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...

PharmacoNet是一种深度学习框架，通过图形匹配解决了配位体姿态采样和评分过程的问题，提高了结构基准方法的速度和准确性，并揭示了药效团建模方法在药物发现中的潜力。

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。

我们提出了一种名为SGNet的蛋白质折叠框架，用于模拟对称蛋白质复合物中的蛋白质相互作用。该方法在四聚体蛋白质结构预测和对称蛋白质复合物基准测试中表现出了有效性。

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。