#今日论文推荐# MIT用深度学习模型发掘潜在药物分子，速度提升1000倍，研究入选ICML 2022

#今日论文推荐# MIT用深度学习模型发掘潜在药物分子，速度提升1000倍，研究入选ICML 2022

预测药物样分子如何与特定蛋白质靶标结合是药物发现的核心问题。一种极快的计算绑定方法将实现快速虚拟筛选或药物工程等关键应用。现有方法的计算成本很高，因为它们依赖于大量候选采样以及评分、排名和微调步骤。

麻省理工学院的研究人员用 EquiBind 挑战这一范式，这是一种 SE(3) 等变几何深度学习模型，对受体结合位置（盲对接）和配体的结合姿势和方向进行直接预测。

与传统和最近的基线相比，EquiBind 实现了显著的加速和更好的质量。 此外，当以增加运行时间为代价将其与现有微调技术相结合时，该团队展示了额外的改进。

另外，他们提出了一种新的快速微调模型，该模型基于 von Mises 角距离到给定输入原子点云的闭合形式全局极小值来调整配体可旋转键的扭转角，避免了以前用于能量最小化的昂贵差分进化策略。

该研究以「EquiBind: Geometric Deep Learning for Drug Binding Structure Prediction」为题，将在第 39 届机器学习国际会议（ICML 2022）上发表。

论文题目：EquiBind: Geometric Deep Learning for Drug Binding Structure Prediction
详细解读：https://www.aminer.cn/research_report/62d65f117cb68b460feec019https://www.aminer.cn/research_report/62d65f117cb68b460feec019
AMiner链接：https://www.aminer.cn/?f=cs