开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

从原子和键列表绘制分子的2D和/或3D图

绘制分子的2D和3D图可以使用多种工具和库。以下是一些常用的方法和库，帮助你从原子和键列表绘制分子的2D和3D图。

使用 RDKit 绘制 2D 分子图

RDKit 是一个用于化学信息学的开源工具包，支持分子的2D绘制。你可以使用 RDKit 从原子和键列表生成分子对象，并绘制其2D图。

安装 RDKit

首先，确保你已经安装了 RDKit。你可以使用 conda 安装：

conda install -c conda-forge rdkit

使用 RDKit 绘制 2D 分子图

以下是一个示例代码，展示如何使用 RDKit 绘制2D分子图：

from rdkit import Chem
from rdkit.Chem import Draw

# 创建分子对象
mol = Chem.MolFromSmiles('CCO')  # 例如，乙醇

# 绘制2D分子图
img = Draw.MolToImage(mol)
img.show()

使用 Py3Dmol 绘制 3D 分子图

Py3Dmol 是一个用于3D分子可视化的Python库。你可以使用 Py3Dmol 从原子和键列表生成分子对象，并绘制其3D图。

安装 Py3Dmol

你可以使用 pip 安装 Py3Dmol：

pip install py3Dmol

使用 Py3Dmol 绘制 3D 分子图

以下是一个示例代码，展示如何使用 Py3Dmol 绘制3D分子图：

import py3Dmol

# 创建3D分子对象
view = py3Dmol.view(query='molecule:CCO')  # 例如，乙醇
view.setStyle({'stick': {}})
view.show()

使用 Open Babel 绘制 2D 和 3D 分子图

Open Babel 是一个用于化学信息学的开源工具包，支持分子的2D和3D绘制。你可以使用 Open Babel 从原子和键列表生成分子对象，并绘制其2D和3D图。

安装 Open Babel

你可以使用 conda 安装 Open Babel：

conda install -c conda-forge openbabel

使用 Open Babel 绘制 2D 和 3D 分子图

以下是一个示例代码，展示如何使用 Open Babel 绘制2D和3D分子图：

import openbabel

# 创建分子对象
obConversion = openbabel.OBConversion()
obConversion.SetInAndOutFormats("smi", "mol")
mol = openbabel.OBMol()
obConversion.ReadString(mol, "CCO")  # 例如，乙醇

# 绘制2D分子图
obConversion.SetOutFormat("svg")
svg = obConversion.WriteString(mol)
with open("molecule_2d.svg", "w") as f:
    f.write(svg)

# 绘制3D分子图
obConversion.SetOutFormat("xyz")
xyz = obConversion.WriteString(mol)
with open("molecule_3d.xyz", "w") as f:
    f.write(xyz)

使用 JSmol 绘制 3D 分子图

JSmol 是一个用于3D分子可视化的JavaScript库。你可以使用 JSmol 在网页中嵌入3D分子图。

使用 JSmol 绘制 3D 分子图

以下是一个示例代码，展示如何使用 JSmol 绘制3D分子图：

<!DOCTYPE html>
<html>
<head>
    <script type="text/javascript" src="https://chemapps.stolaf.edu/jmol/jsmol/JSmol.min.js"></script>
</head>
<body>
    <script type="text/javascript">
        var Info = {
            width: 500,
            height: 500,
            use: "HTML5",
            j2sPath: "https://chemapps.stolaf.edu/jmol/jsmol/j2s",
            script: "load data/mol/ethanol.mol; wireframe only; spacefill 20%;",
            debug: false
        };
        Jmol.getApplet("jmolApplet0", Info);
    </script>
    <div id="jmolApplet0" style="width: 500px; height: 500px;"></div>
</body>
</html>

相关搜索:如何从使用python的列表中提取分子和分母？在3D数值数组中绘制和/或获取2D平面的索引如何从多个2d阵列和一个1d阵列绘制3d表面？如何使用nilearn和matplotlib子图绘制3D大脑图像的多个切片如何从Firebase创建键和值的列表视图？如何缩放3D和2D子图，使相应的轴具有相同的长度？从给定长度和宽度的1d列表创建2d列表？如何根据列表中的键和值弹出或过滤嵌套字典？从Python字典中获取列表形式的键和值根据特定键和值从列表中删除重复的字典 Pyspark -从键-列表对中，仅检索键和列表的第一个元素从包含键、子键和列表的嵌套python字典创建数据帧从pandas列和列表条目创建字典的有效方法，其中列表元素是键如何从两个变量的数学函数绘制3D和等高线图从具有不同y轴的pandas数据框中绘制条形图和线条从包含键和值映射的行列表中创建嵌套JSON文件在python中从json中提取每一行的列表键和值列表从键和值不包含给定值列表c#的字典列表中提取记录我需要从一个微笑字符串(或.xyz文件)中找到一个所有可能的键的列表，即一个分子中原子之间的角度从列表fortmat中将嵌套字典中的键和值获取到Dataframe中

相关搜索:

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

让化学分子动起来——MolView

今天给大家推荐一个免费开源的化学分子式工具箱———MolView[1]，不管是用来做ppt汇报还是用于学习了解化学分子式的三维结构，都非常好用。

03

直接分子构象生成

3D分子构象生成指的是给定2D分子图，生成对应的稳定3D分子构象，即生成每一个原子的坐标。相对于传统的基于实验或者数值计算的方法，基于机器学习的方法具有计算速度快、计算效果好的优势。在本篇论文中，作者提出一种基于深度学习的分子构象直接生成的方法，论文发表在Transactions of Machine Learning Research 2022。

03

Transformer-M：一个能理解2D和3D分子的Transformer

今天给大家介绍的是来自北京大学机器学习基础研究实验室和微软在arXiv发表的预印本《ONE TRANSFORMER CAN UNDERSTAND BOTH 2D & 3D MOLECULAR DATA》。为了实现跨模态处理分子任务，作者开发了一种新的基于Transformer的分子模型Transformer-M。它可以将2D或3D格式的分子数据作为输入，并生成有意义的语义表示。通过对2D和3D分子数据进行训练，Transformer-M学习来自不同数据模式的知识并正确捕获表征。Transformer-M可以同时在2D和3D任务中实现较强的性能，表明其具有广泛的适用性。

03

KDD 2023 | 第四范式开发用于分子性质预测的生成式3D预训练模型

论文标题：Automated 3D Pre-Training for Molecular Property Prediction

01

Nat. Commun. | 扩散模型实现基于结构的三维分子生成与先导化合物优化

今天为大家介绍的是来自Hailong Li，Ka-Chun Wong和Hengtong Zhang团队的一篇论文。基于结构的生成方法在计算机辅助药物发现中至关重要，它通过探索广阔的化学空间来设计与靶点高亲和力结合的配体。然而，传统的计算机模拟方法受限于计算效率低下，而机器学习方法则因自回归采样面临瓶颈。为了解决这些问题，作者开发了一种条件深度生成模型PMDM，用于生成符合特定靶标的三维分子。

01

Cell Reports Methods | 深度几何分子学习

今天为大家介绍的是来自Jiawei Luo和Kelin Xia团队的一篇论文。分子表征学习在分子性质预测中扮演重要角色。现有的分子性质预测模型基于共价键的分子图，用以在原子层面上表示分子拓扑结构，并且完全忽略了分子内部的非共价相互作用。在这项研究中，作者提出了一种分子几何深度学习模型，旨在预测分子的性质，该模型致力于综合考虑分子的共价和非共价相互作用信息。

01

Nat. Mach. Intell. | 分子表征的几何深度学习

本文介绍由瑞士苏黎世联邦理工学院化学与应用生物科学系的Francesca Grisoni和Gisbert Schneider共同通讯发表在 Nature Machine Intelligence的研究成果：本文作者重点介绍了几何深度学习在药物发现、化学合成预测和量子化学等领域的应用，其包含几何深度学习的原理和相关的分子表征，例如分子图、网格、表面和字符串。作者讨论了分子科学中几何深度学习面临的挑战，并展望其未来应用。

02

Nat. Chem. | 利用高通量实验和几何深度学习实现药物后期多样化

今天为大家介绍的是来自David B. Konrad , Uwe Grether , Rainer E. Martin & Gisbert Schneider团队的一篇论文。物候选物的后期功能化是一种经济有效的优化方法，但药物分子的化学复杂性常常使得这一阶段的多样化变得具有挑战性。为了解决这个问题，研究团队开发了一个平台。平台以硼化作为药物后期功能化的关键步骤，运用计算模型预测了在多种反应条件下的产率，平均绝对误差在4-5%之间。

01

Pocket2Mol : 基于3D蛋白质口袋的高效分子采样

本文介绍由xingang peng等人发表于ICML上的文章：Pocket2Mol: Efficient Molecular Sampling Based on 3D Protein Pockets。作者提出了一种新的可以满足口袋施加的多个几何约束的采样方法：Pocket2Mol，这是一个由两个模块组成的 E(3)-等变生成网络，它不仅可以捕获结合口袋原子之间的空间和键合关系，还可以在不依赖马尔科夫链蒙特卡洛方法（MCMC）的情况下从易于处理的分布中以口袋表示为条件对新候选药物进行采样。实验结果表明，从 Pocket2Mol 中取样的分子具有明显更好的结合亲和力和其他药物特性，例如药物相似性和合成可及性。

01

Drug Discov Today | 分子表示与性质预测中的深度学习方法

2022年9月24日，青岛大学计算机科学技术学院李臻教授团队在Drug Discovery Today上发表文章“Deep learning methods for molecular representation and property prediction”。在论文中，作者回顾并总结了现有的分子表示与性质预测的深度学习方法，并讨论了深度学习方法在分子表示和性质预测方面的挑战和机遇。

02

CycPeptMP通过多层次分子特征和数据增强来进行环状肽的膜透过性预测

今天为大家介绍的是来自Yutaka Akiyama团队的一篇论文。环状肽具有许多优异的特性，如高结合亲和力、毒性小以及应对复杂蛋白靶点的潜力。然而，它们在药物领域的应用受到了其低膜透过性的限制——这是口服生物利用度和细胞内靶向的一个重要指标。

01

基于3D几何的预训练分子图表示

本文介绍了唐建课题组的Shengchao Liu等人基于3d几何研究的成果：鉴于现实世界场景中 3D 信息的缺乏极大地阻碍了对分子几何图表示的学习，本文提出了一种图预训练框架Graph Multi-View Pre-training (GraphMVP)。GraphMVP通过利用 2D 拓扑结构和 3D 几何视图之间的对应性和一致性来执行自我监督学习(SSL)。该方法有效地学习了一个 2D 分子图编码器，而该编码器之前已通过更丰富和更具辨别力的 3D 几何知识进行了预训练。作者进一步提供理论见解来证明 GraphMVP 的有效性。最后，综合实验表明 GraphMVP优于现有的图 SSL 方法。

05

Drug Discov Today｜化学分子指纹的概念和应用

分子指纹(Molecular ﬁngerprints)可以低计算成本的方式表示大规模化学数据集中化合物的化学(结构、物理化学等)性质。它们在将化学数据集中的分子转换为适合于计算方法的一致输入格式(bit向量或数值)方面发挥着重要作用。在这篇综述中，作者将常见和最先进的分子指纹归纳并分类为8种不同类型(基于字典的、圆形的(circular)、拓扑的、药效团的(pharmacophore)、蛋白质-配体相互作用的、基于形状的、强化的和多种的)。作者还强调了分子指纹在早期药物研发中的应用。因此，本综述为药物研发使用合适的化合物(或配体-蛋白质复合物)指纹的选择提供了指南。

01

NeurIPS 2021｜分子的三维构象集的扭转几何生成

今天给大家介绍的是NeurIPS 2021上一篇来自MIT的论文。在化学信息学和药物发现领域中，从分子图中预测分子的三维构象集具有关键的作用，但现有的生成模型存在严重的问题，这包括缺乏对重要分子几何元素的建模，优化阶段容易出现累积误差，需要基于经典力场或计算代价昂贵的方法进行结构微调。作者团队提出GEOMOL模型，一种端到端、非自回归和SE(3)不变的机器学习方法来生成低能分子三维构象的分布。利用消息传递神经网络(MPNN)捕捉局部和全局信息的能力，我们能预测局部原子的3D结构和扭转角，这样的局部预测即可用于计算训练损失，也可用于测试时的完整构象。作者团队设计了一个非对抗性的基于损失函数的最优传输来促进多样的构象生成。GEOMOL优于流行的开源、商业或最先进的ML模型，同时速度得到了显著提升。我们希望这种可微的三维结构生成器能对分子建模和相关应用产生重大影响。

02

ICLR｜基于3D几何信息的分子图表示学习

2021年9月29日，来自加拿大蒙特利尔大学魁北克人工智能研究所 (Mila) 的唐建等人在ICLR上发表文章，将3D几何信息整合到图自监督学习模型中，提出了图多视图预训练 (GraphMVP) 框架，为下游的分子性质预测任务提供了更精准的预测方法。

01

NeurIPS 2021 | 通过动态图评分匹配预测分子构象

从 2D 分子图中预测稳定的 3D 构象一直是计算化学中的一个长期挑战。而最近，机器学习方法取得了相比传统的实验和基于物理的模拟方法更优异的成绩。这些方法主要侧重于模拟分子图上相邻原子之间的局部相互作用，而忽略了非键合原子之间的长程相互作用。然而，这些未成键的原子在 3D 空间中可能彼此接近，模拟它们的相互作用对于准确确定分子构象至关重要，尤其是对于大分子和多分子复合物。在本文中，作者提出了一种称为动态图评分匹配 (DGSM) 的分子构象预测新方法，该方法通过在训练和推理过程中根据原子之间的空间接近度动态构建原子之间的图结构来对局部和远程相互作用进行建模。具体来说，DGSM根据动态构建的图，使用评分匹配方法直接估计原子坐标对数密度的梯度场。可以以端到端的方式有效地训练整个框架。多项实验表明，DGSM 的表现远超该领域一流水平，并且能够为更广泛的化学系统生成构象，例如蛋白质和多分子复合物。

02

LigPlot的安装与使用

LigPlot是EMBL-EBI开发的软件，用于以2D方式展示分子对接结果，LIGPLOT，绘制蛋白质和小分子之间的相互作用；DIMPLOT，绘制蛋白之间的相互作用；Antibody plot，绘制抗原抗体之间的相互作用。其余软件还有PLIP和PoseViewer，我后续再补上。

00

Drug Discov Today | 基于对接的生成模型用于新药发现

2022年11月11日，波兰Jagiellonian大学的Tomasz Danel等人在Drug Discovery Today上发表综述Docking-based generative approaches in the search for new drug candidates。作者提出了基于对接的生成方法的新分类法，讨论了基于对接的生成模型的未来可能方向。

02

DrugVQA | 用视觉问答技术预测药物蛋白质相互作用

鉴定新的药物-蛋白质相互作用对于药物发现至关重要，基于机器学习的方法利用药物描述符和一维（1D）蛋白质序列已经开发了许多鉴定方法。这些方法一般都是通过将配体，蛋白质及其相互作用的信息整合到一个统一的框架中，将是否存在相互作用的预测作为二元分类的任务。

06

Chemical Science | SDEGen：基于随机微分方程的构象生成模型

本文介绍一篇来自浙江大学侯廷军教授、康玉副教授和碳硅智慧联合发表在Chemical Science的论文《SDEGen: Learning to Evolve Molecular Conformations from Thermodynamic Noise for Conformation Generation》。该论文提出了一种将分子力学当中的随机动力学系统和深度学习当中的概率模型相结合的小分子三维构象生成模型：SDEGen。作者采用随机微分方程（Stochastic Differential Equation, SDE）模拟分子构象从热噪声分布到热平衡分布的过程，联合概率深度学习的最新DDIM（Denoising Diffusion Implicit Models）模型，不仅提高了模型生成构象的效率，并且在多项评测任务（包括构象生成质量、原子间距离分布和构象簇的热力学性质）上实现了精度的提升。如在构象生成质量上，其多样性指标优于传统方法22%，准确性指标优于传统方法40%；在热力学性质预测方面，将传统方法的精度提升了一个数量级，与量化计算的结果误差缩小至～2kJ/mol。除此之外，这篇文章还引入了晶体构象的比对实验和势能面分布实验，为构象生成任务的评测提供了更多维及更物理的视角。大量的实验表明，SDEGen不仅可以搜索到小分子晶体构象所在的势能面的势阱当中，还可以搜索到完整势能面上多个局域优势构象。同时，SDEGen模型计算效率极高，在分子对接、药效团识别、定量构效关系等药物设计任务中具有广泛的应用前景。

03

JCIM｜3D连接体设计的深度生成模型

今天给大家介绍的是牛津大学和剑桥大学的Fergus Imrie等人在Journal of Chemical Information and Modeling上发表的文章“Deep Generative Models for 3D Linker Design”。在本工作中，作者介绍了目前第一种基于图的深度生成方法，它将三维结构信息直接结合到设计过程中。分子的三维结构对于成功的复合设计至关重要，作者证明了省略三维信息的局限性，量化了它在大规模评估中的影响，也经验性地展示了模型如何使用三维结构信息。

01

MolFlow: 高效3D分子生成方法

今天为大家介绍的是来自查尔姆斯理工大学的Simon Olsson团队的一篇论文。最近，3D药物设计的生成模型因其在蛋白质口袋中直接设计配体的潜力而获得了广泛关注。然而，目前的方法通常存在采样时间非常慢或生成分子的化学有效性差的问题。为了解决这些限制，作者提出了Semla，一个可扩展的E(3)-等变消息传递架构。作者进一步介绍了一个分子生成模型MolFlow，该模型使用流匹配和尺度最优传输进行训练，这是等变最优传输的一种新扩展。作者的模型在基准数据集上仅需100个采样步骤就能产生最先进的结果。关键是，MolFlow在不牺牲性能下只需20个步骤就能采样出高质量分子，相比于现有技术实现了两个数量级的速度提升。最后，作者比较了MolFlow与当前方法在生成高质量样本方面的能力，进一步展示了其强大性能。

01

分子的信息传递网络与手性

今天为大家介绍的是来自Connor W. Coley团队的一篇解决图神经网络中分子手性问题的论文。如果分子具有立体化学-一种空间结构特征，即使它们的图连接性相同，也可能表现出不同的物理和生物特性。然而，现代用于从分子结构中学习结构-性质关系的神经网络架构将分子视为图结构数据，无法处理分子的这种立体性。在这里，作者开发了两种自定义聚合函数，用于消息传递神经网络来学习具有四面体手性的分子的性质，这是一种常见的立体化学形式。

02

arXiv｜使用深度生成模型在3D空间上生成类药分子

今天给大家介绍的是北京大学来鲁华课题组在arXiv上挂出的预印论文《Learning to design drug-like molecules in three-dimensional space using deep generative models》。近年来，分子图的深度生成模型在药物设计领域受到了越来越多的关注。目前已经开发了多种模型来生成拓扑结构，但在产生三维结构方面的探索仍然有限。现有的方法要么关注于低分子量化合物而不考虑药物相似性，要么利用原子密度图来间接生成三维结构。在这项工作中，作者介绍了配体神经网络(L-Net)，一种新的图生成模型，用于设计具有高质量三维结构的类药分子。L-Net直接输出分子（包括氢原子）的拓扑和三维结构，而不需要额外的原子放置或键序推理算法。实验结果表明，L-Net能够产生化学正确、构象有效的类药分子。最后，为了证明其在基于结构的分子设计中的潜力，作者将L-Net与MCTS结合，并测试其产生靶向ABL1激酶的潜在抑制剂的能力。

02

ACM 杰出会员姬水旺：量子化学和物理的深度学习

整理丨汪浩文校对丨维克多量子技术和人工智能都是当前最先进的科学技术，前者被寄希望于拥有超强的计算能力，后者已经在各行各业“大杀四方”。当两者相遇会碰撞出什么样的火花？人工智能又能在哪些方面助力量子技术？去年12月份，德州农工大学计算机科学与工程系（校长有影响力）教授姬水旺在CNCC大会上发表了《量子化学和物理的深度学习》的演讲，表达了他对两个学科的感想。 “量子打破了我们很多常识性的理解，在量子状态世界的运行并不确定，我们最多只能预测各种结果出现的概率。” 此外，他还表示，量子的研究对象虽然是原子层

08

Drug Discov Today｜配体-蛋白的分子对接中的机器学习

2021年9月21日，Drug Discovery Today杂志在线发表文章，文章概述和讨论了配体-蛋白的分子对接中机器学习（尤其是深度学习）的应用。

01

基于图卷积神经网络的分子距离矩阵预测

2022年2月3日，西南交通大学计算机与人工智能学院的林小惠/江永全*/杨燕等人在Journal of Molecular Structure杂志发表文章，提出了一种基于图卷积网络预测原子间两两距离的模型，以解决传统计算方法在确定分子结构时实验成本高、计算成本高的问题。

03

MGM、MolGPT、PAR、Uni-Mol、K-Bert、MolCLR…你都掌握了吗？一文总结生物制药必备经典模型（三）

本专栏将逐一盘点自然语言处理、计算机视觉等领域下的常见任务，并对在这些任务上取得过 SOTA 的经典模型逐一详解。前往 SOTA！模型资源站（sota.jiqizhixin.com）即可获取本文中包含的模型实现代码、预训练模型及 API 等资源。

03

ICML 2024 | MolCRAFT:连续参数空间中基于结构的药物设计

今天为大家介绍的是来自清华大学的周浩团队的一篇论文。近年来，用于基于结构的药物设计（SBDD）的生成模型显示出令人鼓舞的结果。现有的工作主要集中在如何生成具有更高结合亲和力的分子，忽略了生成的3D构象的可行性前提，从而导致假阳性。作者对在SBDD中应用自回归方法和扩散方法时出现的不良构象问题的关键因素进行了深入研究，包括模式崩溃和混合连续离散空间。在本文中，作者介绍了MolCRAFT，这是第一个在连续参数空间中运行的SBDD模型，并结合了一种新颖的降噪采样策略。实证结果表明，作者的模型在结合亲和力和更稳定的3D结构方面始终表现优异，证明了模型准确建模原子间相互作用的能力。据作者所知，MolCRAFT是第一个在相似分子尺寸下实现参考级Vina评分（-6.59 kcal/mol）的模型，较其他强基线模型大幅领先（-0.84 kcal/mol）。代码可在以下网址获得：https://github.com/AlgoMole/MolCRAFT。

01

材料空间「填空解谜」：MIT 利用深度学习解决无损检测难题

内容一览：材料检测在工程、科学及制造业中扮演着至关重要的角色。传统的材料检测方法，例如切割和化学试剂检测具有破坏性，同时较为耗费时间和资源。近期，MIT 科学家利用深度学习开发了一种技术，能够填补缺失信息，并进一步通过表面观察确定材料的内部结构。

02

DGL&RDKit|基于GCN与基于3D描述符的分子溶解度预测模型对比

图卷积神经网络（Graph Convolutional Networks, GCN ）

06

ICLR2022 | SphereNet与G-SphereNet : 3D分子图表示与分子几何生成的自回归流模型

本期介绍德州农工大学CSE系Shuiwang Ji 教授（http://people.tamu.edu/~sji/）团队被ICLR2022接收的两个工作：SphereNet与G-SphereNet。

02

BIB |基于分而治之的分子图片识别深度学习框架

今天给大家介绍中南大学曹东升教授/国防科技大学吴城堃教授/浙江大学侯廷军教授团队共同在国际期刊Briefings in Bioinformatics上发表的分子图片识别的文章《ABC-Net: a divide-and-conquer based deep learning architecture for SMILES recognition from molecular images》。该文章基于分而治之的思想提出把分子识别问题转换为其组成元素的识别，包括分子键线与原子字符标识，然后使用关键点识别技术进行相关元素的识别并重新组装恢复分子结构。该方法在构造的数据集以及基准测试集上较以前的方法取得了显著的提升。

02

有机小分子生物活性数据(Pubchem)

PubChem，即有机小分子生物活性数据，是一种化学模组的数据库，由美国国家健康研究院（ US National Institutes of Health，NIH）支持，美国国家生物技术信息中心负责维护。

05

JCIM丨DRlinker：深度强化学习优化片段连接设计

2022年11月20日，中山大学计算机学院杨跃东教授团队与广州国家实验室陈红明研究员团队在Journal of Chemical Information and Modeling期刊上发表论文DRlinker: Deep Reinforcement Learning for Optimization in Fragment Linking Design。论文提出了用于优化片段连接设计的模型DRlinker，其具有优秀的性能表现，在基于片段的药物设计中具有一定的优势和适用性。

01

IBM | 增强配体与靶标契合的小分子图生成模型

今天给大家介绍的是IBM研究团队发表在arxiv上的一项有关分子生成的研究。作者提出一种可以编码3D蛋白质-配体接触的图生成模型，该模型利用条件VAE从而可以预测在靶标结合口袋内的分子相互作用，从而实现特定活性的分子生成。实验结果表明，与基于配体2D生成方法相比，该方法生成的分子与多巴胺D2受体的结合口袋更契合。该研究展现了蛋白靶标的结构信息如何增强分子生成。

03

开源化学信息学工具包(Open Access Cheminformatics Toolkits)

CDK是结构化学信息学和生物信息学的开源Java库。该项目由Christoph Steinbeck，Egon Willighagen与Jmol和JChemPaint的开发人员Dan Gezelter于2000年发起。迄今为止，它是在科学界广泛支持下开展的最活跃的开源化学信息学项目之一。

03

ICLR 2022 | 三维分子图的球形信息传递

今天给大家介绍的是ICLR 2022 Poster的文章《Spherical Message Passing for 3D Molecular Graphs》。作者在此工作中考虑了三维分子图的表示学习，其中每个原子与三维的空间位置相关联。这是一个尚未得到充分探索的研究领域，目前还缺乏一个有效的信息传递框架。在这项工作中，作者在球坐标系(SCS)中进行了分析，以完整地识别三维图结构。基于此观察，作者提出了球形信息传递(SMP)作为一种新的和强大的三维分子学习方案。SMP显著降低了训练的复杂性，使其能够在大规模分子上有效地执行。此外，SMP能够区分几乎所有的分子结构，而未覆盖的案例在实际中可能并不存在。基于有意义的基于物理的三维信息表示，作者进一步提出了用于三维分子学习的SphereNet。实验结果表明，在SphereNet中使用有意义的三维信息可以显著提高预测任务的性能。结果还证明了SpherNet在可靠性、效率方面的优势。

01

RDKit | 基于RDKit和SMARTS的化学反应处理

SMILES (Simplified Molecular Input Line Entry System)是一种分子描述语言，由Daylight C.I.S.的创始人 Dr. David Weininger 博士发明。它简单，易于理解，且广泛使用的分子描述方法。

04

Nat. Mach. Intell. | 使用多尺度深度生成模型进行特定状态的蛋白质-配体复合体结构预测

今天为大家介绍的是来自Animashree Anandkumar团队的一篇论文。由蛋白和小分子构成的结合复合物是普遍存在的，对生命至关重要。尽管近年来蛋白质结构预测技术有了显著进展，现有算法仍未能系统地预测配体结构及其对蛋白质折叠的调控效应。为了解决这一差异，作者提出了一种名为NeuralPLexer的计算方法，能够仅通过蛋白质序列和配体分子图直接预测蛋白质-配体复合物结构。NeuralPLexer采用深度生成模型，按原子分辨率抽样结合复合物的三维结构及其构象变化。该生成模型基于扩散过程，整合了基本的生物物理限制和多尺度几何深度学习系统，以层次化方式迭代抽样残基级接触图和所有重原子坐标。与所有现有方法相比，NeuralPLexer在蛋白质-配体盲对接（blind protein-ligand docking）和柔性结合位点结构复原（flexible binding-site structure recovery）的基准测试上实现了最先进的性能。此外，由于其在采样配体自由态和配体结合态集合方面的特异性，NeuralPLexer在全局蛋白质结构预测准确性上一致超过AlphaFold2，无论是在具有大构象变化的代表性结构对还是在最近确定的配体结合蛋白上。NeuralPLexer的预测与酶工程和药物发现中重要靶标的结构测定实验相一致，显示出其在加速设计功能性蛋白质和小分子药物的潜力，有望在蛋白组学规模上实现。

01

J. Chem. Inf. Model. | 增强指纹图注意力网络（FinGAT）模型用于抗生素发现

今天为大家介绍的是来自JunJie Wee和Kelin Xia团队的一篇关于抗生素发现的论文。人工智能（AI）技术在改变抗生素发现行业方面具有巨大潜力。高效和有效的分子特征化是实现高准确性学习用于抗生素发现的模型的关键。作者提出了一种通过结合基于序列的2D指纹和基于结构的图表示的指纹增强的图注意力网络（FinGAT）模型。在特征学习过程中，序列信息转化为指纹向量，结构信息通过GAT模块编码为另一个向量。这两个向量被连接并输入到多层感知机（MLP）进行抗生素活性分类。模型经过广泛的测试并与现有模型进行比较。研究发现， FinGAT在抗生素发现中可以胜过各种最先进的GNN模型。

01

Brief. Bioinform. | 从直觉到人工智能：药物发现中的小分子表征演变

今天介绍一篇2023年11月发表在《Briefings in Bioinformatics》期刊上的论文，题为“From Intuition to AI: Evolution of Small Molecule Representations in Drug Discovery”，文章的第一作者为英国爱丁堡大学的Miles McGibbon研究员和 Steven Shave研究员，以及中南大学的董界副教授，通讯作者为爱丁堡大学的Vincent Blay博士。该综述总结了药物发现领域中分子表示（表征）的演变历程，从最初的人类可读格式，逐步发展到现代的数字描述符、指纹，以及基于序列和图的学习表示。作者强调了各种表示方法在通用性、计算成本、不可逆性和可解释性等方面的优缺点。文章还讨论了药物发现领域的创新机会，包括为高价值、低数据制度创建分子表示，提炼更广泛的生物和化学知识成为新颖的学习表示，以及对新兴治疗方式进行建模。总体而言，文章聚焦于数字化分子表示在药物研发中的关键作用，同时探讨了所面临的挑战和机遇。

01

Nat. Commun. | 相互作用引导药物设计的三维分子生成框架

今天为大家介绍的是来自韩国科学技术院的一篇利用相互作用引导进行3D 分子生成的论文。深度生成模型具有加速药物设计的强大潜力。然而，由于数据有限，现有的生成模型常常面临泛化方面的挑战，导致设计创新性较差，并且与看不见的目标蛋白之间往往存在不利的相互作用。为了解决这些问题，作者提出了一种相互作用感知的 3D 分子生成框架，该框架能够在目标结合口袋内进行相互作用引导的药物设计。通过利用蛋白质-配体相互作用的通用模式作为先验知识，作者的模型可以利用有限的实验数据实现高度的通用性。通过分析生成的未见靶标配体的结合姿势稳定性、亲和力、几何图案、多样性和新颖性，对其性能进行了全面评估。此外，潜在突变选择性抑制剂的有效设计证明了提出的方法对基于结构的药物设计的适用性。

01

Nat. Commun.｜使用条件生成神经网络逆向设计 3D 分子结构

本文介绍了柏林工业大学机器学习小组的Niklas W. A. Gebauer和Michael Gasteggerh等共同发表在Nature Communications的研究成果：本文提出了一个条件生成神经网络，用于具有特定化学和结构特性的 3d 分子结构的设计。这种方法与化学键合无关，能够从条件分布中对新分子进行有针对性的采样，即使在参考计算稀疏的领域也是如此。通过生成具有特定基序或组成的分子，作者发现了特别稳定的分子，并联合针对训练方案之外的多种电子特性，证明了所采用的方法在逆向设计中的实用性。

03

ICML 2024 | 基于体素网格的药物设计

今天为大家介绍的是来自Prescient Design, Genentech团队的一篇论文。作者提出了VoxBind，这是一种基于评分的3D分子生成模型，该模型以蛋白质结构为条件。作者的方法将分子表示为3D原子密度网格，并利用3D体素去噪网络进行学习和生成。作者将神经经验贝叶斯的形式扩展到条件设置，并通过两步程序生成基于结构的分子：(i) 使用学习到的评分函数，通过欠阻尼的Langevin MCMC从高斯平滑的条件分布中采样噪声分子，(ii) 通过单步去噪从噪声样本中估计出干净的分子。与当前的最先进技术相比，作者的模型更易于训练，采样速度显著更快，并且在大量的计算基准测试中取得了更好的结果——生成的分子更加多样化，表现出更少的空间碰撞，并且与蛋白质口袋结合的亲和力更高。

01

前沿 | GAN用于材料设计：哈佛大学新研究登上Science

论文：Inverse molecular design using machine learning: Generative models for matter engineering

03

ICML2022 | EQUIBIND：用于药物结合结构预测的几何深度学习方法

本文介绍一篇来自于麻省理工学院的Hannes Stärk、Octavian Ganea等人发表在ICML上的分子结构预测工作——《EquiBind: Geometric Deep Learning for Drug Binding Structure Prediction》。预测类药物分子如何和特定靶蛋白结合是药物发现中的一个核心问题。已有方法依赖于评分、排序和微调等步骤对大量候选分子进行采样，计算非常昂贵。针对该问题，作者提出一种SE(3)等变的几何深度学习模型——EQUIBIND。该模型能直接快速地预测出受体结合位置以及配体的结合姿势和朝向。此外，作者将该模型同已有的微调技巧结合取得额外突破。最后，作者提出一种新型且快速的微调模型，它对于给定的输入原子点云基于冯·米塞斯角距离全局最小值的近似形式来调整配体可旋转键的扭转角，避免以前昂贵的差分进化能源最小化策略。

02

Nat. Mach. Intell. | 通过语言模型在口袋中生成三维分子结构

今天为大家介绍的是来自Bo Huang和Wenbiao Zhou团队的一篇论文。基于序列或图表示的分子生成模型，在基于结构的药物设计领域越来越受到关注。然而，这些模型往往难以捕捉重要的三维（3D）空间交互作用，并常常生成不理想的分子结构。为了解决这些挑战，作者提出了一种新方法——Lingo3DMol，这是一种基于口袋的3D分子生成方法，结合了语言模型和几何深度学习技术。

01

Cell Systems | 深度学习开启蛋白质设计新时代

今天为大家介绍的是来自Bruno Correia团队的一篇综述。深度学习领域的迅速进步对蛋白质设计产生了显著影响。最近，深度学习方法在蛋白质结构预测方面取得了重大突破，使我们能够得到数百万种蛋白质的高质量模型。结合用于生成建模和序列分析的新型架构，这些方法在过去几年里显著地革新了蛋白质设计领域，提高了识别新蛋白质序列和结构的准确性和能力。深度神经网络现在能够学习和提取蛋白质结构的基本特征，预测它们与其他生物分子的相互作用，并且有潜力创造用于治疗疾病的新有效药物。

01

JCIM｜EHreact:用于酶促反应模板提取和评分的扩展Hasse图

2021年9月29日，JCIM上发表了有关酶促反应模板提取和评分的文章："EHreact: Extended Hasse Diagrams for the Extraction and Scoring of Enzymatic Reaction Templates"。

02

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭