Biomolecules
PulseAugur coverage of Biomolecules — every cluster mentioning Biomolecules across labs, papers, and developer communities, ranked by signal.
-
新框架ReGeoDTA通过保留分子数据增强药物-靶点亲和力预测
研究人员开发了ReGeoDTA，一个旨在通过在分子表示中保留关键的化学和几何信息来提高药物-靶点亲和力（DTA）预测的新型框架。这种方法旨在防止在模型开发早期阶段数据被压缩或均质化时可能发生的与亲和力相关的区分的丢失。跨多个数据集的实验表明，ReGeoDTA持续提高了预测准确性，优于那些不优先考虑表示保真度的模型。研究结果表明，保持分子表示的完整性是开发更准确和更具泛化能力的DTA预测工具的关键因素，可能影响计算化合物在药物发现中的优先级排序。
-
AI模型高精度预测寡核苷酸熔解行为
研究人员开发了一种条件感知的核苷酸语言模型，能够准确预测寡核苷酸的熔解行为。该模型将上下文序列表示与反应环境的明确信息相结合，实现了亚度级别的预测精度。与传统的热力学方法相比，它显著降低了锁定核酸修饰寡核苷酸的预测误差，并在独立数据集上表现出强大的性能。
-
新的READ框架使用检索对齐扩散进行药物设计
研究人员推出了一种用于基于结构的药物设计的新型框架READ，该框架利用检索对齐扩散模型。该方法将分子生成条件化为靶向同源蛋白的小分子，并在整个生成过程中整合检索到的配体作为条件指导。READ旨在通过考虑共享的结合模式来捕捉分子识别的基本原理，解决了现有方法将分子生成视为孤立任务的局限性。在评估中，READ在与最先进的方法相比表现出强大的性能，并为早期计算命中生成提供了一个实用的框架。
-
新的拓扑方法增强了分子动力学模拟分析
研究人员引入了一种使用持久同调（PH）分析分子动力学模拟的新颖方法。这种方法包括一种称为掩码洪水复形的蛋白质特定修改，它能生成对蛋白质构象具有几何感知的摘要。这些基于PH的描述符在各种任务中表现出具有竞争力的性能，包括蛋白质类别预测和马尔可夫状态模型估计，并在蛋白质构象的生成模型方面显示出潜力。
-
AI模型Ligandformer和蛋白质动力学调查推动药物发现和生物研究
研究人员开发了Ligandformer，这是一种旨在预测化合物性质且具有增强可解释性的图神经网络。该模型集成了注意力图，以揭示特定结构特征如何影响预测，解决了深度学习在药物发现中“黑箱”的性质。Ligandformer在不同实验条件和性质预测中展现了鲁棒的性能和泛化能力。