AI+Drug Snapshot | 250316 | 基于深度学习的GluN1/GluN3A受体抑制剂的高效筛选
关注
MindDance微信公众号，每日推送AI+Drug的最新文章和资讯，获取领域最新的技术进展
1. An efficient deep learning-based strategy to screen inhibitors for GluN1/GluN3A receptor
Acta Pharmacologica Sinica
本文提出了一种基于深度学习的策略，用于高效筛选GluN1/GluN3A受体抑制剂，创新点在于结合序列和复合物评分函数，平衡了筛选效率和准确性。方法上，首先使用序列评分函数从1800万化合物库中筛选出20,000个候选分子，随后采用IGModel和RTMScore两种复合物评分函数进行精确评分，最终通过全细胞电压钳电生理实验验证了活性分子PAT-505，其IC50为2.87±0.80μM。实验使用了BindingDB和PDBbind等数据集，结果表明该策略在药物发现中具有高效性和精确性。总结而言，该研究展示了深度学习在快速筛选药物靶点中的潜力。
2. Aligning Molecules and Fragments in a Shared Embedding Space for RL-Based Molecule Generation
MLGenX 2025
本文提出了一种名为M-FRAG的新框架，通过将分子和片段嵌入对齐到一个共享的属性驱动空间中，利用强化学习生成优化目标属性的化学分子，创新点在于通过分子-片段对齐增强了生成分子的可解释性和化学可行性。方法上，M-FRAG首先构建了一个分子和片段对齐的嵌入空间，然后通过强化学习进行片段组装和分子生成。实验在多个蛋白质靶点（parp1、fa7、5ht1b、braf、jak2）上进行，结果表明M-FRAG在优化、多样性和化学有效性方面均优于现有方法。总结来说，M-FRAG为药物发现提供了一种高效且可解释的分子生成方法。
3. Leveraging protein language models for robust antimicrobial peptide detection
Methods
本文提出了一种基于预训练蛋白质语言模型ESM2的新型框架PLAPD，用于高效准确地预测抗菌肽（AMPs），创新点在于结合了局部特征提取和全局特征提取的残差Transformer模块。方法上，PLAPD首先利用ESM2生成高维特征嵌入，然后通过卷积层提取局部特征，再通过残差Transformer模块提取全局特征，最后通过分类模块进行预测。实验使用了包含8,268个肽序列的数据集，并在独立测试集上验证了模型的鲁棒性，结果显示PLAPD在准确率、精确度、特异性、MCC和AUC等指标上均优于现有模型。总结而言，PLAPD为抗菌肽的发现提供了一种高通量且准确的工具。
4. Conformational ensembles for protein structure prediction
Scientific Reports
本文提出了一种名为FiveFold的新方法，用于预测蛋白质的多重构象，解决了AlphaFold等现有方法只能预测单一构象的局限性。该方法基于蛋白质折叠形状代码（PFSC）和蛋白质折叠变异矩阵（PFVM），通过局部折叠变异生成大量构象，并构建蛋白质的多重构象集合。实验使用P53_HUMAN、LEF1_HUMAN和Q8GT36_SPIOL作为基准数据集，验证了FiveFold在预测蛋白质多重构象方面的有效性，结果表明该方法能够生成与实验结构高度一致的构象，并覆盖更广泛的构象空间。FiveFold为蛋白质结构预测提供了新的视角，特别是在处理内在无序蛋白质方面具有显著优势。
5. Structure Language Models for Protein Conformation Generation
arxiv
本文提出了一种基于结构语言模型（SLM）的高效蛋白质构象生成框架，创新性地通过离散变分自编码器和条件语言建模在潜在空间中进行生成建模，显著提升了构象生成的效率和多样性。方法上，首先将蛋白质结构编码为离散潜在空间，然后通过条件语言模型捕捉序列特异性构象分布，最后通过解码器将潜在变量映射回3D空间。实验在BPTI构象动力学、构象变化对和内在无序蛋白质（IDP）等多个数据集上进行，结果表明SLM在生成多样构象方面比现有方法快20-100倍，并在构象多样性和准确性上表现出色。总结而言，SLM为蛋白质构象生成提供了一种高效且可扩展的新方法，具有广泛的应用潜力。
6. SCOPE-DTI: Semi-Inductive Dataset Construction and Framework Optimization for Practical Usability Enhancement in Deep Learning-Based Drug Target Interaction Prediction
arxiv
本文提出了SCOPE-DTI框架，通过构建大规模半归纳人类药物-靶点相互作用（DTI）数据集，结合三维蛋白质和化合物表示、图神经网络和双线性注意力机制，显著提升了DTI预测的实用性和准确性。方法上，SCOPE-DTI整合了来自13个公共数据库的数据，采用AlphaFold2和RDKit生成蛋白质和化合物的三维结构，并通过异构图神经网络和几何向量感知器进行编码，最终通过双线性注意力网络预测相互作用。实验在BindingDB、Human和KIBA等数据集上进行，SCOPE-DTI在所有基准测试中均表现优异，特别是在过滤后的数据集上保持了稳定的性能，并通过实验验证了人参皂苷Rh1的抗癌靶点。总结而言，SCOPE-DTI通过数据驱动的方法和先进模型架构，为药物发现提供了强大的工具和资源。