化学结构的编码，缺乏利用药物-靶标亲和网络的基本拓扑信息。本文提出了一种新的层次图表示学习模型HGRL-DTA，用于药物-靶标结合亲和力的预测。我们的模型的主要贡献是建立一个分层的图学习架构，将药物/靶分子的内在属性和药物-靶对的拓扑亲和力。在这个架构中，我们采用了一个消息广播机制来整合从全局级亲和图和局部级分子图中学习到的层次表示。此外，我们设计了一个基于相似性的嵌入映射，以解决冷启动问题的推断表示看不见的药物和目标。在不同场景下的综合实验结果表明，HGRL-DTA显着优于国家的最先进的模型，并显示出更好的模型泛化所有的场景。
2022-03-22 cs.AI cs.LG q-bio.BM
Protein binding affinity prediction under multiple substitutions applying eGNNs on Residue and Atomic graphs combined with Language model information: eGRAL
InstaDeep Ltd（InstaDeep公司）
本文提出eGRAL，一种SE(3)等变图神经网络，结合残基、原子尺度特征与蛋白质语言模型信息，并在约50万模拟数据点上预训练后于实验数据微调，用于预测多重氨基酸替换引起的蛋白质结合亲和力变化。
2024-05-03 cs.AI cs.LG q-bio.QM
Learning to Align Molecules and Proteins: A Geometry-Aware Approach to Binding Affinity
Drexel University（德雷塞尔大学）
本文提出轻量级框架FIRM-DTI，通过FiLM层条件化分子嵌入和三元组损失度量学习，在DTI-DG基准上实现最先进的药物-靶标结合亲和力预测。
2025-09-25 cs.AI cs.LG q-bio.MN
High Performance of Gradient Boosting in Binding Affinity Prediction
Skolkovo Institute of Science and Technology（斯科尔科沃科学技术学院）；Criteo AI（科韬人工智能）
蛋白质-配体（PL）结合亲和力的预测仍然是药物发现的关键。近年来流行的方法包括图神经网络（GNNs），它被用来学习PL复合物的拓扑结构和几何形状。然而，GNN的计算量很大，并且对图形大小的可扩展性很差。另一方面，传统的机器学习（ML）方法，如梯度提升决策树（GBDTs），是轻量级的，但非常有效的表格数据。我们建议在GBDT中使用PL交互功能以及PL图级功能。我们表明，这种组合优于现有的解决方案。
2022-05-14 cs.LG
GDGRU-DTA: Predicting Drug-Target Binding Affinity Based on GNN and Double GRU
Hunan Normal University（湖南师范大学）
预测药物和靶点亲和力（DTA）的工作对于药物开发和再利用至关重要。在这项工作中，我们提出了一种称为GDGRU-DTA的新方法来预测药物与靶标之间的结合亲和力，该方法基于GraphDTA，但我们认为蛋白质序列是长序列，因此简单的CNN不能很好地捕获蛋白质序列中的上下文依赖性。因此，我们通过将蛋白质序列解释为时间序列并使用门递归单元（GRU）和双向门递归单元（BiGRU）提取其特征来改进它。对于药物，我们的处理方法与GraphDTA类似，但使用了两种不同的图形卷积方法。随后，药物和蛋白质的表示被连接起来用于最终预测。我们在两个基准数据集上评估了所提出的模型。我们的模型优于一些最先进的深度学习方法，结果证明了我们模型的可行性和出色的特征捕获能力。
2022-04-25 cs.AI cs.LG q-bio.QM
DualBind: A Dual-Loss Framework for Protein-Ligand Binding Affinity Prediction
NVIDIA（英伟达）
本文提出 DualBind 双损失框架，融合监督 MSE 与无监督 DSM 学习结合能函数，以减少标注依赖并提升亲和力预测精度与泛化性。
2024-06-11 cs.AI cs.LG q-bio.QM
ISLAND: In-Silico Prediction of Proteins Binding Affinity Using Sequence Descriptors
Pakistan Institute of Engineering and Applied Sciences (PIEAS)（巴基斯坦工程与应用科学学院）
在蛋白质复合物的形成中确定蛋白质的结合亲和力需要复杂、昂贵和耗时的实验，其可以用计算方法代替。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，我们探索基于序列的蛋白质结合亲和力预测使用机器学习。我们的论文强调了这样一个事实，即即使是最先进的结合亲和力的仅序列预测器的泛化性能也远不能令人满意，并且在该领域中开发有效和实用的方法仍然是一个悬而未决的问题。我们还提出了一种新的序列预测的结合亲和力称为岛，它提供了更好的准确性比现有的方法在相同的验证集，以及外部独立的测试数据集。ISLAND的基于云的Web服务器实现及其Python代码可在URL：http://faculty.pieas.edu.pk/fayyaz/software.html#island上获得。
2018-03-22 cs.LG q-bio.QM
Recent Advances in Deep Learning-Based Drug-Target Binding Affinity Prediction
Prairie View A&M University（普雷里维尤农工大学）
本文综述近期基于深度学习的药物-靶点结合亲和力预测方法，分析其优势、局限与研究缺口，指出当前方法存在数据集偏差等问题，探讨未来研究方向。
2026-08-17 cs.LG
MLT-LE: predicting drug-target binding affinity with multi-task residual neural networks
Nazarbayev University（纳扎尔巴耶夫大学）；ITMO University（圣彼得堡国立信息技术机械与光学大学）
评估药物-靶标亲和力是药物发现和开发过程中的关键步骤，但通过实验获得此类数据既耗时又昂贵。由于这个原因，用于预测结合强度的计算方法正在被广泛开发。然而，这些方法通常使用单任务方法进行预测，从而忽略了可以从数据中提取并用于驱动学习过程的附加信息。此后，在这项工作中，我们提出了一个多任务的结合强度预测方法。我们的研究结果表明，这些预测确实可以受益于多任务学习方法，通过利用相关任务和多任务诱导正则化的附加信息。
2022-09-13 cs.LG
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
WideDTA: prediction of drug-target binding affinity
Bogazici University（博阿齐奇大学）
动机：预测蛋白质和化合物之间的相互作用亲和力是药物发现过程中的一个主要挑战。WideDTA是一种基于深度学习的预测模型，采用化学和生物文本序列信息来预测结合亲和力。结果如下：WideDTA使用四个基于文本的信息源，即蛋白质序列、配体SMILES、蛋白质结构域和基序以及最大共同子结构词来预测结合亲和力。WideDTA在KIBA数据集上的表现优于最先进的药物-靶标结合亲和力预测深度学习方法之一DeepDTA，具有统计学显著性。这表明WideDTA采用的基于单词的序列表示是深度学习模型中基于字符的序列表示方法的一种有前途的替代方法，用于结合亲和力预测，例如DeepDTA中使用的方法。此外，结果表明，给定蛋白质序列和配体SMILES，包含蛋白质结构域和基序信息以及配体最大共同子结构词并不能为深度学习模型提供额外的有用信息。然而，有趣的是，仅使用结构域和基序信息来表示蛋白质获得了与使用完整蛋白质序列相似的性能，这表明重要的结合相关信息包含在蛋白质基序和结构域中。
2019-02-04 cs.LG q-bio.QM stat.ML
DapPep: Domain Adaptive Peptide-agnostic Learning for Universal T-cell Receptor-antigen Binding Affinity Prediction
Zhejiang University（浙江大学）；Westlake University（西湖大学）；Fudan University（复旦大学）
针对现有方法难以处理新型或稀疏抗原的问题，提出域自适应肽无关学习框架DapPep，结合预训练蛋白语言模型与内环自监督机制，在多基准上优于现有工具，泛化能力强，且在临床任务中有效。
2024-11-26 cs.AI cs.LG q-bio.QM
DeepDTA: Deep Drug-Target Binding Affinity Prediction
Department of Computer Engineering, Bogazici University（博加兹奇大学计算机工程系）；Department of Chemical Engineering, Bogazici University（博加兹奇大学化学工程系）
新药-靶点（DT）相互作用的识别是药物发现过程的重要组成部分。已经提出的预测DT相互作用的大多数计算方法都集中在二元分类上，其目标是确定DT对是否相互作用。然而，蛋白质-配体相互作用假设结合强度值（也称为结合亲和力）的连续性，并且预测该值仍然是一个挑战。DT知识库中可用的亲和力数据的增加允许在结合亲和力的预测中使用高级学习技术，例如深度学习架构。在这项研究中，我们提出了一个基于深度学习的模型，该模型仅使用靶标和药物的序列信息来预测DT相互作用结合亲和力。少数专注于DT结合亲和力预测的研究使用蛋白质-配体复合物的3D结构或化合物的2D特征。这项工作中使用的一种新方法是用卷积神经网络（CNN）对蛋白质序列和化合物1D表示进行建模。结果表明，所提出的基于深度学习的模型使用靶标和药物的1D表示，是预测药物靶标结合亲和力的有效方法。通过CNN构建药物和靶标的高级表示的模型在我们的一个较大的基准数据集中实现了最佳的一致性指数（CI）性能，优于KronRLS算法和SimBoost，这是一种最先进的DT结合亲和力预测方法。
2018-06-05 cs.LG stat.ML
AbAffinity: A Large Language Model for Predicting Antibody Binding Affinity against SARS-CoV-2
Department of Computer Science and Engineering,University of California, Riverside（加州大学河滨分校计算机科学与工程系）；Riggs School of Applied Life Sciences, Keck Graduate Institute, Claremont（克劳斯研究生院应用生命科学学院）
AbAffinity是一种通过大语言模型预测抗SARS-CoV-2病毒抗体结合亲和力的新型方法。
2026-03-04 cs.LG q-bio.QM
Sequence-Only Prediction of Binding Affinity Changes: A Robust and Interpretable Model for Antibody Engineering
East China University of Science and Technology（华东理工大学）；Shanghai Jiao Tong University（上海交通大学）
针对抗体工程中结合亲和力预测依赖结构数据的问题，提出仅基于序列的ProtAttBA模型，采用预训练加交叉注意力回归器，在三个基准上性能优异且具可解释性，可识别关键残基，加速治疗性抗体开发。
2025-05-14 cs.LG q-bio.QM
Can AI-predicted complexes teach machine learning to compute drug binding affinity?
Department of Biochemistry, University of Oxford, South Parks Road, Oxford, OX1 3QU, UK；Department of Chemistry, University of Oxford, Mansfield Road, Oxford, OX1 3TA, UK；Boehringer Ingelheim Pharma GmbH \& Co. KG, Birkendorfer Str. 65, 88397 Biberach an der Riß, Germany
本研究评估了利用共折叠模型进行数据增强以训练MLSFs预测药物结合亲和力的可行性，发现性能提升取决于数据结构质量，并提出启发式规则以筛选高质量预测替代实验结构。
2025-07-10 cs.LG
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
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
Developing novel ligands with enhanced binding affinity for the sphingosine 1-phosphate receptor 1 using machine learning
Carlmont High School（卡尔蒙特高中）；Lawrence Berkeley National Laboratory（劳伦斯伯克利国家实验室）
针对多发性硬化症对更好疗法的需求，研究微调自编码器模型生成基于siponimod的分子变体，筛选出6个高亲和力候选物，并揭示关键化学性质，证明机器学习可加速药物发现。
2023-07-29 cs.LG
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
ResDTA: Predicting Drug-Target Binding Affinity Using Residual Skip Connections
Bangladesh University of Engineering and Technology（孟加拉国工程技术大学）
新的药物靶点（DT）相互作用的发现是药物开发过程中的重要一步。大多数用于预测DT相互作用的计算机技术都集中在二元分类上，其目标是确定DT对是否相互作用。另一方面，蛋白质配体相互作用假设结合强度值（也称为结合亲和力）的连续范围，并且预测该值仍然是困难的。随着DT知识库中亲和性数据量的增长，高级学习技术如深度学习架构可用于预测结合亲和性。在本文中，我们提出了一种基于深度学习的方法，仅使用来自靶标和药物的测序信息来预测DT结合亲和力。结果表明，所提出的基于深度学习的模型使用靶标和药物的1D表示是用于药物靶标结合亲和力预测的有效方法，并且它不需要额外的化学领域知识来工作。通过CNN构建药物和靶标的高级表示的模型使用剩余跳过连接，并且还使用额外的流来创建药物-靶标对的高级组合表示，在最大的基准数据集中实现了最佳的一致性指数（CI）性能，优于最近的最先进的方法AttentionDTA和许多其他机器学习和深度学习，用于DT结合亲和力预测的基于学习的基线方法，其使用靶标和药物的1D表示。
2023-03-20 cs.LG q-bio.QM
Distance-aware Molecule Graph Attention Network for Drug-Target Binding Affinity Prediction
Baidu Inc.（百度公司）；University of Science and Technology of China（中国科学技术大学）；Rutgers, The State University of New Jersey（罗格斯大学（新泽西州立大学））
准确预测药物与蛋白质之间的结合亲和力是计算药物发现的关键步骤。由于图神经网络（GNNs）在各种与图相关的任务中表现出显着的成功，近年来，GNNs被认为是一种有前途的工具，以提高结合亲和力预测。然而，大多数现有的GNN架构只能编码药物和蛋白质的拓扑图结构，而没有考虑其原子之间的相对空间信息。然而，与社交网络、常识知识图等其他图形数据集不同，原子之间的相对空间位置和化学键对结合亲和力有显着影响。为此，本文提出了一种基于距离感知的分子图注意力网络（S-MAN），用于药物-靶标结合亲和力预测。作为一个专门的解决方案，我们首先提出了一个位置编码机制，将拓扑结构和空间位置信息集成到构建的口袋配体图。此外，我们提出了一种新的边缘节点层次注意聚合结构，它具有边缘级聚合和节点级聚合。层次注意聚集可以捕获原子之间的空间依赖性，以及融合的位置增强信息的能力，区分原子之间的多种空间关系。最后，我们在两个标准数据集上进行了大量的实验，以证明S-MAN的有效性。
2020-12-17 cs.LG q-bio.QM
HBGSA: Hydrogen Bond Graph with Self-Attention for Drug-Target Binding Affinity Prediction
School of Mathematics and Statistics, Lanzhou University（兰州大学数学与统计学院）；Department of Computer Science, City University of Hong Kong（香港城市大学计算机科学系）
本文提出HBGSA模型，通过自注意力机制和皮尔逊相关损失，有效建模氢键空间特征，提升药物-靶点结合亲和力预测的准确性与泛化能力。
2026-04-25 cs.LG
RAVEN: Frozen Random Graph Reservoirs with Physics-Informed Interaction Fingerprints for Protein-Ligand Binding Affinity Prediction
RAVEN模型采用冻结原子图编码器生成多视图结构投影，结合物理化学交互指纹与异构回归器融合，在PDBbind和CASF数据集上实现了蛋白质-配体结合亲和力的稳健预测。
2026-08-11 cs.LG
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
A hybrid quantum-classical fusion neural network to improve protein-ligand binding affinity predictions for drug discovery
Ingenii Inc.（Ingenii公司）；Purdue University（普渡大学）
本文提出一种混合量子-经典深度学习模型，在优化量子架构中融合3D与空间图卷积神经网络，用于药物发现中的蛋白质-配体结合亲和力预测，较经典模型准确率提升6%且收敛更稳定。
2024-09-03 cs.LG quant-ph
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
Active Learning Framework for Cost-Effective TCR-Epitope Binding Affinity Prediction
Arizona State University（亚利桑那州立大学）；Google DeepMind（谷歌DeepMind）
本文提出ActiveTCR框架，将主动学习与TCR-表位结合亲和力预测模型结合，通过迭代筛选高价值未标记配对，在保持模型性能的同时将注释成本降低约40%，并识别超过40%的已注释数据冗余，首次系统研究了该任务的数据优化问题。
2023-10-30 cs.LG q-bio.QM
KEPLA: A Knowledge-Enhanced Deep Learning Framework for Accurate Protein-Ligand Binding Affinity Prediction
Department of Computer Science, City University of Hong Kong（香港城市大学计算机科学系）；ZJU-Hangzhou Global Scientific and Technological Innovation Center, Zhejiang University（浙江大学杭州国际科技创新中心）；School of Software, Shandong University（山东大学软件学院）；College of Informatics, Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳）计算机学院）
提出KEPLA框架，通过整合基因本体和配体属性的先验知识，利用全局表示对齐与局部交叉注意力，提升蛋白质-配体结合亲和力预测的准确性，在多个基准数据集上超越现有方法。
2026-06-18 cs.LG
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
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
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
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
Structured Affinity for Unsupervised Visual Class-Incremental Memory in Deep Artificial Immune Networks
University of Johannesburg（约翰内斯堡大学）
该研究提出结构化亲和性等关键机制，构建无需重放、反向传播的深度人工免疫网络，在多视觉数据集上实现高效无监督视觉类增量记忆学习。
2026-08-21 cs.AI cs.CV cs.LG
ChemBoost: A chemical language based approach for protein-ligand binding affinity prediction
Boğaziçi University（博阿齐奇大学）；F. Hoffmann-La Roche AG（F.霍夫曼-拉罗切股份公司）
高亲和力药物-靶标相互作用的鉴定是药物发现中的主要研究问题。蛋白质通常由其结构或序列表示。然而，结构仅适用于一小部分生物分子，并且序列相似性并不总是与功能相似性相关。我们提出了ChemBoost，一种基于化学语言的方法，使用SMILES语法进行亲和力预测。我们假设SMILES是一种编码语言，配体是由化学词组成的文档。这些文档可用于学习化学词向量，这些化学词向量表示具有相似向量的相似上下文中的词。在ChemBoost中，配体通过化学词嵌入表示，而蛋白质通过其配体的基于序列的特征和/或化学词表示。我们的目标是将SMILES中的模式作为一种语言来处理，以预测蛋白质-配体亲和力，即使我们无法从序列中推断出功能。我们使用eXtreme梯度提升来预测KIBA和BindingDB数据集中的蛋白质-配体亲和力。ChemBoost能够预测药物-靶标结合亲和力，以及或优于最先进的机器学习系统。当使用以配体为中心的表示时，ChemBoost对蛋白质序列相似性的变化更鲁棒，并成功捕获了蛋白质和配体之间的相互作用，即使蛋白质与配体的已知靶点具有较低的序列相似性。
2020-12-18 cs.LG q-bio.QM stat.ML
Deep Graph Convolutional Network and LSTM based approach for predicting drug-target binding affinity
Indian Association for the Cultivation of Science（印度科学培育协会）
开发新药是一个昂贵而耗时的过程。由于SARS-CoV-2在全球范围内的爆发，必须尽快开发针对SARS-CoV-2的新药。药物再利用技术可以通过探测现有FDA批准的药物及其特性来减少开发新药所需的时间跨度，以将其重新用于对抗新疾病。我们提出了一种新的架构DeepGLSTM，这是一种基于图卷积网络和LSTM的方法，可以预测FDA批准的药物与SARS-CoV-2病毒蛋白之间的结合亲和力值。我们提出的模型已经在Davis，KIBA（激酶抑制剂生物活性），DTC（药物靶点共享），Metz，ToxCast和STITCH数据集上进行了训练。我们使用我们的新架构来预测2，304种FDA批准的药物对5种病毒蛋白的综合评分（使用Davis和KIBA评分计算）。根据综合评分，我们列出了对SARS-CoV-2中存在的5种病毒蛋白具有最高结合亲和力的前18种药物。随后，该清单可用于创造新的有用药物。
2022-01-18 cs.LG q-bio.QM
HGTDP-DTA: Hybrid Graph-Transformer with Dynamic Prompt for Drug-Target Binding Affinity Prediction
University of Alabama at Birmingham（阿拉巴马大学伯明翰分校）；Bowling Green State University（鲍灵格林州立大学）；Carnegie Mellon University（卡内基梅隆大学）
提出HGTDP-DTA方法，通过在混合Graph-Transformer框架中引入动态提示与多视图特征融合，有效整合分子结构与上下文信息，在Davis和KIBA数据集上提升了药物-靶标结合亲和力预测的性能与泛化能力。
2024-06-25 cs.AI cs.CV cs.LG
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
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
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
Structure-aware Interactive Graph Neural Networks for the Prediction of Protein-Ligand Binding Affinity
University of Science and Technology of China（中国科学技术大学）；Baidu Research（百度研究院）；Baidu Inc.（百度公司）；Baidu Research USA（百度美国研究院）；Oregon State University（俄勒冈州立大学）；HWL Consulting LLC（HWL咨询有限责任公司）；Rutgers University（罗格斯大学）
药物发现通常依赖于蛋白质-配体结合亲和力的成功预测。最近的进展表明，应用图神经网络（GNNs）通过学习蛋白质-配体复合物的表示来更好地预测亲和力具有很大的前景。然而，现有的解决方案通常将蛋白质-配体复合物视为拓扑图数据，因此生物分子的结构信息没有得到充分利用。在GNN模型中，原子间的长程相互作用也被忽略了。为此，我们提出了一个结构感知的交互式图神经网络（SIGN），它由两个组件组成：极启发图注意层（PGAL）和成对交互池（PiPool）。具体来说，PGAL迭代地执行节点-边聚合过程，以更新节点和边的嵌入，同时保留原子之间的距离和角度信息。然后，采用PiPool来收集交互边，随后重建损失以反映全局交互。在两个基准测试上的详尽实验研究验证了SIGN的优越性。
2021-07-21 cs.LG q-bio.QM
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
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
Llama-Affinity: A Predictive Antibody Antigen Binding Model Integrating Antibody Sequences with Llama3 Backbone Architecture
The University of Alabama at Birmingham（阿拉巴马大学伯明翰分校）
本文提出 LlamaAffinity，基于开源 Llama 3 主干与 OAS 抗体序列预测抗体-抗原结合亲和力，在多项指标上超越现有 SOTA 且训练效率更高。
2025-05-17 cs.AI cs.LG 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
AffinityFlow: Guided Flows for Antibody Affinity Maturation
Amazon（亚马逊公司）；MILA - Quebec AI Institute（米拉-魁北克人工智能研究所）
针对抗体亲和力成熟开发成本高的问题，本文提出AffinityFlow框架，结合AlphaFlow和交替优化，通过结构生成引导与反向折叠突变及亲和力预测器优化，在仅序列场景下实现最先进的亲和力成熟性能。
2025-02-17 cs.LG
