AI+Drug Snapshot | 250325 | GDF-DDI，一种基于图对比学习和双视图融合的药物相互作用预测模型
**期刊**: Computational Biology and Chemistry
Blog
Notes on AI-enabled drug design, molecular modeling, and scientific platforms.
AI+Drug Snapshot | 250322 | AMCGRL通过跨域解码器和层次化互注意力机制捕捉复杂分子间相互作用模式
本文提出了名为AMCGRL的多领域协同图表示学习框架，用于分子相互作用预测，创新点在于借助跨域解码器和层次化互注意力机制捕捉复杂分子间相互作用模式。方法上，结合图卷积网络和图变换器，从域内和域间图中学习分子表示。实验在PepPI3966、MLI3099和RPI7317等数据集上开展，结果显示AMCGRL在分子表示学习能力上优于现有方法。总结表明，AMCGRL在分子相互作用预测任务中表现出色，...
AI+Drug Snapshot | 250321 | DrugFlow通过多领域分布学习，生成蛋白质结合分子的三维结构，并扩展了蛋白质侧链构象的采样
本文提出了一种基于片段的蛋白质表示方法，通过使用40个进化保守的片段来显著降低蛋白质表示的维度，同时保留功能信息，创新地解决了传统蛋白质设计方法计算成本高的问题。该方法通过将蛋白质结构分解为片段图或片段集，利用滑动窗口算法和多种距离度量进行片段检测，并在PDBench和PFD数据集上验证了其有效性。实验结果表明，片段表示在功能聚类、数据库搜索和蛋白质设计中均优于传统方法，特别是在功能聚类中，...
AI+Drug Snapshot | 250320 | DTIAM通过自监督预训练从大量无标签数据中学习药物和靶标的表示，显著提升了冷启动场景下的预测性能
本文提出了ABCFold，简化了AlphaFold 3、Boltz-1和Chai-1的运行与结果比较，通过标准化输入和统一输出格式，提升了用户体验和结果的可比性。该方法通过单一JSON输入文件自动转换为各工具所需格式，支持自定义多序列比对(MSA)和模板，并利用MMseqs2 API生成MSA，避免了本地数据库的下载需求。实验中使用UniRef30和colabfold_envdb数据集进行M...
AI+Drug Snapshot | 250319 | LigUnity利用对比学习，采用列表排序方法，在虚拟筛选和先导化合物优化中均表现出色
本文提出了名为LigUnity的基础模型，通过联合优化虚拟筛选和先导化合物优化来预测蛋白质-配体结合亲和力，创新点在于将两个任务统一在一个模型中提升性能。方法上，利用对比学习进行虚拟筛选，采用列表排序方法进行先导化合物优化，并在八个基准数据集上验证。结果显示在DUD-E和DEKOIS 2.0基准上性能提升超50%，在未见蛋白质上泛化能力良好。实验表明，LigUnity在虚拟筛选和先导化合物优...
AI+Drug Snapshot | 250318 | DTIAM通过从大量无标签数据中学习药物和靶点的表示，提高了下游任务的预测性能
本文提出了DTIAM框架，用于预测药物-靶点相互作用、结合亲和力及药物作用机制，创新性地结合了自监督预训练和多任务学习。DTIAM通过从大量无标签数据中学习药物和靶点的表示，提高了下游任务的预测性能。实验在Yamanishi_08和Hetionet等数据集上进行，结果表明DTIAM在冷启动场景下表现优异，尤其在预测新药物或靶点时具有强大的泛化能力，验证了其在实际应用中的有效性。