自定义博客皮肤VIP专享

*博客头图：

格式为PNG、JPG，宽度*高度大于1920*100像素，不超过2MB，主视觉建议放在右侧，请参照线上博客头图

请上传大于1920*100像素的图片！

博客底图：

图片格式为PNG、JPG，不超过1MB，可上下左右平铺至整个背景

栏目图：

图片格式为PNG、JPG，图片宽度*高度为300*38像素，不超过0.5MB

主标题颜色：

RGB颜色，例如：#AFAFAF

Hover：

RGB颜色，例如：#AFAFAF

副标题颜色：

RGB颜色，例如：#AFAFAF

预览 取消 提交

自定义博客皮肤

-+
上一步保存

wufeil7的博客

  • 博客(76)
  • 收藏
  • 关注
排序：
按最后发布时间
按访问量
RSS订阅

原创 分子生成的深层次层次变分自编码器 - DrugHIVE 测评

DrugHIVE 是一种深层次层次变分自编码器的分子生成和优化模型，从现有数据中学习药物-靶标系统中分子内和分子间的关系，以实现对生成分子的精细控制。本文对DrugHIVE 进行了解析和测评，并提供了完整的测试代码。

2025-04-04 13:19:09 779

原创 多模态分子预训练模型 - SPMM 评测

SPMM 是 Structure-Property Multi-Modal foundation model 的简称，一种多模态分子性质-结构双向预训练模型。

2025-03-08 09:49:00 712

原创 物理先验+数据增强的蛋白-小分子亲和力打分模型 EquiScore 评测

EquiScore是一个蛋白小分子活性打分模型，设计了新的数据集，采用物理知识增强的数据表征模式和新的注意力模型结构，在虚拟筛选或者lead优化过程中均展现出较好的性能。本文对 EquiScore 的实际表现进行了测试，个人感觉次模型比较有效，值得一试。更多详细测试过程和报错解决相见完整测评文档。

2025-02-26 23:44:03 1144

原创 3D分子生成模型 TagMol 代码解析 + 梯度引导扩散模型详解

TAGMoL 是一个基于分子属性条件引导扩散的 3D 分子生成模型，适合在给定靶标蛋白质的情况下，可以生成一系列满足目标特性（分子属性，binding affinity）的候选分子。本文想解析了此模型的代码，注重介绍了分子和蛋白的表征、扩散模型原理、梯度引导生成原理等。非常适合从事 AI 辅助药物设计的科研工作者和从业人员。

2025-01-29 07:42:59 1031

原创 相互作用感知的蛋白-小分子对接模型 - Interformer 评测

Interformer 是一个蛋白-配体复合物结构亲和力预测模型。一种基于 Graph-Transformer 架构、关注相互作用的蛋白质-配体对接与亲和力预测模型。该模型旨在通过利用交互感知混合密度网络（MDN）来捕捉非共价相互作用。此外，作者还引入了一种负采样策略，有效地修正了亲和力预测中的相互作用分布。作者在广泛使用的公开数据集和自有数据集上的实验结果证明了该方法的有效性和普适性。本文对 Interfomer 进行安装测试，案例测试，训练测试。

2025-01-28 20:43:41 1315

原创 融合表面信息和等变扩散的分子对接模型 SurfDock - 评测

SurfDock 是一个融合表面信息和等变扩散的分子对接模型（口袋刚性），作者来自上海药物所郑明月课题组。SurfDock 模型包含了对接和打分模块，输出小分子的结合pose 及其 po se 的置信度打分。本文解读了 SurfDock 模型的架构及其性能，通过内置案例和自定义案例，使用SurfDock 进行了对接测试，结果表明，SurfDock 生成的小分子结合 pose 比较合理，是一个潜在的可实用的对接工具

2025-01-01 22:22:13 2132 26

原创 基于 Uni-Mol 的对接模型 Uni-Mol Docking V2 - 评测

Uni-Mol Docking V2模型是 Uni-Mol Docking 的升级版本，作者来源于深度势能 AI for Sence 团队。本文档介绍了 Uni-Mol Docking V2模型架构、模型性能、以及使用自定义案例以及内置案例进行了测试。

2024-12-15 15:02:16 1466

原创 基于注意力的几何感知的深度学习对接模型 GAABind - 评测

GAABind ，这是一种几何感知的基于注意力的深度学习模型，能够在多任务学习框架内有效预测口袋-配体结合构象和结合亲和力。本文先介绍了模型结构、性能，然后在作者内置案例以及我们的自定义案例上分别进行了测试，然后计算了与晶体的 RMSD，以及 PoseBuster 通过率。测试结果表明，GAABind 可以生成比较合理的结合pose，但是结合亲和力的打分不够准确。更多详细内容，可以查看绑定资源文档。

2024-12-14 11:35:47 1017

原创 应用于蛋白-小分子柔性对接的等变VAE模型 - FlexPose 测评

FlexPose来源于中国深圳中山大学智能系统工程学院智能医疗中心。FlexPose 应用于蛋白-小分子柔性对接场景下，能够在欧几里得空间中直接对蛋白-小分子复合结构的进行预测的等变神经网络模型。此模型考虑了蛋白氨基酸主链和侧链的柔性，会根据小分子的情况对氨基酸的侧链和主链进行调整，以实现柔性对接。

2024-11-27 06:37:32 1288

原创 几何合理的分片段感知的3D分子生成 FragGen - 评测

FragGen 来源于 2024 年 3 月 25 日 预印本的文章，文章题目是 Deep Geometry Handling and Fragment-wise Molecular 3D Graph Generation， 作者是 Odin Zhang，侯廷军，浙江大学药学院。FragGen 是一个基于分子片段的 3D 分子生成模型。这是首个可靠的几何片段式分子生成方法。FragGen 在生成几何的质量和分子的合成可行性方面实现了重大突破，解决了分子生成算法应用中的这两个主要挑战。

2024-11-12 22:24:34 1855 4

原创 药效团去噪条件化的3D分子生成模型 - MolSnapper 评测

MolSnapper 来源于牛津大学统计系的 Charlotte M. Deane 教授为通讯作者的文章：《MolSnapper: Conditioning Diffusion for Structure Based Drug Design》。MolSnapper，一种通过整合专家知识为 SBDD 进行条件化的扩散模型，以 MolDiff 作为基础，在不重新训练 MolDiff 的情况下，对 MolDiff 的生成过程添加药效团、原子位置和类型等限制，以达到生成的分子能符合特定口袋的药效团的目的。接近可用

2024-10-27 00:05:47 1287

原创 几何完备的3D分子生成/优化扩散模型 GCDM-SBDD - 评测

GCDM 来源于美国密苏里大学电气工程与计算机科学系的研究助理 Alex Morehead 为通讯作者的文章：《Geometry-complete diffusion for 3D molecule generation and optimization》。该文章于 2024 年 7 月 3 日发表在 《 communications chemistry 》上。近来，扩散模型和等变图神经网络（GNNs）经常被用于生成三维分子。

2024-10-13 10:05:24 2165

原创 相互作用的检索增强 3D 分子生成扩散模型 - IRDiff 评测

IRDiff 是一个全新的基于蛋白质-配体相互作用的检索增强 3D 分子扩散模型，可以生成目标感知的分子。IRDiff 利用一组设计好的参考配体分子来引导扩散模型生成满足目标特性的分子。本文对 IRDiff 进行了评测，修正了GitHub上的代码错误，使用内置案例和自有案例对 IRDidd 进行分子生成测试，并检查生成结果。

2024-10-01 09:51:47 1211

原创 相互作用感知的 3D 分子生成 VAE 模型 - DeepICL 评测

DeepICL 是一种相互作用感知的自回归的基于等变神经网络的3D 分子生成条件 VAE框架，该框架整合了蛋白质-配体相互作用的先验知识。DeepICL 来源于韩国科学技术院化学系和人工智能研究所的 Woo Youn Kim 教授为通讯作者的文章：《3D molecular generative framework for interaction-guided drug design》。该文章于 2024 年 3 月 27 日发表在 《Nature Communications》上。

2024-09-29 07:18:53 1579 1

原创 物理感知扩散的 3D 分子生成模型 - PIDiff 评测

本文是PIDiff模型的测评，包含文章解读、运行代码、分子生成结果展示等。PIDiff 是一个针对蛋白质口袋特异性的、物理感知扩散的 3D 分子生成模型，通过考虑蛋白质-配体结合的物理化学原理来生成分子，在原理上，生成的分子可以实现蛋白-小分子的自由能最小。

2024-09-16 14:41:47 1302

原创 相互作用先验下的 3D 分子生成扩散模型 - IPDiff 评测

IPDiff 是一个基于蛋白质-配体相互作用先验引导的扩散模型，首次把配体-靶标蛋白相互作用引入到扩散模型的扩散和采样过程中，用于蛋白质（口袋）特异性的三维分子生成。我们从 IPDi f f 内置体系以及我们自有的测试体系3wze 分别进行了测评，考察了 IPDiff 生成分子的真实情况。

2024-09-05 20:45:41 1616

原创 分子属性梯度引导的3D分子生成扩散模型 TAGMOL - 评测

TAGMoL 是一个基于分子属性条件引导扩散的3D分子生成模型，适合在给定靶标蛋白质的情况下，可以生成一系列满足目标特性（分子属性，binding affinity）的候选分子。。

2024-08-25 13:21:20 2604

原创 评估生成分子/对接分子的物理合理性工具 PoseBusters 评测

PoseBusters 是一个基于 RDKit 的 Python 包，通过一系列标准检查配体对接姿势的化学有效性和物理合理性。来源于牛津大学统计学系 Martin Buttenschoen、Garrett M. Morris 和 Charlotte M. Deane 合作的文章：《PoseBusters: AI-based docking methods fail to generate physically valid poses or generalise to novel sequences》。。

2024-08-04 22:03:57 1527

原创 SQUID - 形状条件下的基于分子片段的3D分子生成等变模型 评测

基于形状的虚拟筛选在基于配体的药物设计中至关重要，主要目的是识别与已知配体具有相似 3D 形状的分子。传统方法（例如：openeye 的 ROCS）依赖于枚举的化学库，这限制了新化学空间的探索。为此，作者开发了SQUID模型。SQUID 是在 形状条件下 3D 分子生成模型，可以用于在形状条件下的化学空间探索任务。

2024-07-21 15:05:42 1528

原创 药物设计中的SE3等变图神经网络层- EGNN 代码解析

此部分内容介绍了常用在药物设计深度学习中的SE3等变网络层 EGNN。主要对EGNN的代码逻辑、模块进行解析，并介绍其中的SE3等变在模型中的原理。

2024-06-04 23:43:49 2207

原创 3D分子生成的定制扩散框架 MolDiff - 评测

作者提出了对原子和分子键同时进行概率采样的扩散模型MolDiff。MolDiff基于SE3等变神经网络，同时进行原子和化学键的消息传递。

2024-05-12 16:47:20 2462 14

原创 PMDM-针对特定口袋的分子扩散生成模型 评测

PMDM 模型是腾讯AI Lab近期发表在Nature Communication上的分子生成文章。PMDM通过二元等变扩散网络，利用全局和局部分子动力学信息，将目标口袋的 3D 结构感知为条件信息，并结合分子和蛋白质之间的相互作用，学习分子概率。PMDM可以生成结构有效且构效合理的，契合口袋的3D分子。本文以自己的3WZE体系为例子，使用作者开源的代码和checkpoint，对PMDM莫进行测评

2024-04-13 21:04:14 2632 10

原创 口袋条件下的Lead优化几何深度模型-Delete 评测

Delete 模型是浙江大学侯廷军老师发表2023年8月4日在arXiv上的文章，文章名：Delete: Deep Lead Optimization Enveloped in Protein Pocket。Delete 模型基于mask策略，按照作者的描述，首先是随机掩码预训练模型，然后是应用于骨架跃迁、linker设计，片段延伸、侧链修饰的四个微调模型。通过，vina energy等分析，发现 Delete 模型生成的分子可能具有更好的活性。

2024-03-24 20:37:56 1986 3

原创 应用于蛋白-小分子动态对接的等变几何扩散模型-DynamicBind 评测

DynamicBind是上海交通大学郑双佳研究员和星药科技Lu wei等人于2024年2月5日发表在nature communication上的工作，题目为：DynamicBind: predicting ligand-specific protein-ligand complex structure with a deep equivariant generative model。本文对Dynamicbind进行了评测，分析了ABL1的底物位点和变构位点的对接结果，以及隐蔽口袋的案例TEM1。

2024-02-20 21:28:14 2693 9

原创 基于片段的3D分子生成扩散模型 - AutoFragDiff 评测

本文是AutoFragDiff模型的测评文章。传统的，基于口袋的3D分子生成网络的常用方法是自回归模式，模型放置原子和原子键是迭代的，逐个进行。但是这种方式会导致误差的积累，同时生成速度较慢，生成苯环分子也需要6个步骤。而使用基于分子片段的自回归方法可以避免这个问题。作者使用使用几何矢量感知器和自回归扩散模型 Autoregressive Diffusion Models (ARDMs)，以自回归的模式，分子骨架和蛋白质口袋为条件下，逐个预测新分子片段的原子类型和空间坐标。

2024-02-10 08:57:05 2144 7

原创 基于motif的分子生成工具 - DrugGPS 测评

DrugGPS（ a structure-based Drug design method that is Generalizable with Protein Subpocket prototypes）是针对口袋条件下的，基于motif的3D分子生成网络。其模型结构如下图：DrugGPS是基于他们之前开发的FLAG方法，与FLAG类似，分子生成过程是一个 motif-by-motif的过程，仍然是包含了局部motif选择，下一个motif预测，motif的链接位置预测，motif链接之后的扭转角预测。

2024-02-02 23:24:18 1514 5

原创 分子生成工具应用案例+流程 - Pocket Crafter

Pocket Crafter 成功构建了一个有效的端到端 3D 生成分子的实际应用的工作流程原型，用于探索新的化学骨架，代表了早期药物发现中识别新型活性化合物的一种有前途的方法。这也是分子生成AI方法新的应用模式。

2024-01-22 21:21:02 1768

原创 知识引导的分子生成扩散模型 - KGDiff 评测

KGDiff模型是一个基于口袋的知识引导的3D分子生成的扩散模型。基于口袋的分子生成模型之前有介绍过targetdiff，FLAG等。其中，KGDiff与TargetDiff类似，KGDiff模型也是一个扩散模型，应针对的是口袋条件下的3D分子生成。KGDiff的创新点在于：KGDiff模型利用领域知识，例如，vina score，指引分子生成过程中的去噪过程，可生成高结合力的分子。此外，KGDiff还是一个原子层级可解释性的模型，在生成分子时，同时给出生成分子预测score，原子层面的score。

2024-01-11 21:06:13 2432 3

原创 Stable Diffusion架构的3D分子生成模型 GeoLDM - 测评与代码解析

之前，向大家介绍过3D分子生成模型 GeoLDM。GeoLDM按照Stable Diffusion架构，将3D分子生成的扩散过程运行在隐空间内，优化了基于扩散模型的分子生成。可能是打开Drug-AIGC的关键之作。让精确控制分子生成有了希望。因此，我特意测试了一下代码质量。

2024-01-06 11:03:38 3100 10

原创 分子生成工具 - ResGen 评测

ResGen是基于蛋白口袋为条件的三维分子生成的E3等变自回归模型。ResGen建立在并行多尺度建模的原理之上，可以捕获更高层次的口袋分子交互并实现更高的计算效率（比之前最好的模型快大约八倍）。全局自回归和原子自回归。全局自回归在口袋里生成原子，原子自回归是依次产生新添加的原子的坐标和拓扑。与其他分子生成模型相同，ResGen模型同样遵循E3等变特性。模型结构如下图：上图a 在分子生成的过程中，逐步地确认生长点，添加原子（全局自回归），确认原子的位置，然后添加边（原子自回归）。

2023-12-22 22:49:29 2563 16

原创 分子生成领域的stable diffusion - GEOLDM

Drug-AIGC真的要来了。分子生成和分子设计领域有了stable diffusion模型。GEOLDM的全称是Geometric Latent Diffusion Models，几何隐式扩散模型。与stable diffusion 一样，GEOLDM 是分子几何领域的第一个隐式扩散模型（简称：DM），由将结构编码为连续隐式向量的自动编码器和在隐式空间中运行的扩散模型组成。 文章的关键创新在于，对 3D 分子几何进行建模，通过构建具有不变标量和等变张量的点结构隐式空间来捕获其关键的旋转平移等变约束。

2023-12-09 09:57:13 1178

原创 分子骨架跃迁工具-DiffHopp 评测

本文是骨架跃迁模型DiffHopp方法的应用案例测评文章。DiffHopp是一个专门针对骨架跃迁任务而训练的E3等变条件扩散模型。此外，DiffHopp使用了更具有几何表达力的图神经网络GVP模型。DiffHopp模型针对给定蛋白质-配体复合物，使用等变扩散模型从以官能团和蛋白质袋为条件的骨架分布中对骨架进行采样。 所得骨架与官能团合并以形成骨架跃迁配体。

2023-11-29 01:30:00 813 2

原创 梯度引导的分子生成扩散模型- GaUDI 评测

GaUDI模型来自于以色列理工Tomer Weiss的2023年发表在预印本ChemRxiv上的工作 《Guided Diffusion for Inverse Molecular Design》。GaUDI是用于逆向分子设计的一个引导扩散模型，将分子生成过程使用性质预测的函数进行梯度引导去噪过程，更新 Zt-1 ，使 Zt-1更靠近我们期待的性质，无需重新训练生成模型，仍可生成特定属性的分子，例如：低 LogP 的分子。

2023-11-21 22:02:39 1227

原创 Schrodinger 分子形状筛选工具Shape Screen 使用方法

schrodinger的shape screen方法是一种基于ligand的筛选方法。需要提供一个参考分子，和需要筛选的分子库。shape screen可以根据原子类型、药效团对分子的形状相似度进行打分。

2023-11-19 11:38:14 530

原创 随机微分方程的分数扩散模型 (score-based diffusion model) 代码示例

score-based diffusion是diffusion模型大火之后，又一个里程碑式的工作，将扩散模型和分数生成模型进行了统一。原始的扩散模型也有缺点，它的采样速度慢，通常需要数千个评估步骤才能抽取一个样本。而 score-based 的扩散模型可以在较短的时间内完成采样。这里提供了score-based diffusion 模型的简单的可运行的代码示例。

2023-11-05 12:33:23 3682 20

原创 基于片段的分子生成网络 (FLAG)使用方法及案例测评

作者提出了一个基于片段的分子生成网络，FLAG （Fragment based LigAnd Generation framework）。在FLAG中，从数据集中提取共同的分子片段，构建了motif的词汇库。在每个生成步骤中，首先采用 3D 图神经网络对中间上下文信息（口袋）进行编码。然后，FLAG模型选择中心motif，预测下一个motif类型，并连接motif。

2023-10-12 23:09:32 1346 12

原创 基于SE3等变网络与Diffusion模型的分子生成工具 TargetDiff 评测

TargetDiff是来源于ICLR2023文章：3D Equivariant Diffusion for Target-Aware Molecule Generation and Affinity Prediction。该文章基于 SE(3)-equivariant network，开发了非自回归的，具有旋转和平移不变性的，口袋为条件的分子扩散生成模型TargetDiff。

2023-06-09 08:03:05 2191 10

原创 Diffusion Models 简单代码示例

扩散模型的目标是通过数据在潜在空间（latent space）的扩散过程，学习数据的潜在向量结构(latent structure)，通俗点说，扩散模型学习利用数据逐步变成噪声的过程，学习反向的去噪声过程。基于 GAN 生成模型，基于 VAE 的生成模型，以及基于 flow 的生成模型它们都可以生成较高质量的样本，但每种方法都有其局限性。扩散模型的灵感来自于非平衡热力学。他们定义了一个扩散步骤的马尔可夫链，慢慢地向数据添加随机噪声，然后学习反向扩散过程，从噪声中构建所需的数据样本。

2023-04-08 23:20:53 5292 11

原创 分子骨架跃迁工具DiffLinker评测

DiffLinker是一个用于分子骨架跃迁的E3等变3D条件扩散模型。。与之前介绍的Delinker, 3DLinker等不同，DiffLinker可以连接任意的分子片段，而3Dlinker等仅仅可以链接一对（2个）分子片段。同时，DiffLinker也不需要指定链接处和需要添加的原子数量，这些都可以自动生成。此外，可以使用口袋作为条件，进行骨架跃迁任务，并且提供了详细的使用文档。

2023-02-05 15:44:42 2054 4

原创 分子骨架跃迁工具3DLinker 评测

与之前介绍的骨架跃迁工具不同，3DLinker是变分自动编码器模型，可以在分子linker 设计同时生成分子和分子的坐标。文章引入了空间归纳偏差：equivariance E(3) transformations （等方差E3变换）。3DLinker以两个分子片段作为输入，输出中间的Linker部分，在输出分子结构的同时还输出linker的坐标。

2022-10-24 21:48:22 2720 2

多模态分子预训练模型 - SPMM 完整文档和可运行代码
SPMM是一个多模态分子预训练模型，此文档内容和https://blog.youkuaiyun.com/wufeil7/article/details/146076708网页完全一致，没有下载必要。 SPMM 是 Structure-Property Multi-Modal foundation model 的简称。作者是韩国科学技术研究院人工智能研究生院，大田，韩国的 Jong Chul Ye，于 2024 年 3 月 14 日 发表在 nature communication 期刊上。SPMM 可以用在分子表征，用于分子生成、对接、亲和力预测等领域

2025-03-15

Interformer 的可运行代码和完整测评文档
本资源是蛋白-小分子对接和亲和力预测深度学习模型 Interformer 的可运行代码和完整测评文档，包括了：代码和数据集下载、环境安装、案例测试、模型训练、模型结构和性能简介等，适合计算机辅助药物（CADD）、科研工作者等快速部署、评价和应用 Interformer 模型。Interformer 主要由腾讯深圳的 AI Lab 团队开发，发表文章为《Interformer: an interaction-aware model for protein-ligand docking and affinity prediction》。该文章在 2024 年 11 月 25 日发表于 《Nature Communications》 上。

2025-01-26

小分子对接深度学习模型 SurfDock 的完整测评文档+可运行项目代码
SurfDock 来源于中国科学院上海药物所的郑明月为通讯作者的文章：《SurfDock is a Surface-Informed Diffusion Generative Model for Reliable and Accurate Protein-ligand Complex Prediction》于2024 年 11 月 27 日正式发表在 《Nature Methods》上。在文章中，SurfDock 在多个基准测试中展现了卓越的表现，包括 PDBbind 2020 时间分割集、Astex Diverse 集和 PoseBusters 基准集。在模型中，SurfDock 将多模态蛋白质信息（包括表面特征、残基结构和预训练的序列级特征）整合成一个一致的表面节点级表示，这一能力对实现高对接成功率和改善构象合理性起到了重要作用。SurfDock 的另一个特点是其可选的弛豫（构象优化），旨在进行蛋白质固定配体优化，从而显著提高其准确性。 我们的测评结果显示，生成的小分子构象还是比较合理的，同时生成的结合模式与晶体非常接近。

2025-01-02

Uni-Mol Docking V2 完整评测文档+可运行代码.pdf
此文档包含了应用于对接的 UniMol Docking V2 完整的测评文档，包括：模型介绍、模型性能、模型内置案例测试结果、我们自定义案例的测试结果、以及可运行的项目代码，以及从实际应用角度上对模型真实性能的总结。适合人群：计算机辅助药物设计研究人员，或者对 AI4Science 感兴趣科研工作者。需要具备基础的 Linux、conda 即可运行，在项目中使用。如有任何问题和想法，欢迎后台私信。

2024-12-14

深度对接模型 GAABind 完整测评文档+可运行代码
本文档包含了深度对接模型GAABind 的测评文档以及完整项目可运行代码，包括：模型介绍、模型性能介绍、环境安装、内置案例分析、自定义案例分析、以及从实际应用角度上对模型真实性能的总结。适合人群：计算机辅助药物设计研究人员，或者对 AI4Science 感兴趣科研工作者。需要具备基础的 Linux、conda 即可运行，在项目中使用。如有任何问题和想法，欢迎后台私信。

2024-12-14

FlexPose 完整测评文档+可运行项目代码
FlexPose 是一个应用于柔性口袋小分子对接的深度学习工具，来源于中国深圳中山大学智能系统工程学院，2023 年 11 月 8 日发表于 《Journal of Chemical Theory and Computation》 上。 此文档包括了，FlexPose 的模型结构、数据集、性能等介绍，然后针对作者提供的 GitHub 代码，使用内置和自定义案例，进行了评测；同时对测评过程的报错，和环境安装进行记录。 此文档适合：从事AIDD的研究人员或从业人员，可以直接将此模型应用到项目中（可行性需要自行评估），也可进行微调修改后，再使用。

2024-11-26

FragGen 生成分子的操作流程解析，完整代码及测评文档
FragGen 是一个基于分子片段的 3D 分子生成模型，发表于 2024 年 3 月 25 日 预印本的文章，文章题目是 Deep Geometry Handling and Fragment-wise Molecular 3D Graph Generation。 本文包括了 FragGen 针对特定口袋生成分子，然后进行对接的完整流程。包括：训练好的模型，修正后的项目代码，代码报错及修改位置和方法，缺失的模块文件，测试案例等。修正后的项目代码可以根据特定的蛋白/口袋体系，使用 FragGen 模型进行分子生成，并计算 vina_score, vina_docking_score, qvina_score, QED，SA等指标。 此外，此文档中还包含了个人分析标注。

2024-11-11

MolSnapper 完整测评文档以及可运行代码
MolSnapper，一种通过整合专家知识为 SBDD 进行条件化的扩散模型。 以 MolDiff 作为基础，在不重新训练 MolDiff 的情况下，对 MolDiff 的生成过程添加药效团、原子位置和类型等限制，以达到生成的分子能符合特定口袋的药效团的目的。 本资源包含了 MolSnapper 完整测评文档以及可运行代码。包括，文章案例测试、自有案例测试等

2024-10-22

可运行的 GCDM 项目代码 + 完整测评文档

GCDM 来源于美国密苏里大学电气工程与计算机科学系的研究助理 Alex Morehead 为通讯作者的文章：《Geometry-complete diffusion for 3D molecule generation and optimization》。文章链接：https://www.nature.com/articles/s42004-024-01233-z 。该文章于 2024 年 7 月 3 日发表在 《 communications chemistry 》上。 此文档包含了 GCDM 的文献解读，包括：模型结构、模型性能等，适合想快速了解 GCDM 模型的学生、研究人员、AIDD兴趣爱好者等。 此外，此文档还包括：以文内的案例和自由案例，使用 GCDM 模型，针对有口袋的条件下，逐个命令展示分子生成过程，并对生成分子进行评估，适合 AIDD 初上手的小白。

2024-10-13

IRDiff 完整评测文档+可运行项目代码
IRDiff 是一个全新的基于蛋白质-配体相互作用的检索增强 3D 分子扩散模型，可以生成目标感知的分子。IRDiff 利用一组设计好的参考配体分子来引导扩散模型生成满足目标特性的分子。 本文档包含了完整的项目测评过程及其结果，包括：训练好的模型，修正后的项目代码，代码报错及修改位置和方法，缺失的模块文件，测试案例等。修正后的项目代码可以根据特定的蛋白/口袋体系，使用 IRDiff 模型进行分子生成，并计算 vina_score, vina_docking_score, qvina_score, QED，SA等指标。修正后的代码也可以根据自定义的数据集进行微调/训练。 此外，此文档中还包含了个人分析标注。 此外，可以基于此文档进行模型修改与微调。

2024-09-29

DeepICL 完整测评文档+可运行代码
DeepICL 是一个基于相互作用感知的 3D 分子生成模型，能够在目标结合口袋内进行相互作用引导的小分子设计。DeepICL 通过利用蛋白质-配体相互作用的普遍模式作为先验知识，在有限的实验数据下也能实现高度的泛化能力。 本文档包含了完整的 DeepICL 项目测评过程及其结果，包括：训练好的模型，修正后的项目代码，代码报错及修改位置和方法，缺失的模块文件，测试案例等。 修正后的项目代码可以根据特定的蛋白/口袋体系，使用 DeepICL 模型进行分子生成，并计算 vina_score, vina_docking_score, qvina_score, QED，SA等指标。 修正后的代码也可以根据自定义的数据集进行微调/训练。 直接参考文中的训练方法即可。 此外，此文档中还包含了个人分析标注。

2024-09-28

PIDiff 的完整文档+可运行项目代码
PIDiff 是一个针对蛋白质口袋特异性的、物理感知扩散的 3D 分子生成模型，通过考虑蛋白质-配体结合的物理化学原理来生成分子，在原理上，生成的分子可以实现蛋白-小分子的自由能最小。 PIDiff 来源于延世大学计算机科学系的 Sanghyun Park 教授为通讯作者的文章：《PIDiff:Physics informed diffusion model for protein pocket-specific 3D molecular generation》。 本文档包含了完整的 PIDiff 项目测评过程及其结果，包括：训练好的模型，修正后的项目代码，代码报错及修改位置和方法，缺失的模块文件，测试案例等。 修正后的项目代码可以根据特定的蛋白/口袋体系，使用 PIDiff 模型进行分子生成，并计算 vina_score, vina_docking_score, qvina_score, QED，SA等指标。 修正后的代码也可以根据自定义的数据集进行微调/训练。 此外，此文档中还包含了个人分析标注。

2024-09-10

IPDiff 相互作用先验下的 3D 分子生成扩散模型 - 完整测评文档.pdf
IPDiff 是一个基于蛋白质-配体相互作用先验引导的扩散模型，首次把配体-靶标蛋白相互作用引入到扩散模型的扩散和采样过程中，用于蛋白质（口袋）特异性的三维分子生成。来源于文章 《Protein-Ligand Interaction Prior for Binding-aware 3D Molecule Diffusion Models》。文章链接： https://openreview.net/forum?id=qH9nrMNTIW 。 针对原GitHub中代码的问题与报错，本文档对原代码进行了修改，包含了完整的 IPDiff 项目，包含测试体系、可运行（修正报错）、可训练的源代码，并标注了每一个代码修改的位置。 此代码包含了完整的 IPDiff 的使用方法，可以针对某个某个蛋白体系的特定口袋生成结合力强的分子，可以直接用于项目中，或者进行微调再训练。

2024-09-05

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人

提示
确定要删除当前文章？
取消 删除