PulseAugur
中
实时 11:51:42
English(EN) PoseX: AI Defeats Physics Approaches on Protein-Ligand Cross Docking

AI模型在蛋白质-配体对接中优于基于物理的方法

作者 PulseAugur 编辑部 · [1 个来源] ·

开发了一个名为PoseX的新基准来评估蛋白质-配体对接方法，将AI方法与传统的基于物理的技术进行比较。使用PoseX进行的实验表明，在对接成功率方面，AI方法通常优于基于物理的方法。研究还发现，将AI建模与基于物理的后处理相结合，特别是在解决了AI共折叠方法中的配体手性问题后，可以显著改善结果。 AI

影响 AI方法在蛋白质-配体对接中表现出卓越的性能，预示着药物发现领域将从基于物理的方法转向AI方法。

排序理由 该集群描述了在arXiv上发布的新基准和研究结果。

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

AI模型在蛋白质-配体对接中优于基于物理的方法

本文如何被排名

Signal score
0 / 100
Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket
Research
该集群描述了在arXiv上发布的新基准和研究结果。
Source corroboration
Single-source cluster
Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics
paper, other
Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance
High
Clearly on-topic for AI-industry coverage.
Story freshness
162 days old
Aged out of breaking-news scoring windows; ranking reflects the durable signal from the full source set.

完整方法见我们的编辑标准。

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Yize Jiang, Xinze Li, Yuanyuan Zhang, Jin Han, Youjun Xu, Ayush Pandit, Zaixi Zhang, Mengdi Wang, Mengyang Wang, Minjie Shen, Guang Yang, Yejin Choi, Wu-Jun Li, Tianfan Fu, Fang Wu, Junhong Liu ·

    PoseX：AI 在蛋白质-配体交叉对接任务中击败物理方法

    arXiv:2505.01700v3 Announce Type: replace Abstract: Existing protein-ligand docking studies typically focus on the self-docking scenario, which is less practical in real applications. Moreover, some studies involve heavy frameworks requiring extensive training, posing challenges …

相关实体

相关话题