AI+Drug 文献速递 | AlphaFold3 在 CASP16 表现几何？

1. AlphaFold3 at CASP16

期刊: bioRxiv preprint 链接: https://doi.org/10.1101/2025.04.10.648174 代码: https://gitlab.com/arneelof/CASP16-predictions

简介: 该论文首次对AlphaFold3进行基准测试，发现其在预测蛋白质和复合物结构方面表现出色，且能预测非蛋白质分子结构。研究使用AlphaFold3网络服务器进行自动提交和手动预测，针对大目标、RNA、配体等不同类型任务采用特定策略。使用GDT_TS和DockQ等指标评估模型，数据集来自CASP16预测中心。结果显示，AlphaFold3在蛋白质和复合物预测上与顶级方法相当，手动调整效果不显著，在RNA预测和化学计量比预测方面仍有提升空间。该研究全面评估了AlphaFold3在CASP16中的性能，为其应用提供参考。

2. Learning Biophysical Dynamics with Protein Language Models

期刊: bioRxiv preprint 链接: https://doi.org/10.1101/2024.10.11.617911 代码: https://github.com/ShenLab/SeqDance

简介: 文章介绍了SeqDance和ESMDance两种蛋白质语言模型，通过整合分子动力学模拟和正常模式分析的动态生物物理属性，提升对蛋白质行为和突变效应的预测能力。研究收集了超65,100种蛋白质的动态数据，构建模型并进行预训练。使用多种测试数据集评估模型，如测试SeqDance注意力机制时用高分辨率、IDRome和Dynamic PDB等数据集。结果显示，SeqDance能捕获动态信息，ESMDance在预测设计和病毒蛋白突变效应上表现出色。

3. A Benchmarking Platform for Assessing Protein Language Models on Function-related Prediction Tasks

期刊: bioRxiv preprint 链接: https://doi.org/10.1101/2025.04.10.648084 代码: https://github.com/kansil/PROBE

简介: 该论文提出PROBE工具，用于评估蛋白质表示在功能相关预测任务中的表现。它涵盖语义相似性推断、本体论基础的功能预测等四个核心任务，使用多个数据集，如语义相似性推断用UniProtKB/Swiss-Prot数据库数据。研究选取多种蛋白质表示方法，包括经典方法和PLMs进行测试。结果表明，不同模型在不同任务中各有优劣，多模态模型在部分任务表现较好。

4. The physics-AI dialogue in drug design

期刊: RSC Medicinal Chemistry 链接: https://doi.org/10.1039/d4md00869c

简介: 该论文回顾了机器学习工具在蛋白质结构预测和计算机辅助药物设计中的进展，探讨物理学与AI的协同作用及面临的挑战。研究梳理了蛋白质结构预测的发展历程，分析AI在其中的应用、与基于物理的方法的结合，以及在药物发现中的应用。实验涉及多种数据集，如蛋白质数据库等，评估不同模型和方法性能。结果显示，AI在蛋白质结构预测有成果但仍存挑战，在药物设计中与物理方法各有优劣。该论文全面总结相关领域进展，为后续研究合理选择方法、促进学科融合提供参考。

5. Compositional Flows for 3D Molecule and Synthesis Pathway Co-design

期刊: arxiv 链接: https://arxiv.org/abs/2504.08051v1

简介: 论文提出Compositional Generative Flows（CGFlow）框架，用于生成具有连续状态的组合对象，并应用于3D分子和合成途径的联合设计，提升了药物设计的效果。该框架结合流匹配和GFlowNets，通过两个交错的流过程实现分子设计。研究使用LIT-PCBA和CrossDocked等数据集进行实验，对比多种基线方法。结果表明，基于CGFlow的3DSynthFlow在结合亲和力、采样效率和合成成功率等方面表现出色。该研究为药物设计提供了更有效的方法，推动了相关领域的发展。

6. A Systematic Evaluation of Knowledge Graph Embeddings for Gene-Disease Association Prediction

期刊: arxiv 链接: https://arxiv.org/abs/2504.08445v1

简介: 论文构建新框架对比知识图谱中链接预测和节点对分类在基因-疾病关联预测的性能，分析不同方法效果及语义丰富度的影响。研究整合多种生物医学本体和基因-疾病关联数据构建知识图谱，运用多种嵌入方法和模型进行实验。使用DisGeNET等数据集，以hits@k等指标评估。结果显示，链接预测方法表现更优，语义丰富度对性能有影响。

7. Prediction of Adeno-Associated Virus Fitness with a Protein Language-Based Machine Learning Model

期刊: HUMAN GENE THERAPY 链接: https://doi.org/10.1089/hum.2024.227 代码: https://github.com/Sanofi-Public/CAP-PLM

简介: 论文提出基于蛋白质语言模型的机器学习模型CAP-PLM，可精准预测腺相关病毒（AAV）衣壳突变体适应性，为AAV基因疗法成本控制提供支持。该模型结合蛋白质语言模型和经典机器学习技术，利用AAV2单突变体数据训练。研究使用多个公开和内部数据集，对比预测值与实验值评估模型。结果显示，模型预测准确性高（皮尔逊相关系数达0.818），在多突变体数据集上也表现稳健。该研究为AAV衣壳工程提供有效工具，有助于优化临床AAV衣壳，推动基因疗法发展。

8. HNF-DDA: subgraph contrastive-driven transformer-style heterogeneous network embedding for drug–disease association prediction

期刊: BMC Biology 链接: https://doi.org/10.1186/s12915-025-02206-x 代码: https://doi.org/10.5281/zenodo.15117258； https://github.com/ShangCS/HNF-DDA

简介: 论文提出HNF-DDA模型用于药物-疾病关联预测，通过全对消息传递和子图捕获策略，有效学习药物和疾病的异质信息表示。该模型构建生物医学异质网络，用生物大语言模型获取初始嵌入，经全对消息传递和子图捕获学习节点嵌入，最后用XGBoost预测关联概率。在KEGG和HetioNet数据集上，对比10种基线方法进行十折交叉验证实验。结果表明，HNF-DDA在各项指标上表现更优，在新药物或疾病类别预测中也有优势。