机构名称：
¥ 1.0
加速药物发现的追求加剧了对能够高精度预测蛋白质-配体相互作用的创新计算方法的需求。传统的计算方法，如分子动力学和蒙特卡罗模拟，通常因其在探索多体系统广阔的高维能量景观方面的低效率而受到阻碍。这些方法通常会陷入局部最小值或需要构建低维反应坐标，从而限制了它们在没有大量专家输入的情况下在复杂多维空间中的有效性。为了应对这些挑战，我们最近的进展利用基于流的生成模型有效地对分子系统的玻尔兹曼分布和过渡路径分布进行采样，从而在该领域取得了重大突破。在这些成功的基础上，该项目将进一步创新，使用深度学习来近似能量场，增强采样过程而不依赖预定义的反应坐标。这种方法集成了强化学习、对抗学习和扩散模型等最先进的技术，以克服深度学习模型的典型缺点，例如缺少关键构象区域和过度依赖预训练。此外，该项目将开发自动分析方法来识别和解释亚稳态和过渡态等关键状态，利用图神经网络将增强采样数据转换为精确的动力学模型。这种综合方法旨在提高复杂多体系统中药物分子相互作用建模的效率和精度。最终方法将用于预测蛋白质与小分子的结合亲和力并准确分析结合过程，从而为下一代药物发现提供一种范式转变方法。
联合博士课程描述...
主要关键词
相关文件推荐
