FABind+: Enhancing Molecular Docking through Improved Pocket Prediction and Pose Generation

分子对接是药物发现中关键的过程。传统技术依赖于大量的采样和受物理原理控制的模拟，这些方法通常速度慢且成本高。基于深度学习的方法的出现显示出显著的前景，提高了准确性和效率。在FABind的基础工作上，FABind+是一个增强版本，主要提高了其前身的性能。我们确定口袋预测是分子对接中的一个关键瓶颈，并提出了一种新的方法，显著改进了口袋预测，从而简化了对接过程。此外，我们还引入了对对接模块的修改，以增强其姿态生成能力。为了弥合与传统采样/生成方法之间的差距，我们结合了一个简单而有效的采样技术和置信度模型，只需要对FABind的回归框架进行轻微调整。实验结果和分析表明，FABind+明显优于原始FABind，达到了竞争性的最先进性能，并提供了深入的建模策略。这表明FABind+在分子对接和药物发现方面是一个重大的进步。我们的代码在https://github.com/QizhiPei/FABind中。

本文旨在提高分子对接的准确性和效率，特别是在口袋预测方面存在的瓶颈问题。

本文提出了一种基于深度学习的分子对接方法FABind+，通过改进口袋预测和姿态生成模块，以及引入简单而有效的采样技术和置信度模型，取得了竞争性的最新成果。

本文的实验结果表明，FABind+相比于其前作FABind有着显著的性能提升，并且在口袋预测和姿态生成方面有着新的优化思路。此外，本文在github上开源了代码，为后续研究提供了便利。

最近在分子对接领域的相关研究包括：1. DeepSite；2. AlphaFold；3. RosettaLigand。