本研究解决了当前分子采样技术在计算效率低下和缺乏可迁移性的问题。研究提出了JAMUN方法，通过将行走-跳跃采样扩展到点云，显著加速了分子构象的生成速度。JAMUN的一个重要发现是能够预测在训练期间未见的小肽的稳定基态，从而对药物发现过程产生重要影响。

本研究提出新方法解决蛋白质-配体构象预测中相互作用评估不足的问题。通过分析相互作用指纹，发现现代模型在重建关键相互作用上存在不足，可能导致模型性能被高估，特别是在最新的蛋白质-配体协同折叠模型中。

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。

本文介绍了一种新的生成框架，利用深度生成网络推动了从二维分子结构推断三维分子构型的精确性。通过马尔科夫链过程将随机噪声转化为连贯的分子形式，并通过双层优化方案实现了分子的三维形式。

百度飞桨螺旋桨团队推出了蛋白质-小分子对接构象预测模型HelixDock和蛋白-蛋白复合物结构预测模型HelixFold-Multimer，提高了蛋白质-小分子对接构象和蛋白-蛋白复合物结构预测的准确性，为基于结构的药物设计提供了基础。HelixDock在对比其他方法时表现出色，HelixFold-Multimer在抗原-抗体和多肽-蛋白复合物的预测中也取得了突破进展。