本研究提出了Diffleop模型，针对深度学习三维生成模型在优化过程中未充分考虑蛋白-配体结合亲和力的问题。结果表明，Diffleop在多个指标上优于基线模型，尤其在结合亲和力方面表现突出。

本研究提出的BIT模型有效解决了预训练模型在小分子与蛋白质结合相互作用方面的不足。BIT通过混合专家方法编码分子，显著提升了相互作用捕捉能力，实验结果表明其在结合亲和力预测等任务中表现优异，具有广泛的应用潜力。

本文介绍了一种基于深度学习的模型，用于预测蛋白质-配体复合物的生物活性，优于传统方法。研究整合了口袋预测和对接技术，提出了FABind和Uni-Mol Docking V2等新模型，显著提高了结合亲和力预测的准确性，节省了药物研发时间和成本。通过数据集分析，提出了COMPASS方法，结合DiffDock实现高效评估，进一步提升了模型性能。

本研究提出了一种新型三维生成模型DiffSBDD，旨在设计与特定蛋白质靶点高度亲和的小分子配体。该模型结合了结构药物设计和机器学习，展示了高效性和多样性，生成的分子具有更真实的三维结构和更高的结合亲和力。此外，研究还提出了综合评估框架，以提升药物设计模型的实际适用性，缩小理论预测与实际应用之间的差距。

本研究提出了一种名为 BindDM 的新框架，利用深度学习生成与特定蛋白质靶点结合的三维分子。BindDM 通过自适应提取结合位点信息，展现出更高的结合亲和力和真实的三维结构。此外，研究引入 Delta Score 评估分子结合特异性，并开发了以能量引导的生成方法，提升了药物设计的实际应用性。

本研究引入了新的评估指标Delta Score，旨在提高药物分子的结合特异性。通过开发基于能量引导的方法，并结合对活性化合物的对比学习，成功提升了分子的结合亲和力和Delta Score，从而弥合了结构基础药物设计与实际需求之间的差距。

本文提出了一种基于图的卷积神经网络，用于预测蛋白质-配体复合物的活性和结合模式。研究表明，该深度学习模型在结合亲和力预测方面优于传统方法，利用多样化数据和元建模框架显著提高了预测准确性。此外，开发了新的分子对接软件DOCKSTRING，以简化药物开发过程。

本文介绍了一种基于深度学习的分子生成方法，旨在设计与特定蛋白质结合的三维分子。该方法通过学习原子的概率密度分布，实现了高效且多样化的分子生成，展现出良好的药物特性和结合亲和力。研究提出的 BindDM 框架能够生成更真实的三维结构，提升结合亲和力，为药物设计提供新的可能性。

本研究提出了新型分子对接模型DiffDock和GFMDiff，利用扩散过程和几何促进方法，显著提高了小分子配体与蛋白质结合结构的预测准确性和效率。实验结果显示，这些模型在多个基准测试中优于传统方法，能够生成更真实的三维分子结构和更高的结合亲和力。