研究人员提出了一种名为Logos的蛋白质设计策略，旨在靶向天然无序蛋白（IDPs），以加速新药研发。该方法通过诱导契合结合策略，设计出适应多种无序氨基酸序列的结合蛋白，为癌症和阿尔茨海默症的治疗提供新靶点。

David Baker及其团队提出了一种名为Logos的蛋白质设计策略，专注于靶向天然无序蛋白质区域。该策略利用RFdiffusion模型，设计能够结合多种无序氨基酸序列的结合蛋白，推动新药研发，尤其在癌症和阿尔茨海默症领域。研究成果发表在《Science》上，展示了对无序蛋白靶点的广泛识别潜力。

本研究针对药物发现过程中计算药物-靶点相互作用预测的高昂时间和成本问题，提出了基于图机器学习的方法以优化实验选择。通过对相关文献的综述，展示了其框架、主要贡献、数据集及源代码，并指出未来的挑战和关键研究方向。

本研究针对深度学习药物靶点相互作用预测方法在数据多样性和建模复杂性上的局限性，提出了SCOPE-DTI框架。该框架结合了扩大100倍的半诱导人类DTI数据集与先进的深度学习模型，显著提升了多种DTI预测任务的性能，并提供了用户友好的界面及数据库，加速药物发现研究。

本研究解决了药物-靶点亲和力预测中的局部信息不足和特征融合效率低下的问题。提出的ViDTA框架通过引入虚拟节点与注意力机制线性特征融合网络，有效整合药物分子的局部和全球特征。实验结果表明，ViDTA在多个基准测试上超越了现有的最先进方法，展示了其在药物发现中的重要潜力。

本研究利用深度神经网络预测抗体的重要区域，提出了DeepRC和MEAN等新方法，显著提升了预测性能和效率。研究探讨了抗体设计、疫苗分配策略及抗原-抗体相互作用，评估了现有方法的局限性，并提出了未来研究的挑战。

本文介绍了多种基于深度学习和图神经网络的蛋白质结合位点分子生成与亲和力预测方法。这些方法通过优化结构表示和先进的嵌入技术，显著提高了分子设计的准确性和效率，实验结果优于传统算法。

浙江大学生物医学工程研究所原所长夏灵教授分享了个体化心脏建模仿真技术在心律失常消融、预测心律失常猝死风险等方面的应用。个体化心脏建模仿真技术能够精确消融心律失常，降低复发率。利用AI指导室速消融、房颤消融等手术已在美国成功实践。个体化心脏建模仿真技术能够一次性标测所有潜在靶点，提高成功率，降低复发率。此外，该技术还能预测心肌病室性心动过速风险。夏灵教授团队在心脏建模仿真方面取得了重要进展。

本文提出了HGRL-DTA、GDGRU-DTA和GraphCL-DTA等新方法，用于药物靶标亲和力预测。这些方法结合深度学习和图表示学习技术，显著提高了预测准确性和模型泛化能力，为药物设计和发现提供了有效工具。

该研究提出了一种物理信息策略，用于增强深度神经网络药物靶标交互模型的泛化能力。该模型在CAS2016比较评估中表现出优于以前方法的对接和筛选能力。