.png){kind=icon}
返回
Structure-informed machine learning for drug discovery: a task-centric perspective
.png){kind=icon}
PRE
AI
DOI：10.1093/bib/bbag081.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
蛋白质结构预测的进展已改变基于结构的药物发现格局，使深度学习模型能够将空间约束整合到靶标特异性配体设计中。本文从任务导向视角提供了结构感知分子建模的全面综述，重点聚焦于结合口袋识别、相互作用预测、构象估计和复合物建模。我们强调了从传统对接和评分框架向基于几何信息的深度学习架构的技术演进，这些架构通过表面几何、等变表示和多模态嵌入编码蛋白质结构。特别关注了基于结构的分子生成的最新进展。我们将生成方法分为四种核心策略：基于序列的3D条件生成、片段链接与生长、结构约束下的图生成以及基于3D坐标的生成（包括扩散模型）。每种范式以不同方式平衡化学有效性、空间保真度和计算可处理性，其中扩散模型和点云模型已脱颖而出，成为在完整3D空间中合成口袋互补分子的强大工具。我们还讨论了共折叠模型的兴起，这些模型将蛋白质折叠和配体结合统一为单一预测框架，弥合了序列级学习与结构解析之间的差距。最后，我们探讨了数据稀缺、泛化和多目标控制等关键挑战，并展望了可扩展、可解释且物理合理的生成流程的未来方向。通过追踪结构知识如何重塑AI驱动的药物设计，本文旨在为下一代分子建模提供概念性路线图和实践见解。
Keyword:
drug discovery
machine learning
protein structure modeling
drug-target interaction
期刊
IF:
7.7
论文数:
5.8K
被引数:
2.7W
机构
引用论文
TopMT-GAN: a 3D topology-driven generative model for efficient and diverse structure-based ligand designTopmt-gan: 3D拓扑驱动的生成模型，用于高效和多样化的基于结构的配体设计.png)
CHEMICAL SCIENCE
OAAI
CHEMICAL SCIENCEIF7.4
OAAI分享收藏E(3)-equivariant graph neural networks for data-efficient and accurate interatomic potentialsE(3)-等变图神经网络，用于数据高效和精确的原子间势NATURE COMMUNICATIONS
OAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏DeepRank: a deep learning framework for data mining 3D protein-protein interfacesNATURE COMMUNICATIONSOAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏KDEEP: Protein-Ligand Absolute Binding Affinity Prediction via 3D-Convolutional Neural NetworksKDEEP: 通过3d卷积神经网络预测蛋白质-配体绝对结合亲和力
PREAI
分享收藏DeepDrug3D: Classification of ligand-binding pockets in proteins with a convolutional neural networkOAAI
OAAI分享收藏
查看更多内容