基于3D结构的药物设计中的几何深度学习方法和应用
相关实验视频
Updated: Jun 26, 2025

10:33
Generation of 3D Tumor Spheroids for Drug Evaluation Studies
Published on: February 24, 2023
2.1K
Qifeng Bai1, Tingyang Xu2, Junzhou Huang3
1School of Basic Medical Sciences, Lanzhou University, Lanzhou 730000, Gansu, PR China.
Drug discovery today
|May 17, 2024
概括
几何深度学习通过使神经网络能够学习复杂的分子数据来推进基于3D结构的药物设计 (SBDD). 本综述涵盖了创新药物发现的关键方法和应用.
科学领域:
- 计算化学和化学信息学
- 人工智能在药物发现中的作用
背景情况:
- 基于3D结构的药物设计 (SBDD) 对于发现新疗法至关重要.
- 精确建模复杂的3D分子数据在SBDD中是一个重大挑战.
- 几何深度学习提供了一种强大的方法来解决这些建模挑战.
研究的目的:
- 审查适用于3D SBDD的几何深度学习方法.
- 突出这些方法在药物发现中的先进应用.
- 为药物发现社区的研究人员提供见解.
主要方法:
- 利用神经网络模型从非欧几里德数据中学习,包括3D分子图.
- 探索等价图神经网络 (EGNNs) 用于分子表示.
- 总结了六种生成模型方法:扩散模型,基于流量的模型,GAN,VAE,自回归模型和基于能源的模型.
主要成果:
- 几何深度学习方法有效地处理复杂的3D分子数据.
- 这些方法可以为3D SBDD准确地训练模型.
- 一系列的生成模型适用于分子设计.
结论:
- 几何深度学习是3D SBDD的转型方法.
- 审查的方法和应用为加速创新药物发现提供了重大潜力.
- 这篇评论是药物发现领域的宝贵资源.

