CrossDocked2020
PulseAugur coverage of CrossDocked2020 — every cluster mentioning CrossDocked2020 across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
AI Agent在药物设计中重用分子优化经验
研究人员调查了AI Agent如何重用过去的经验来优化药物设计的分子结构。该研究侧重于从先前的编辑会话中获得的键是否能有效地指导新的优化任务，即使是对于未见的蛋白质口袋。研究结果表明，虽然特定口袋的身份可转移性较低，但编辑的更广泛描述和由此产生的分子在优先排序对接建议方面显示出希望。
-
新的扩散模型推进了单目标和双目标基于结构的药物设计
研究人员开发了两种新的基于结构的药物设计扩散模型。PocketVE（在arXiv cs.LG上发表）是一个蛋白质-口袋条件框架，可增强单目标设计的分子属性引导和几何稳定性。FuseDiff（同样在arXiv cs.LG上详细介绍）专为双目标药物设计而开发，可联合生成配体和两个特定于口袋的结合姿态，同时保持对称性和拓扑一致性。
-
新的SurfSpec框架在没有脱靶数据的情况下提高了药物设计的特异性
研究人员开发了SurfSpec，这是一个用于基于结构的药物设计的新框架，通过分析配体与其目标口袋之间的几何不匹配来提高特异性。该方法在不需要了解脱靶结构的情况下，提供了特异性的下界。SurfSpec通过将配体迭代地生长到目标口袋的特定表面区域，从而提高了经验特异性，同时保持了具有竞争力的目标亲和力改进，这在CrossDocked2020测试集上得到了证明。
-
SurfSpec框架利用几何不匹配提高药物先导化合物的特异性
研究人员开发了SurfSpec，一个用于基于结构的药物设计中先导化合物优化的新框架。该方法通过关注配体与其目标口袋之间的几何不匹配来提高特异性，而无需脱靶结构的信息。SurfSpec通过将配体生长到目标口袋表面的特定区域来迭代地优化配体，在CrossDocked2020测试集上展示了改进的经验特异性和竞争性靶亲和力改进。
-
新的基准测试ShallowBench针对浅口袋的AI药物设计
研究人员开发了ShallowBench，这是一个新的基准测试，旨在评估用于药物设计的生成式AI模型，特别关注具有浅结合口袋的靶点。现有模型在这些具有挑战性的靶点上表现不佳，而这些靶点在肿瘤学等领域很常见。ShallowBench包含5,780个靶点，旨在推动AI架构和损失函数的创新，以改善历史上难以靶向的蛋白质的药物发现。
-
LLM代理使用探测技术改进药物设计
研究人员开发了一个名为PROBE的新框架，用于改进药物设计中LLM代理的分子优化。该方法通过首先分析口袋-配体复合物以识别可能进行联合改进的区域，来解决平衡结合亲和力和成药性的挑战。PROBE然后使用受控的探测编辑和'EditManual'来指导一个迭代多代理系统，在CrossDocked2020基准测试中取得了最先进的性能。
-
MolPIF模型统一了连续和离散的分子生成
研究人员开发了MolPIF，这是一种新颖的参数插值流模型，旨在统一分子设计中连续原子坐标和离散原子类型的生成。该方法通过在参数空间中插值分布来解决当前深度生成模型的局限性，理论上可以优化连续和离散的分子变量。在CrossDocked2020数据集上，MolPIF在结合亲和力、化学有效性和几何保真度方面表现优于现有方法，有望应用于药物设计中的先导化合物优化。