牛津大学研究团队提出了一种新型图神经网络模型AEV-PLIG,旨在提高药物发现中结合亲和力的预测准确性。该模型结合原子环境向量与蛋白质-配体相互作用图,并采用注意力机制,显著提升了预测性能。研究还表明,增强数据可以进一步改善模型效果,强调了对更强基准和数据增强方法的需求。
腾讯 AI Lab 提出的 Interformer 模型基于 Graph-Transformer 架构,旨在改进蛋白质-配体对接和亲和力预测。该模型通过交互感知混合密度网络捕获非共价相互作用,提升了预测性能和可解释性。研究表明,Interformer 在多个基准测试中表现优异,成功识别高效小分子,展示了其在药物设计中的潜力。
本文介绍了多种基于深度学习和图神经网络的蛋白质结合位点分子生成与亲和力预测方法。这些方法通过优化结构表示和先进的嵌入技术,显著提高了分子设计的准确性和效率,实验结果优于传统算法。
本文提出了HGRL-DTA、GDGRU-DTA和GraphCL-DTA等新方法,用于药物靶标亲和力预测。这些方法结合深度学习和图表示学习技术,显著提高了预测准确性和模型泛化能力,为药物设计和发现提供了有效工具。
完成下面两步后,将自动完成登录并继续当前操作。