AlphaFold2 and Deep Learning for Elucidating Enzyme Conformational Flexibility and Its Application for Design

Designing antimicrobial peptides using deep learning and molecular dynamic simulations

PeSTo: parameter-free geometric deep learning for accurate prediction of protein binding interfaces

Designing antimicrobial peptides using deep learning and molecular dynamic simulations

De Novo Drug Design by Iterative Multi-ObjectiveDeep ReinforcementLearning with Graph-based Molecular Quality Assessment

Do “Newly Born” orphan proteins resemble “Never Born” proteins? A study using three deep learning algorithms

需要综合不同的分析任务（例如，多模态整合和跨模态分析）来综合理解这些数据，从而推断基因调控如何驱动生物多样性和功能。在这里，作者提出了联合网络，一个可解释的多任务深度神经网络，能够整合不同的任务来分析单细胞多模态数据。应用于各种多模态数据集（如Patch-seq、多组ATAC +基因表达和空间转录组学），与最先进的方法相比，联合网络在多模态集成和跨模态预测方面表现出了相似或更好的准确性。此外，通过

Enhancing Protein Language Models with Structure-based Encoder and Pre-training

AlphaFold accelerates artificial intelligence powered drug discovery: efficient discovery of a novel CDK20 small molecule inhibitor

在这里，我们回顾了药物发现背景下预测蛋白质-配体相互作用的计算方法，重点是使用人工智能(AI)的方法。我们首先简要介绍蛋白质（靶点），配体（例如药物）及其对非专家的相互作用。最后，我们调查和分析了用于预测蛋白质-配体结合位点，配体结合亲和力和结合姿势（构象）的机器学习(ML)方法，包括经典的ML算法和最近的深度学习方法。在探索了蛋白质-配体相互作用的这三个方面之间的相关性之后，有人提出应该统一研究