Py学习  »  docker

共价药物设计迎来 AI 新基准,CovDocker 登场!

BioTender • 1 月前 • 92 次点击  

🔬共价药物设计迎来 AI 新基准,CovDocker 登场! /

在药物研发中,“分子对接”是一项关键技术,能帮助科学家预测药物分子与靶点蛋白的结合方式。而在众多药物机制中,共价药物因其强效、持久的作用特点,在抗癌、自免疫疾病、新冠等领域大放异彩。

不过,传统的对接工具(如 Vina、AutoDock 等)大多只能处理非共价结合,面对“真正能产生化学键”的共价结合常常力不从心:👉 无法判断药物究竟会和哪个氨基酸形成共价键;👉 无法预测形成共价键后分子的形态变化;👉 缺乏可复现的公开数据集和统一评估标准。

怎么办?CovDocker 来了!

点击查看原文CovDocker.pdf

   

🧰 CovDocker 是什么?

由华中科技大学和微软研究院联合提出的 CovDocker,是全球首个系统化面向共价药物设计的 AI 基准平台。它把“共价对接”这个复杂问题,拆分为三步走:

🔹  第一步:找“化学反应点”给一颗小分子和一条蛋白,AI 要预测“哪个口袋”和“哪个氨基酸”最可能发生共价反应。

🔹 第二步:预测化学反应结果模拟药物分子和蛋白发生化学键连接后,形成的新分子长啥样。

🔹 第三步:精准拼图式对接在三维空间中,把形成共价键的药物精确嵌入蛋白口袋中,形成稳定结构。

Graphical overview of different methodological approaches in covalent drug design.


   

💡 为什么说它是“游戏规则改变者”?

相比传统方法,CovDocker 做了三件事让人眼前一亮:

大而全的数据集:整合了近 3000 个真实共价结合结构,不再受限于以往几十上百个的小样本。

全流程 AI 建模:引入大模型 Uni-Mol 和 Chemformer,不再依赖手动设置反应规则,效率飞升。

开源开源开源!:不仅代码、模型权重全开,连数据都整理成标准格式,对深度学习开发者极其友好。

Illustration of the three proposed tasks in our covalent docking framework


   

🧪 效果如何?一组数据说话!

任务
CovDocker 表现
传统方法表现
预测反应位点准确率
63.5%
最好不到 30%
化学反应预测 Top-1 准确率
76.7%
多数低于 60%
对接结构 RMSD < 2Å 比例
37.2%
Vina 只有 6.1%

一句话总结:不仅更准,还更快。

Illustration of our proposed models. All green blocks represent the Uni-Mol blocks, with varying shades indicating different functionalities.


   

🔍 意义何在?

CovDocker 的发布标志着 AI 共价药物设计进入标准化时代。未来,科学家可在此平台上快速评估新方法,也能训练自己的 AI 模型,助力发现新一代“锁死型”药物分子。

Overview on the data construction of CovDocker with two main steps: Data Collection from Website and Data Preprocessing.


   

🔗 传送门

📂 开源项目:https://github.com/PoloWitty/CovDocker 


✍ 如你是药物研发人员、AI 建模研究者,或者对“化学键+大模型”感兴趣的朋友,CovDocker 或许正是你期待的新起点。

📣  如果你也在研究 AI+生物、蛋白互作预测、抗体设计、药物筛选,欢迎扫码添加小编,加入交流群👇一起追踪最新进展!

Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/184722
 
92 次点击