2024-基于人工智能的药物设计方法研究-AIDD

news2024/11/30 6:45:14

AIDD docx

基于人工智能的药物设计方法研究

  • AI作为一种强大的数据挖掘和分析技术已经涉及新药研发的各个阶段，有望推动创新药物先导分子的筛选、设计和发现，但基于AI的数据驱动式创新药物设计和筛选方法仍存在若干亟待解决的问题。我们课题组的核心研究方向是围绕药物设计中的难点问题，应用大数据和AI技术发展高精度及高效的活性分子虚拟筛选方法、成药性预测方法、全新结构设计方法、逆合成预测方法以及靶标预测方法等，并开发整合的高精度药物设计和筛选软件平台。例如，我们开发了基于知识图谱和推荐系统的药物-靶标相互作用预测方法KGE-NFM，其在多个基准数据集上比传统方法表现出更优的预测精度 ；发展了基于Transformer、知识蒸馏（knowledge distillation）和强化学习的多约束分子生成新方法MCMG，其可以高效遍历复杂的化学空间以寻找满足多种性质约束的新型化合物，为先导结构的发现提供了功能强大的计算工具（图1）；发展了一种新型的基于图表示学习的蛋白-小分子相互作用的打分方法IGN，其性能显著优于同类机器学习打分方法和分子对接程序 ；系统研究了机器学习打分函数中的若干关键问题，开发了蛋白-小分子相互作用特征提取、个性化打分函数构建以及虚拟筛选在线计算平台ASFP；创造性提出了计算生物靶标谱（CBFP）的概念，并将其作为新型分子表征实现骨架跃迁的新思路，成功发现具有全新骨架的强效PARP1抑制剂和DprE1抑制剂，证明其与传统化学表征相比具有更优的新骨架发现能力。

img

图 1. MCMG方法的工作流程图。

  • 开发出一系列ADMET和成药性理论预测方法和模型，包括水溶性（logS）、油/水分配系数（logP）、Caco-2渗透性、肠吸收、口服生物利用度、hERG心脏毒性、血脑屏障（BBB）、P-gp蛋白转运、孕烷X受体激活、呼吸毒性、泌尿系统毒性、急性毒性、频繁命中化合物、类药性等 [11~16]；针对小样本成药性数据预测精度差的难题，运用迁移学习、多任务学习、自监督学习等新型AI技术发展了快速精准的成药性预测方法（如多任务图注意力框架MGA和基于预训练的图网络模型MG-BERT和K-BERT），有效提升了多个成药性任务的预测精度，特别是对于样本较少的任务提升幅度更为显著 [17~19]；在长期方法学研究基础上，开发了关键成药性参数在线软件平台ADMETLab2.0，可实现17种物化性质、13种药物化学性质、24种成药性参数、27种毒性性质及8种毒性团规则的系统性评价，是目前国际上成药性参数评价最多、速度最快、预测精度最为优秀的免费在线计算平台之一 。

img

**图 2. ADMETlab 2.0的预测结果展示页面。**https://admetmesh.scbdd.com/

相关论文:

  1. Qing Ye, Chang-Yu Hsieh, Ziyi Yang, Yu Kang, Jiming Chen, Dongsheng Cao*, Shibo He*, Tingjun Hou*, A unified drug-target interaction prediction framework based on knowledge graph and recommendation system, Nature Communications, 2021, 12, 6775.
  2. Jike Wang, Chang-Yu Hsieh, Mingyang Wang, Xiaorui Wang, Zhenxing Wu, Dejun Jiang, Benben Liao, Xujun Zhang, Bo Yang, Qiaojun He, Dongsheng Cao*, Xi Chen*, Tingjun Hou*, Multi-constraint molecular generation based on conditional transformer, knowledge distillation and reinforcement learning, Nature Machine Intelligence, 2021, 3, 914-922.
  3. Mingyang Wang, Zhe Wang, Huiyong Sun, Jike Wang, Chao Shen, Gaoqi Weng, Xin Chai, Honglin Li*, Dongsheng Cao*, Tingjun Hou*, Deep learning approaches for de novo drug design: an overview, Current Opinion in Structural Biology, 2022, 72, 135-144.
  4. Dejun Jiang, Chang-Yu Hsieh, Zhenxing Wu, Yu Kang, Jike Wang, Ercheng Wang, Ben Liao, Chao Shen, Lei Xu, Jian Wu*, Dongsheng Cao*, Tingjun Hou*, InteractionGraphNet: a novel and efficient deep graph representation learning framework for accurate protein-ligand interaction predictions, Journal of Medicinal Chemistry, 2021, 64, 18209-18232.
  5. Chao Shen, Ye Hu, Zhe Wang, Xujun Zhang, Haiyang Zhong, Gaoang Wang, Xiaojun Yao, Lei Xu, Dongsheng Cao*, Tingjun Hou*, Can machine learning consistently improve the scoring power of classical scoring functions? Insights into the role of machine learning in scoring functions, Briefings in Bioinformatics, 2021, 22, 497-514.
  6. Chao Shen, Ye Hu, Zhe Wang, Xujun Zhang, Jinping Pang, Gaoang Wang, Haiyang Zhong, Lei Xu, Dongsheng Cao*, Tingjun Hou*, Beware of the generic machine learning-based scoring functions in structure-based virtual screening, Briefings in Bioinformatics, 2021, 22, bbaa070.
  7. Chao Shen, Junjie Ding, Zhe Wang, Dongsheng Cao, Xiaoqin Ding, Tingjun Hou*, From machine learning to deep learning: advances in scoring functions for computational docking, WIRES Computational Molecular Science, 2020, 10, e1429.
  8. Xujun Zhang, Chao Shen, Xueying Guo, Zhe Wang, Gaoqi Weng, Qing Ye, Gaoang Wang, Qiaojun He, Bo Yang*, Dongsheng Cao*, Tingjun Hou*, ASFP (Artificial Intelligence based Scoring Function Platform): a web server for the development of customized scoring functions, Journal of Cheminformatics, 2021, 13, 6.
  9. Guoli Xiong, Yue Zhao, Lu Liu, Zhongye Ma, Aiping Lu, Yan Cheng, Tingjun Hou*, Dongsheng Cao*, Computational bioactivity fingerprint similarities to navigate the discovery of novel scaffolds, Journal of Medicinal Chemistry, 2021, 64, 7544-7554.
  10. Xueping Hu, Liu Yang, Xin Chai, Yixuan Lei, Md Shah Alam, Lu Liu, Chao Shen, Dejun Jiang, Zhe Wang, Zhiyong Liu, Lei Xu, Kanglin Wan, Tianyu Zhang, Yuelan Yin, Dongsheng Cao*, Dan Li*, Tingjun Hou*, Discovery of novel DprE1 inhibitors via computational bioactivity fingerprints and structure-based virtual screening, Acta Pharmacologica Sinica, 2022, in press.
  11. Sheng Tian, Junmei Wang, Youyong Li, Dan Li, Lei Xu, Tingjun Hou*, The application of in silico drug-likeness predictions in pharmaceutical research, Advanced Drug Delivery Reviews, 2015, 86, 2-10.
    1. Tailong Lei, Huiyong Sun, Yu Kang, Feng Zhu. Hui Liu, Wenfang Zhou, Zhe Wang, Dan Li, Youyong Li, Tingjun Hou*, ADMET evaluation in drug discovery. 18. Reliable prediction of chemical-induced urinary tract toxicity by boosting machine learning approaches, Molecular Pharmaceutics,2017, 14, 3935-3953.
  13. Tailong Lei, Fu Chen, Hui Liu, Huiyong Sun, Yu Kang, Dan Li, Youyong Li, Tingjun Hou*, ADMET evaluation in drug discovery. 17. Development of quantitative and qualitative prediction models for chemical-induced respiratory toxicity, Molecular Pharmaceutics, 2017, 14, 2407-2421.
  14. Zhenxing Wu, Tailong Lei, Chao Shen, Zhe Wang, Dongsheng Cao, Tingjun Hou*, ADMET Evaluation in Drug Discovery. 19. Reliable Prediction of Human Cytochrome P450 Inhibition Using Artificial Intelligence Approaches, Journal of Chemical Information and Modeling, 2019, 59, 4587-4601.
    1. Ziyi Yang, Junhong He, Aiping Lu, Tingjun Hou*, Dongsheng Cao*, The Application of Negative Design to Design More Desirable Virtual Screening Library, Journal of Medicinal Chemistry, 2020, 63, 4411-4429.
  16. Tailong Lei, Huiyong Sun, Yu Kang, Feng Zhu. Hui Liu, Wenfang Zhou, Zhe Wang, Dan Li, Youyong Li, Tingjun Hou*, ADMET evaluation in drug discovery. 18. Reliable prediction of chemical-induced urinary tract toxicity by boosting machine learning approaches, Molecular Pharmaceutics, 2017, 14, 3935-3953.
  17. Zhenxing Wu, Dejun Jiang, Jike Wang, Chang-Yu Hsieh*, Dongsheng Cao*, Tingjun Hou*, Mining Toxicity Information from Large Amounts of Toxicity Data, Journal of Medicinal Chemistry, 2021, 64, 6924-6936.
  18. Xiaochen Zhang, Chengkun Wu, Zhijiang Yang, Zhenxing Wu, Jiacai Yi, Changyu Hsieh, Tingjun Hou*, Dongsheng Cao*, MG-BERT: leveraging unsupervised atomic representation learning for molecular property prediction, Briefings in Bioinformatics, 2021, 22, bbab152.
  19. Zhenxing Wu, Dejun Jiang, Jike Wang, Xujun Zhang, Hongyan Du, Lurong Pan, Changyu Hsieh*, Dongsheng Cao*, Tingjun Hou*, Knowledge-based BERT: a method to extract molecular features like computational chemists, Briefings in Bioinformatics, 2022, bbac131.
  20. Guoli Xiong, Zhenxing Wu, Jiacai Yi, Li Fu, Zhijiang Yang, Changyu Hsieh, Mingzhu Yin, Xiangxiang Zeng, Chengkun Wu, Aiping Lu, Xiang Chen, Tingjun Hou*, Dongsheng Cao*, ADMETlab 2.0: an integrated online platform for accurate and comprehensive predictions of ADMET properties, Nucleic Acids Research, 2021, 49(W1), W5-W14.

1. 浙江大学侯廷军教授-基于AI的药物发现：机遇与挑战

  • 地址 - https://www.bilibili.com/video/BV1oG411K7Ly/?buvid=XX2866E2E16E062B48BF8F07298697EEE792C&from_spmid=search.search-result.0.0&is_story_h5=false&mid=WD4dPZBHv0EX229RJlaJhw%3D%3D&p=1&plat_id=114&share_from=ugc&share_medium=android&share_plat=android&share_session_id=f32f0330-61fb-4c78-a80d-54c101e3f796&share_source=QQ&share_tag=s_i&spmid=united.player-video-detail.0.0&timestamp=1712726140&unique_k=hQDWEoF&up_id=347009606&vd_source=862ff6877c847eb289270ce386f12850
  • 实验室-http://cadd.zju.edu.cn/
  • 软件开发-http://cadd.zju.edu.cn/program

2. 蒋华良院士在首届AI药物研发研讨会上的汇报

  • 地址：https://www.bilibili.com/video/BV1HP4y1W7aT/?buvid=XX2866E2E16E062B48BF8F07298697EEE792C&from_spmid=search.search-result.0.0&is_story_h5=false&mid=WD4dPZBHv0EX229RJlaJhw%3D%3D&p=1&plat_id=114&share_from=ugc&share_medium=android&share_plat=android&share_session_id=29fbfec8-5b65-4450-a7af-35754687a7cf&share_source=QQ&share_tag=s_i&spmid=united.player-video-detail.0.0&timestamp=1712726182&unique_k=KgSOCR9&up_id=383170833&vd_source=862ff6877c847eb289270ce386f12850

3. Drug Design

  • 地址：https://www.icourse163.org/learn/FUDAN1-1461262164?tid=1472329514#/learn/content?type=detail&id=1258207208&sm=1

4. 药物设计学

  • 地址：https://www.icourse163.org/learn/FUDAN-1003316002?tid=1472102559#/learn/content?type=detail&id=1257573178&sm=1

5. 计算机辅助药物设计

  • 地址：https://www.icourse163.org/learn/JNU-1207113806?tid=1472080457#/learn/content?type=detail&id=1257317530&cid=1290679998
数据库
PROTAC-DB描述: 第一个可通过网络访问的 PROTAC 数据库链接：http://cadd.zju.edu.cn/protacdb/引文：核酸研究，2021，49(D1)，D1381-D1387；核酸研究, 2023, 51(D1), D1367-D1372
共价InDB描述: 最大的共价抑制剂和相关靶标的网络可访问资源链接：http://cadd.zju.edu.cn/cidb/引文：核酸研究，49(D1)，D1122–D1129
国际米兰描述：专门针对药物间相互作用的全面、专业、开放访问的数据库链接：http://ddinter.scbdd.com/引文：核酸研究，2022，50(D1)：D1200-D1207
VGSC描述: 最大的专业电压门控钠通道在线数据库链接：http://cadd.zju.edu.cn/vgsc/引用: J Cheminformatics , 2022, 14, 75
PKKB描述：最广泛的免费数据库，用于收集 ADME（吸收、分布、代谢和排泄）和毒性特性链接：http://cadd.zju.edu.cn/pkkb/引用:化学信息与建模杂志, 2012, 52(5), 1132-1137
分子表征
生物医学研究描述：用于生物医学研究中集成数据分析管道的 R/CRAN 包链接：https://cran.r-project.org/web/packages/BioMedR/引文：生物信息学简报，2021, 22(1): 474-484
窥探描述：一个集成的负设计 Python 库，用于理想的 HTS/VS 数据库设计链接：https://github.com/kotori-y/Scopy/引文：生物信息学简报，2021，22(3)：bbaa194
皮斯马什描述：用于代表性子结构生成和应用的Python包和单独的可执行程序链接：https://github.com/kotori-y/pySmash/引文：生物信息学简报，2021，22(5)：bbab017
QSAR建模
米伽描述：从大量毒性数据中挖掘毒性信息链接：https://github.com/wzxxxx/MGA/引文：药物化学杂志, 2021, 64(10), 6924-6936
禁止描述: Learning to SMILES：基于 BAN 的策略来改进分子的潜在表示学习链接：https://github.com/zhang-xuan1314/SMILES-BiLSTM-attention-network/引用：生物信息学简报，2021, 22(6), bbab327
MG-BERT描述：利用无监督原子表示学习进行分子特性预测链接：https://github.com/zhang-xuan1314/Molecular-graph-BERT/引用：生物信息学简报，2021，22(6)，bbab152
HRGCN+描述：双曲关系图卷积网络plus：一种简单但高效的QSAR建模方法链接：https://quantum.tencent.com/hrgcn/引用：生物信息学简报，2021，22(5)，bbab112
成药性预测
ADMET实验室2.0描述：广泛使用的 ADMETlab 的增强版，用于系统评估 ADMET 特性以及一些理化特性和药物化学友好性链接：https://admetmesh.scbdd.com/引文：核酸研究，2021, 49, W5-W14
化学聚合物描述：一个免费的网络服务器，可用于轻松过滤掉潜在先导分子中的聚合器链接：https://admet.scbdd.com/ChemAGG/index/引文：化学信息与建模杂志，2019, 59(9), 3714-3726
化学荧光描述：一个公共网络服务器，可用于标记大型数据集中的蓝色和绿色荧光化合物链接：https://admet.scbdd.com/chemfluo/index/引用：生物信息学简报，2021, 22(4), bbaa282
竞赛描述：一个免费的网络服务器，用于基于图注意力的综合可访问性评估（GASA）链接：http://cadd.zju.edu.cn/gasa/引文：化学信息与建模杂志，2022, 62(12), 2973-2986
药物记录描述: 免费向公众分发的用于估计水溶性的程序链接：http://modem.ucsd.edu/adme/引用:化学信息与计算机科学杂志, 2004, 44(1), 266-275
蛋白-配体打分
金属ProGNet描述：用于金属蛋白-配体相互作用预测的基于结构的深度图模型链接：https://github.com/zjujdj/MetalProGNet/引文：化学科学, 2023, 14(8), 2054-2069
RTMS评分描述：基于残基原子距离似然势和图形转换器的蛋白质配体评分函数链接：https://github.com/sc8668/RTMScore/引文：药物化学杂志, 2022, 65(15), 10691-10706
IGN描述：用于蛋白质-配体相互作用预测的深度图表示学习框架链接：https://github.com/zjujdj/InteractionGraphNet/tree/master/引文：药物化学杂志, 2021, 64(24), 18209-18232
ASFP描述：用于开发定制评分功能的网络服务器链接：http://cadd.zju.edu.cn/plic/引文：化学信息学杂志，2021, 13(1), 6
结合自由能预测
咖啡店描述：一个 VMD 插件，用于使用端点自由能方法进行结合亲和力预测链接：https://github.com/HuiLiuCode/CaFE_Plugin/引文：生物信息学，2016, 32(14), 2216-2218
快速DRH描述：基于分子对接和 MM/PB(GB)SA 计算来预测和分析蛋白质-配体复合物的网络服务器链接：http://cadd.zju.edu.cn/fastdrh/overview/引用：生物信息学简报，2022，23(5)，bbac201
全新药物设计
MCMG描述：基于条件变换器和强化学习的多约束分子生成方法链接：https://github.com/jkwang93/MCMG/引文：《自然·机器智能》，2021, 3(10), 914-922
化学家GA描述：用于现实世界药物发现的化学合成可访问分子生成算法链接：https://github.com/jkwang93/ChemistGA/引文：药物化学杂志, 2022, 65(18), 12482-12496
关系描述：基于结构的从头药物设计的深度生成模型链接：https://github.com/micahwang/RELATION/引用:药物化学杂志, 2022, 65(13), 9478-9492
蛋白-蛋白对接
鹰坞描述：用于蛋白质-蛋白质复合物结构预测和分析的网络服务器链接：http://cadd.zju.edu.cn/hawkdock/引文：核酸研究，2019, 47(W1), W322-W330
分子图片识别
ABC网描述：用于从分子图像识别微笑的深度学习架构链接：https://github.com/zhang-xuan1314/ABC-Net/引用：生物信息学简报，2022, 23(2), bbac033
米赛尔描述：用于分子图像描述的预训练编码器-解码器架构链接：https://github.com/Jiacai-Yi/MICER/引文：生物信息学，2022, 38(19), 4562-4572
药物设计工具
基普描述：一个网络服务器，可同时预测小分子对 204 种蛋白激酶的抑制活性。链接：http://cadd.zju.edu.cn/kip/引用文献:药学学报B , 2023, 13(1), 54-67
远期PPI描述: 通过 MM/PB(GB)SA 方法准确预测小分子 PPI 抑制剂的蛋白质-配体结合结构的网络服务器链接：http://cadd.zju.edu.cn/farppi/引文：生物信息学，2019, 35(10), 1777-1779
化学TB描述：一个网络服务器，通过人工智能识别抗结核分枝杆菌的活性分子链接：http://cadd.zju.edu.cn/chemtb/引用：生物信息学简报，2021, 22(5), bbab068
深度充电预测器描述：一个网络服务器，用于通过最先进的机器学习算法预测基于 QM 的原子电荷链接：http://cadd.zju.edu.cn/deepchargepredictor/引文：生物信息学，2021, 37(22), 4255-4257
PROTAC-型号描述: PROTAC 介导的三元复合物的综合建模链接：https://github.com/gaoqiweng/PROTAC-Model/引文：药物化学杂志, 2021, 64(21), 16271-16281

引文版本：

数据库
PROTAC-DBDescription: The first web-accessible PROTACs databaseLink: http://cadd.zju.edu.cn/protacdb/Citation: Nucleic Acids Research, 2021, 49(D1), D1381-D1387; Nucleic Acids Research, 2023, 51(D1), D1367-D1372
CovalentInDBDescription: The largest web-accessible resource for covalent inhibitors and related targetsLink: http://cadd.zju.edu.cn/cidb/Citation: Nucleic acids research, 49(D1), D1122–D1129
DDInterDescription: A comprehensive, professional, and open-access database specific to drug-drug interactionsLink: http://ddinter.scbdd.com/Citation: Nucleic acids research, 2022, 50(D1): D1200-D1207
VGSCDescription: The largest professional online database of voltage-gated sodium channelsLink: http://cadd.zju.edu.cn/vgsc/Citation: J Cheminformatics, 2022, 14, 75
PKKBDescription: The most extensive freely available database for collecting ADME (Absorption, Distribution, Metabolism, and Excretion) and Toxic propertiesLink: http://cadd.zju.edu.cn/pkkb/Citation: Journal of Chemical Information and Modeling, 2012, 52(5), 1132-1137
分子表征
BioMedRDescription: An R/CRAN package for integrated data analysis pipeline in biomedical studyLink: https://cran.r-project.org/web/packages/BioMedR/Citation: Briefings in bioinformatics, 2021, 22(1): 474-484
ScopyDescription: An integrated negative design Python library for desirable HTS/VS database designLink: https://github.com/kotori-y/Scopy/Citation: Briefings in Bioinformatics, 2021, 22(3): bbaa194
PySmashDescription: Python package and individual executable program for representative substructure generation and applicationLink: https://github.com/kotori-y/pySmash/Citation: Briefings in Bioinformatics, 2021, 22(5): bbab017
QSAR建模
MGADescription: Mining Toxicity Information from Large Amounts of Toxicity DataLink: https://github.com/wzxxxx/MGA/Citation: Journal of Medicinal Chemistry, 2021, 64(10), 6924-6936
BANDescription: Learning to SMILES: BAN-based strategies to improve latent representation learning from moleculesLink: https://github.com/zhang-xuan1314/SMILES-BiLSTM-attention-network/Citation: Briefings in Bioinformatics, 2021, 22(6), bbab327
MG-BERTDescription: Leveraging unsupervised atomic representation learning for molecular property predictionLink: https://github.com/zhang-xuan1314/Molecular-graph-BERT/Citation: Briefings in Bioinformatics, 2021, 22(6), bbab152
HRGCN+Description: Hyperbolic relational graph convolution networks plus: a simple but highly efficient QSAR-modeling methodLink: https://quantum.tencent.com/hrgcn/Citation: Briefings in Bioinformatics, 2021, 22(5), bbab112
成药性预测
ADMETlab 2.0Description: An enhanced version of the widely used ADMETlab for systematical evaluation of ADMET properties, as well as some physicochemical properties and medicinal chemistry friendlinessLink: https://admetmesh.scbdd.com/Citation: Nucleic Acids Research, 2021, 49, W5-W14
ChemAGGDescription: A free web server that could be used to easily filter out aggregators from potential lead moleculesLink: https://admet.scbdd.com/ChemAGG/index/Citation: Journal of Chemical Information and Modeling, 2019, 59(9), 3714-3726
ChemFluoDescription: A public web server which could be useful to flag blue and green fluorescent compounds in large datasetLink: https://admet.scbdd.com/chemfluo/index/Citation: Briefings in Bioinformatics, 2021, 22(4), bbaa282
GASADescription: A free web server for Graph Attention-based assessment of Synthetic Accessibility (GASA)Link: http://cadd.zju.edu.cn/gasa/Citation: Journal of Chemical Information and Modeling, 2022, 62(12), 2973-2986
Drug-logSDescription: A program freely distributed to the public for the estimation of aqueous solubilityLink: http://modem.ucsd.edu/adme/Citation: Journal of chemical information and computer sciences, 2004, 44(1), 266-275
蛋白-配体打分
MetalProGNetDescription: A structure-based deep graph model for metalloprotein-ligand interaction predictionsLink: https://github.com/zjujdj/MetalProGNet/Citation: Chemical Science, 2023, 14(8), 2054-2069
RTMScoreDescription: A protein-ligand scoring function based on residue-atom distance likelihood potential and graph transformerLink: https://github.com/sc8668/RTMScore/Citation: Journal of Medicinal Chemistry, 2022, 65(15), 10691-10706
IGNDescription: A deep graph representation learning framework for protein−ligand interaction predictionsLink: https://github.com/zjujdj/InteractionGraphNet/tree/master/Citation: Journal of Medicinal Chemistry, 2021, 64(24), 18209-18232
ASFPDescription: A web server for the development of customized scoring functionsLink: http://cadd.zju.edu.cn/plic/Citation: Journal of Cheminformatics, 2021, 13(1), 6
结合自由能预测
CaFEDescription: A VMD plugin for binding affinity prediction using end-point free energy methodsLink: https://github.com/HuiLiuCode/CaFE_Plugin/Citation: Bioinformatics, 2016, 32(14), 2216-2218
fastDRHDescription: A web server to predict and analyze protein-ligand complexes based on molecular docking and MM/PB(GB)SA computationLink: http://cadd.zju.edu.cn/fastdrh/overview/Citation: Briefings in Bioinformatics, 2022, 23(5), bbac201
全新药物设计
MCMGDescription: A multi-constraints molecular generation approach based on conditional transformer and reinforcement learningLink: https://github.com/jkwang93/MCMG/Citation: Nature Machine Intelligence, 2021, 3(10), 914-922
ChemistGADescription: A Chemical Synthesizable Accessible Molecular Generation Algorithm for Real-World Drug DiscoveryLink: https://github.com/jkwang93/ChemistGA/Citation: Journal of Medicinal Chemistry, 2022, 65(18), 12482-12496
RELATIONDescription: A Deep Generative Model for Structure-based De Novo Drug DesignLink: https://github.com/micahwang/RELATION/Citation: Journal of Medicinal Chemistry, 2022, 65(13), 9478-9492
蛋白-蛋白对接
HawkDockDescription: A web server for the structural prediction and analysis of protein-protein complexLink: http://cadd.zju.edu.cn/hawkdock/Citation: Nucleic Acids Research, 2019, 47(W1), W322-W330
分子图片识别
ABC-NetDescription: A deep learning architecture for SMILES recognition from molecular imagesLink: https://github.com/zhang-xuan1314/ABC-Net/Citation: Briefings in Bioinformatics, 2022, 23(2), bbac033
MICERDescription: A pre-trained encoder-decoder architecture for molecular image captioningLink: https://github.com/Jiacai-Yi/MICER/Citation: Bioinformatics, 2022, 38(19), 4562-4572
药物设计工具
KIPDescription: A web server to predict the inhibitory activity of small molecules against 204 protein kinases simultaneously.Link: http://cadd.zju.edu.cn/kip/Citation: Acta Pharmaceutica Sinica B, 2023, 13(1), 54-67
farPPIDescription: A web server for accurate prediction of protein-ligand binding structures for small-molecule PPI inhibitors by MM/PB(GB)SA methodsLink: http://cadd.zju.edu.cn/farppi/Citation: Bioinformatics, 2019, 35(10), 1777-1779
ChemTBDescription: A web server to identify active molecules against mycobacterium tuberculosis through artificial intelligenceLink: http://cadd.zju.edu.cn/chemtb/Citation: Briefings in Bioinformatics, 2021, 22(5), bbab068
DeepChargPredictorDescription: A web server for predicting QM-based atomic charges via state-of-the-art machine-learning algorithmsLink: http://cadd.zju.edu.cn/deepchargepredictor/Citation: Bioinformatics, 2021, 37(22), 4255-4257
PROTAC-ModelDescription: Integrative modeling of PROTAC-mediated ternary complexesLink: https://github.com/gaoqiweng/PROTAC-Model/Citation: Journal of Medicinal Chemistry, 2021, 64(21), 16271-16281

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/1586356.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

【Entity Framework】如何使用EF中的生成值

【Entity Framework】如何使用EF中的生成值

【Entity Framework】如何使用EF中的生成值 文章目录 【Entity Framework】如何使用EF中的生成值一、概述二、默认值三、计算列四、设置主键五、显示配置值生成六、设置日期/时间值生成6.1 创建时间戳6.2 更新时间戳 七、替代值生成八、无值生成九、总结 一、概述 数据库列的值…
阅读更多...
服务器端口被扫会出现哪些风险

服务器端口被扫会出现哪些风险

一、安全风险增加端口扫描是黑客攻击的常见手段之一。通过对服务器端口进行扫描，黑客可以了解服务器的开放端口、服务类型以及可能存在的漏洞。一旦黑客发现漏洞并成功利用，就可能导致服务器被入侵，进而窃取数据、植入恶意软件或进行其他非法…
阅读更多...
基于SSM的电影网站（有报告）。Javaee项目。ssm项目。

基于SSM的电影网站（有报告）。Javaee项目。ssm项目。

演示视频： 基于SSM的电影网站（有报告）。Javaee项目。ssm项目。 项目介绍： 采用M（model）V（view）C（controller）三层体系结构，通过Spring SpringMv…
阅读更多...
编程规范（保姆级教程）

编程规范（保姆级教程）

文章目录 为什么需要编程规范？💡代码检测工具 ESLint💡代码格式化 Prettier💡ESLint 与 Prettier 配合解决代码格式问题eslint支持ts约定式提交规范Commitizen助你规范化提交代码什么是 Git Hooks使用 husky commitlint 检查提交…
阅读更多...
解决Idea中文乱码

解决Idea中文乱码

解决 Idea 中文乱码问题的方法通常包括以下几个步骤： 1、调整文件编码：确保项目中的文件编码与 Idea 中的编码设置一致。通常情况下，使用 UTF-8 编码是比较合适的选择。你可以在 Idea 中通过 File -> Settings -> Editor -> File E…
阅读更多...
在keil里用c++编程（1)

在keil里用c++编程（1)

做嵌入式开发时，我们对使用c语言写的库有强烈的需求，比如eigen，boost等，但是通常来说，我们的开发是围绕c语言进行的，怎么把c的库文件放在c语言环境下进行编译，就是我们需要面对的问题 1.问题来…
阅读更多...
代码随想录第36、37天| 435. 无重叠区间 763.划分字母区间 56. 合并区间

代码随想录第36、37天| 435. 无重叠区间 763.划分字母区间 56. 合并区间

435. 无重叠区间 435. 无重叠区间 - 力扣（LeetCode） 代码随想录 (programmercarl.com) 贪心算法，依然是判断重叠区间 | LeetCode：435.无重叠区间_哔哩哔哩_bilibili 给定一个区间的集合 intervals ，其中 intervals[…
阅读更多...
Python项目1 外星人入侵_外星人

Python项目1 外星人入侵_外星人

在本章中，我们将在游戏《外星人入侵》中添加外星人。首先，我们在屏幕上边缘附近添加一个外星人，然后生成一群外星人。我们让这群外星人向两边和下面移 动，并删除被子弹击中的外星人。最后，我们将显示玩家拥有的飞船数量…
阅读更多...
C/C++基础----运算符

C/C++基础----运算符

算数运算符 运算符 描述 例子 两个数字相加 两个变量a b得到两个变量之和 - 两个数字相减 - * 两个数字相乘 - / 两个数字相除 - % 两个数字相除后取余数 8 % 3 2 -- 一个数字递减 变量a：a-- 、--a 一个数字递增 变量a: a 、 a 其中递…
阅读更多...
容错组合导航

容错组合导航

在初始值正确的情况下，惯性导航短期精度较高，但是其误差随着时间是累计的。如果要提高惯性导航的长期精度，就必须提高惯性器件的精度和初始读准精度，这必将大大提高成本。 如果将惯性导航与其他导航系统适当地组合起来&#xff0c…
阅读更多...
开源项目若依放大招了？

开源项目若依放大招了？

前言 鉴于之前写了篇插件式相关的文章，阅读量比起其它文章可不要好太多，所以我决定继续这个主题！ 以前我们公司用的就是Ruoyi，代码比较简单易懂。但是有些功能确实用不上，比如部门和岗位，每次新项目我拉了…
阅读更多...
Web程序设计-实验02 CSS页面布局

Web程序设计-实验02 CSS页面布局

【实验主题】 影视网站前台模板页设计 【实验任务】 1、浏览并分析多个影视网站（详见参考资源，建议自行搜索更多影视网站）的整体版面布局，对比同一网站不同页面（主页、列表页、详情页）的元素异同——剔除…
阅读更多...
探索ChatGPT-Plus：AI 助手全套开源解决方案

探索ChatGPT-Plus：AI 助手全套开源解决方案

探索ChatGPT-Plus：AI 助手全套开源解决方案 ChatGPT-plus是一种新型的对话生成模型，它是在OpenAI的ChatGPT基础上进行了改进和优化的版本。ChatGPT-plus的出现引起了广泛关注，因为它在对话生成方面展现出了更加出色的表现和能力。在本文中&am…
阅读更多...
MobX 中 runInAction 的威力:构建原子性状态更新

MobX 中 runInAction 的威力:构建原子性状态更新

"原子性状态更新"这个词可以很好地概括 runInAction 的核心功能,即将一组相关的状态更新作为一个整体,要么全部成功,要么全部失败。这种特性对于复杂的异步操作和状态管理非常重要。可以帮助我们构建更加可靠和可预测的 React 应用程序。 怎么理解原子性操作 "…
阅读更多...
动态调整学习率方法（仅供自己学习）

动态调整学习率方法（仅供自己学习）

目录 一、StepLR 二、MultiStepLR 三、ExponentialLR 四、CosineAnnealingLR 五、ReduceLRonPlateau 六、LambdaLR 小结：学习率调整​​​​​​​ 一、StepLR optimizer torch.optim.SGD(model.parameters(), lrlearn_rate) scheduler torch.optim.lr_sch…
阅读更多...
linux重定向符号

linux重定向符号

将ls命令执行结果重定向到a文件中 将错误ls命令执行结果重定向到a文件中（这里用到前面的标准错误输出重定向）
阅读更多...
【C++初阶】C++简单入门(长期维护)

【C++初阶】C++简单入门(长期维护)

本篇博客是对C的一些简单知识分享，有需要借鉴即可。 C简单入门目录 一、C前言1.C的概念：2.C发展历程3.C如何学？ 二、C入门1.C关键字(C98标准)2.命名空间3.C输入&输出①概念说明②使用说明③特征说明④细节拓展⑤cout与cin的意义 4.缺省参…
阅读更多...
【24年软考】系统架构设计师论文写作技巧（附范文10篇）

【24年软考】系统架构设计师论文写作技巧（附范文10篇）

1.快速审题 写作文要先审题，架构师论文命题也是如此。论文命题除了确定题目之外，还会给你写作要求。而这个写作要求会告诉你本命题涉及的知识点有哪些，并给你确立一个写作向。这个可以参考后面的论文真题分析。 2.确定题目 在填写并确认好…
阅读更多...
MATLAB有限元结构动力学分析与工程应用-徐斌|【PDF电子书+配套Matlab源码】

MATLAB有限元结构动力学分析与工程应用-徐斌|【PDF电子书+配套Matlab源码】

专栏导读 作者简介：工学博士，高级工程师，专注于工业软件算法研究本文已收录于专栏：《有限元编程从入门到精通》本专栏旨在提供 1.以案例的形式讲解各类有限元问题的程序实现，并提供所有案例完整源码；2.单元…
阅读更多...
wsl 2在windows11上的设置

wsl 2在windows11上的设置

详细参考：Manual installation steps for older versions of WSL | Microsoft Learn 1.系统组件要打开 分别是：Hyper-V、虚拟机平台、适用于Windows的Linux子系统 2.以管理员方式运行命令行，逐步执行下面的命令 update to WSL 2, you must…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023