本研究解决了靶向蛋白降解（TPD）中三元结构预测的挑战，尤其是在复杂的相互作用机制和数据不足的情况下。提出的 DeepTernary 方法通过 SE(3) 等变图神经网络和注意力机制，从高质量的训练数据集 TernaryDB 中提炼出三元交互信息，最终实现了在现有 PROTAC 基准上最优性能，同时在盲对接协议下也取得了 MGDs...

本文介绍了一种基于深度学习的结构虚拟筛选算法，利用可学习的原子卷积和softmax操作生成化合物指纹，以预测蛋白质-配体结合亲和力。研究开发了新的基准数据集，展示了深度卷积神经网络在药物研发中的优势。通过引入新策略和物理信息神经网络，显著提升了预测性能，适用于药物发现。同时，DeltaDock框架实现了高效的分子对接，提升了预测准确性。

研究人员利用深度学习和生成式AI构建了AlphaPPIMd模型，通过分子动力学模拟学习了蛋白质-蛋白质复合物的构象和动力学机制，并提供了机理性见解。该模型能够准确预测蛋白质复合物的构象，并可推广到其他复合物。这项研究对于深入理解蛋白质功能和药物设计具有重要意义。

本文探讨了深度学习在蛋白质折叠识别和设计中的应用，特别是卷积神经网络在蛋白质序列分类、局部二级结构预测及结构评分方面的表现。研究表明，深度学习方法显著提高了分类精度和序列一致性，推动了计算蛋白质设计的发展。

本论文提出了一种利用简单复合物的数学理论处理复杂系统中高阶交互作用的新方法。通过嵌入高阶 Flower-Petals 模型和基于 FP Laplacians 的高阶图卷积网络 (HiGCN)，能够在不同拓扑尺度上识别内在特征，并量化高阶交互作用强度，实现了先进的表达能力。在各种图任务上，该方法达到了最先进的性能。