机器之心数据服务现已上线，提供高效稳定的数据获取，简化数据爬取流程。

本研究解决了现有分子对接方法未能考虑同一目标蛋白的多种配体对接的局限性。提出的\textsc{GroupBind}框架通过引入配体组的交互层和三角注意力模块，能同时考虑多个配体与蛋白质的对接。这一创新方法在PDBBind盲对接基准测试中表现优异，显示出其有效性和潜在影响。

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。

百度飞桨螺旋桨PaddleHelix团队开源了基于大规模预训练方法的HelixDock全原子扩散模型，能够准确预测蛋白质和小分子的结合构象。该模型具有高精度、泛化能力和鲁棒性，通过大规模数据验证了AI在科学领域的Scaling Laws。HelixDock代码和训练数据已全面开源，PaddleHelix计算平台提供免费在线服务。

通过生成数据和深度学习预训练网络，研究引入了一种新的分子对接方法HelixDock，表现出卓越优势。预训练分子对接模型的效果随着参数和数据数量的增加而改进。这一研究有望推动以人工智能驱动的药物发现。

本研究使用机器学习和数字病理学建立了大规模数据集，验证了基于ViT的标准流水线在正确标注协议下具有90%的预测性能，并揭示了训练分类器定位相关区域的能力，为未来改进本领域的本地化工作提供了启示。

利用卷积神经网络 (CNN) 鉴别不同蜜蜂亚种，寻找有效的配体来阻止繁殖，并提供一种有效的方法来防止入侵蜜蜂在加利福尼亚的传播。

EquiDock是一个使用SE（3）-等变图匹配网络来预测蛋白质复合物3D结构的模型。该模型在计算时间上优于现有的对接软件，但需要进行实证研究。

该研究利用基于配体的药物设计方法，开发了一种新型生成模型 ShapeMol，可以根据给定分子的形状生成 3D 分子结构。实验结果展示了 ShapeMol 在设计药物候选化合物方面的潜力，能够生成与给定形状条件相似的新型多样化的类似药物的分子。