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
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
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
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
ResAtom System: Protein and Ligand Affinity Prediction Model Based on Deep Learning
Xiangya International Academy of Translational Medicine, Central South University(中南大学湘雅国际转化医学研究院);Hunan Engineering Research Center of Combinatorial Biosynthesis and Natural Product Drug Discover(湖南省组合生物合成与天然产物药物发现工程研究中心);National Engineering Research Center of Combinatorial Biosynthesis for Drug Discovery(国家组合生物合成与新药发现工程研究中心)
动机:蛋白质-配体亲和力预测是基于结构的药物设计的重要组成部分。它包括分子对接和亲和力预测。虽然目前分子动力学可以很高精度地预测亲和力,但不适合大规模的虚拟筛选。现有的基于深度学习的亲和力预测和评价函数大多依赖于实验确定的构象。结果:通过加入注意机制的ResNet神经网络建立了蛋白质-配体亲和力的预测模型。由此产生的ResAtom-Score模型在CASF-2016基准测试集上达到Pearson相关系数R = 0.833。同时,我们评估了各种现有的评分功能与ResAtom-Score在实验确定的构象的情况下的组合的性能。结果表明,在实验确定的构象存在下,Δ VinaRF 20与ResAtom-Score组合使用可以实现接近评分函数的亲和力预测。这些结果表明,ResAtom系统可以用于在未来的电子筛选小分子配体与靶蛋白。可用性:https://github.com/wyji001/ResAtom
2021-04-17 cs.LG 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
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
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
GraphPrint: Extracting Features from 3D Protein Structure for Drug Target Affinity Prediction
Georgia Institute of Technology(佐治亚理工学院)
针对现有药物靶点亲和力预测忽略蛋白质3D结构的问题,提出GraphPrint框架,融合蛋白3D结构图特征与药物图、传统特征,在KIBA数据集上性能优于仅用传统特征的方法,验证了3D结构特征的补充作用。
2024-07-15 cs.AI cs.LG
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
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
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
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
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
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
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
DebiasedDTA: A Framework for Improving the Generalizability of Drug-Target Affinity Prediction Models
F. Hoffmann-La Roche AG(霍夫曼-拉罗氏公司)
准确预测输入蛋白质-化学对的结合亲和力的计算模型可以加速药物发现研究。这些模型是在可用的蛋白质-化学相互作用数据集上训练的,这些数据集可能包含数据集偏差,这些偏差可能导致模型学习特定于蛋白质的模式,而不是可概括的关系。因此,模型的预测性能对于先前看不见的生物分子下降,$\textit{i.e.}$预测模型不能推广到数据集之外的生物分子。旨在提高模型泛化能力的最新方法要么适用性有限,要么引入降低预测性能的风险。在这里,我们提出了DebiasedDTA,这是一种新型的药物-靶标亲和力(DTA)预测模型训练框架,它解决了数据集偏差,以提高亲和力预测模型的泛化能力。DebiasedDTA对训练样本进行重新加权,以减轻数据集偏差的影响,适用于大多数DTA预测模型。结果表明,在DebiasedDTA框架中训练的模型可以在预测以前看不见的生物分子的相互作用方面实现更好的泛化能力,以及对以前看到的生物分子的性能改进。使用不同的生物分子表示,模型架构和数据集进行的广泛实验表明,DebiasedDTA可以升级DTA预测模型,而不管生物分子表示,模型架构和训练数据集如何。最后但并非最不重要的是,我们将DebiasedDTA作为开源Python库发布,以使其他研究人员能够消除他们自己的预测器和/或开发他们自己的消除方法。我们相信这个Python库将证实和促进研究,以开发更通用的DTA预测模型。
2023-01-08 cs.LG q-bio.QM
Co-Diffusion: An Affinity-Aware Two-Stage Latent Diffusion Framework for Generalizable Drug-Target Affinity Prediction
School of Computer Science and Engineering, Northeastern University(东北大学计算机科学与工程学院);College of Information Science and Engineering, Northeastern University(东北大学信息科学与工程学院);Westlake University(西湖大学);School of Artificial Intelligence, Beihang University(北航人工智能学院);Key Laboratory of Bioresource Research and Development of Liaoning Province, College of Life and Health Sciences, Northeastern University(辽宁省生物资源研究开发重点实验室,东北大学生命与健康科学学院)
Co-Diffusion通过两阶段潜在扩散框架提升药物-靶点亲和力预测的泛化能力,解决冷启动问题并增强零样本泛化。
2026-03-11 cs.LG stat.ML
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
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
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
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
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
DuaDeep-SeqAffinity: Dual-Branch Deep Learning for Tri-Stream Sequence-Based Antibody--Antigen Affinity Prediction
National School of Artificial Intelligence (ENSIA)(人工智能国家学校)
DuaDeep-SeqAffinity通过双流深度学习框架,仅利用氨基酸序列预测抗原-抗体亲和力,优于现有方法并提高预测精度。
2026-09-04 cs.LG
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
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
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
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
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
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
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
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
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
Cross-Task Affinity Learning for Multitask Dense Scene Predictions
McGill University(麦吉尔大学);Mila - Quebec AI Institute(米拉-魁北克人工智能研究所)
本文提出跨任务亲和力学习(CTAL)模块,通过优化任务亲和力矩阵实现参数高效的组卷积,有效捕获局部与长距离跨任务交互,在CNN和Transformer骨干上以更少参数达到最先进的多任务性能。
2024-11-06 cs.CV cs.LG
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
Mitigating cold start problems in drug-target affinity prediction with interaction knowledge transferring
Applied Artificial Intelligence Institute(应用人工智能研究所);Deakin University(迪肯大学)
动机:预测药物-靶标相互作用对于药物发现以及药物再利用至关重要。机器学习常用于药物-靶标亲和性(DTA)问题。然而,机器学习模型面临着冷启动问题,在预测新药物或靶标的相互作用时,模型性能下降。以前的工作试图通过使用无监督学习来学习药物或目标表示来解决冷启动问题。虽然药物或靶标表示可以以无监督的方式学习,但它仍然缺乏相互作用信息,这在药物-靶标相互作用中至关重要。结果如下:为了将相互作用信息融入药物与蛋白质的相互作用中,我们提出将化学-化学相互作用(CCI)和蛋白质相互作用(PPI)任务迁移到药物-靶标相互作用任务。由于CCI和PPI任务具有相似的性质,因此可以将它们学习到的表征平滑地转移到DTA任务中。在药物-靶标亲和数据集上的实验结果表明,该方法在DTA任务中具有其他预训练方法所不具备的优势。
2022-01-16 cs.LG 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
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
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
Task Grouping for Automated Multi-Task Machine Learning via Task Affinity Prediction
Pennsylvania State University(宾夕法尼亚州立大学);Vanderbilt University(范德比尔特大学)
本文提出一种基于任务亲和力预测的自动化任务分组方法,通过分析任务特征和单任务学习特性构建预测器,并结合随机搜索算法减少多任务训练次数,从而在多个基准数据集上找到优于现有基线的任务分组方案。
2023-10-24 cs.LG
3D Equivariant Diffusion for Target-Aware Molecule Generation and Affinity Prediction
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Peking University(北京大学);Tsinghua University(清华大学)
丰富的数据和强大的机器学习模型使我们能够针对特定的蛋白质靶点\textit{in silico}设计药物。最近,在靶向药物设计过程中包含3D结构显示出优于其他无靶标模型的性能,因为3D空间中的原子相互作用被明确建模。然而,目前的3D目标感知模型要么依赖于体素化的原子密度,要么依赖于自回归采样过程,这不是旋转等变的,或者容易违反几何约束,从而导致不切实际的结构。在这项工作中,我们开发了一个三维等变扩散模型来解决上述挑战。为了实现目标感知的分子设计,我们的方法使用SE(3)-等变网络学习连续原子坐标和分类原子类型的联合生成过程。此外,我们表明,我们的模型可以作为一个无监督的特征提取器,估计结合亲和力在适当的参数化,这为药物筛选提供了一个有效的途径。为了评估我们的模型,我们提出了一个全面的框架来评估从不同维度采样的分子的质量。实验研究表明,该模型能够生成具有更真实三维结构和更好亲和力的分子,并且无需重新训练就能提高分子的结合亲和力排序和预测能力。
2023-03-06 cs.LG q-bio.BM
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
Sequence-based deep learning antibody design for in silico antibody affinity maturation
Global Health Drug Discovery Institute(全球健康药物研发中心)
抗体疗法在过去的几十年中在药物发现和开发中得到了广泛的研究。抗体发现管道中一个越来越受欢迎的焦点是治疗线索的优化步骤。传统方法和计算机模拟方法都旨在产生对特异性靶抗原具有高结合亲和力的候选物。传统的体外方法使用杂交瘤或噬菌体展示进行候选物选择,并使用表面等离子体共振(SPR)进行评估,而计算机计算方法旨在通过在设计过程中结合数学算法和计算处理能力来降低高成本并提高效率。在本研究中,我们研究了不同的基于图的设计,用于使用深度学习技术在抗体亲和力预测方面描绘抗体-抗原相互作用。虽然其他计算机计算需要实验确定的晶体结构,但我们的研究对计算机抗体成熟的基于序列的模型的能力感兴趣。与传统方法和其他深度学习方法相比,我们的初步研究在结合亲和力上取得了令人满意的预测准确性。为了进一步研究抗体-抗原结合的特异性,并模拟现实世界中的优化过程,我们引入了成对预测策略。我们根据基线和成对预测结果进行分析。由此产生的预测和效率证明了基于序列的方法的可行性和计算效率,以适应作为一个可扩展的工业实践。
2022-08-15 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
DeepGS: Deep Representation Learning of Graphs and Sequences for Drug-Target Binding Affinity Prediction
College of Computer Science and Technology, Hunan University(湖南大学信息科学与工程学院)
在计算机上准确预测药物-靶标结合亲和力(DTA)是药物发现的关键任务。传统的差热分析预测方法大多是基于仿真的,这在很大程度上依赖于领域知识或具有目标的3D结构的假设,这往往是很难获得的。同时,传统的基于机器学习的方法应用各种特征和描述符,并且简单地依赖于药物-靶标对之间的相似性。最近,随着可用的亲和数据量的增加以及深度表示学习模型在各个领域的成功,深度学习技术已经被应用于DTA预测。然而,这些方法考虑标签/独热编码或分子的拓扑结构,而不考虑氨基酸和SMILES序列的局部化学背景。受此启发,我们提出了一种新的端到端学习框架,称为DeepGS,它使用深度神经网络从氨基酸和SMILES序列中提取局部化学背景,以及药物的分子结构。为了辅助对符号数据的操作,我们建议使用高级嵌入技术(即,Smi 2 Vec和Prot 2 Vec)编码氨基酸和SMILES序列以分布表示。同时,我们提出了一种新的分子结构建模方法,在我们的框架下工作得很好。我们已经进行了大量的实验,将我们提出的方法与最先进的模型进行了比较,包括KronRLS,SimBoost,DeepDTA和DeepCPI。大量的实验结果证明了DeepGS的优越性和竞争力。
2020-04-03 cs.LG q-bio.QM
PLANET v2.0: A comprehensive Protein-Ligand Affinity Prediction Model Based on Mixture Density Network
Fudan University(复旦大学)
PLANET v2.0通过混合密度网络提升蛋白质-配体亲和力预测精度,展现卓越的筛选与对接能力。
2026-01-12 cs.LG q-bio.MN
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
GEFA: Early Fusion Approach in Drug-Target Affinity Prediction
Applied Artificial Intelligence Institute(应用人工智能研究所);Deakin University(迪肯大学)
预测化合物和靶标之间的相互作用对于快速药物再利用至关重要。深度学习已成功应用于药物-靶标亲和力(DTA)问题。然而,以前基于深度学习的方法忽略了对药物和蛋白质残基之间的直接相互作用进行建模。这将导致目标表示的不准确学习,其可能由于药物结合效应而改变。此外,以前的DTA方法仅基于DTA数据集中的少量蛋白质序列来学习蛋白质表示,而忽略了DTA数据集之外的蛋白质的使用。我们提出了GEFA(Graph Early Fusion Affinity),一种新的带有注意力机制的图中图神经网络,以解决由于绑定效应而引起的目标表征的变化。具体地说,药物被建模为原子图,然后作为一个节点在一个更大的图的残留物-药物复合物。最后得到的模型是一个具有表达能力的深度嵌套图神经网络。我们还使用了由最近学习情境化蛋白质表示的努力提供支持的预训练蛋白质表示。这些实验在不同的环境下进行,以评估新药或靶点等场景。结果表明,预训练的蛋白质嵌入的有效性和我们的GEFA在建模药物-靶标相互作用的嵌套图中的优势。
2020-09-28 cs.LG stat.ML
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
BAPULM: Binding Affinity Prediction using Language Models
BAPULM利用ProtT5-XL-U50和MolFormer的序列表示预测药物-靶标结合亲和力,在多个基准上取得高精度,为药物发现提供可扩展的3D替代方案。
2024-11-06 cs.LG q-bio.QM
Active learning for affinity prediction of antibodies
AstraZeneca(阿斯利康);Centre for AI, BioPharmaceuticals R&D, AstraZeneca(阿斯利康生物制药研发中心人工智能中心);Biologics Engineering, Oncology R&D, AstraZeneca(阿斯利康肿瘤研发部生物工程中心)
针对抗体突变空间巨大且RBFE模拟成本高的问题,本文提出主动学习框架迭代筛选候选序列,并比较代理模型,在预计算池和全循环设置中验证其加速高亲和力抗体搜索的能力。
2024-06-11 cs.LG q-bio.QM stat.ML
Enhanced compound-protein binding affinity prediction by representing protein multimodal information via a coevolutionary strategy
Zhejiang University School of Medicine(浙江大学医学院);First Affiliated Hospital, Zhejiang University School of Medicine(浙江大学医学院附属第一医院);Liangzhu Laboratory(良渚实验室);Zhejiang University(浙江大学);Nantong University(南通大学);Hunan First Normal University(湖南第一师范学院)
由于缺乏一种方法来有效地表示蛋白质的多模态信息,包括其结构和序列信息,预测化合物-蛋白质结合亲和力(CPA)仍然遭受低精度时,应用机器学习方法。为了克服这一限制,在一个新的端到端的架构(命名为神经网络),我们开发了一个共同进化的策略,共同代表的结构和序列特征的蛋白质,并最终优化数学模型预测CPA。此外,从数据驱动方法的角度来看,我们提出了一种合理的方法,可以利用高质量和低质量的数据库,以优化的精度和泛化能力的BP神经网络在CPA预测任务。值得注意的是,我们直观地解释了合理设计的建筑中序列和结构之间的特征交互过程。因此,在虚拟药物筛选任务中,神经网络大大优于最先进的(SOTA)基线,表明这种方法在实际应用中的可行性。神经网络通过协同进化策略有效地表达蛋白质的多峰信息,为提高CPA预测精度和泛化能力提供了一种出色的方法。
2022-11-24 cs.LG q-bio.BM
GramSeq-DTA: A grammar-based drug-target affinity prediction approach fusing gene expression information
Virginia Commonwealth University(弗吉尼亚联邦大学);Old Dominion University(奥多明尼昂大学)
本研究针对现有药物-靶点亲和力预测方法仅依赖结构特征的不足,提出融合化学扰动功能信息的GramSeq-DTA模型,在多个基准数据集上性能超越当前最优模型,为多模态DTA预测提供新思路。
2024-11-03 cs.LG q-bio.QM
PLA-SGCN: Protein-Ligand Binding Affinity Prediction by Integrating Similar Pairs and Semi-supervised Graph Convolutional Network
本研究针对蛋白质-配体结合亲和力预测问题,提出PLA-SGCN端到端框架,通过流形平滑约束检索困难相似对、自动构建图并结合半监督GCN,在四个基准数据集上性能显著优于现有方法。
2024-05-18 cs.LG q-bio.QM