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。

本文介绍了一种新颖的对比学习框架DrugCLIP，通过将虚拟筛选重构为密集检索任务，利用对比学习对齐蛋白质和分子的表示，无需准确的结合亲和力标签。实验结果表明，DrugCLIP在虚拟筛选基准测试中优于传统方法，尤其在零样本设置中显著减少计算时间，提升了蛋白质-配体相互作用的识别能力。