AI+Drug 文献速递 | E3Docker：助力 TPD 药物研发的 E3 结合剂在线发现工具

1. E3Docker: a docking server for potential E3 binder discovery

期刊: Nucleic Acids Research 链接: https://doi.org/10.1093/nar/gkaf391 平台: https://e3docker.schanglab.org.cn/

简介: 本文介绍了E3Docker这一用于发现潜在E3结合剂的在线计算工具，其创新点在于整合大量E3连接酶数据并提供结合模式和亲和力分数预测功能。研究人员从多个数据库和文献收集1075种人类E3连接酶及4474个三维结构，以CoDock-Ligand为对接引擎，利用DeepPocket定义可成药口袋。通过对CRBN和VHL等热门E3连接酶进行对接实验，使用Thalidomide、VH298等已知配体，结果表明该工具能有效重现实验结构，且在区分活性和非活性分子上表现优异。E3Docker为靶向蛋白质降解相关药物发现提供了有力平台，有助于识别新型E3结合剂。

2. MolViewSpec: a Mol* extension for describing and sharing molecular visualizations

期刊: Nucleic Acids Research 链接: https://doi.org/10.1093/nar/gkaf370 平台: https://molstar.org/mol-view-spec

简介: MolViewSpec是Mol*的扩展，它通过标准化描述分子可视化，实现复杂分子场景定义与渲染分离，促进不同语言和工具间的互操作性。该工具使用结构化数据表示（JSON格式）描述分子场景，提供指定数据格式、构建分子结构等功能。通过构建BCR-ABL激酶和TATA结合蛋白的交互式故事板，以及可视化整合建模中的空间约束，展示了其在阐释蛋白质结构、功能及相互作用方面的能力。结果显示，MolViewSpec能创建可交互、结构化的故事板，增强对复杂概念的理解，还可直观分析模型质量。总之，它为分子可视化提供了便捷、可复用的方式。

3. Proteins Plus: a publicly available resource for protein structure mining

期刊: Nucleic Acids Research 链接: https://doi.org/10.1093/nar/gkaf377 平台: https://proteins.plus/

简介: Proteins Plus是一个免费公开的蛋白质结构挖掘和建模资源平台，不断更新工具以满足研究需求，如改进DoGSite3、PoseEdit等工具，并新增LifeSoaks工具。研究人员使用多种方法，如DoGSite3通过映射结构到3D网格来预测结合口袋。以人类酪蛋白激酶1α为研究对象，利用平台工具分析其结合位点，结合多个工具的输入输出，借助KNIME工作流实现自动化分析。结果发现了不同口袋的特征及相关配体的活性。该平台提升了蛋白质-配体建模方法的易用性，为结构基础设计相关研究提供了有力支持，且正在进行重新设计以优化功能。

4. FoldScript: a web server for the efficient analysis of AI-generated 3D protein models

期刊: Nucleic Acids Research 链接: https://doi.org/10.1093/nar/gkaf326 平台: https://foldscript.ibcp.fr/

简介: FoldScript是一个用于高效分析人工智能生成的3D蛋白质模型的网络服务器，其创新点在于能整合分析多个AI模型的信息，辅助选择最准确的模型。该服务器利用SPDB、BLAST+、Clustal Omega等多个软件，从AI模型中提取序列、结构等信息并进行分析。研究人员通过分析人类T细胞白血病病毒的Tax癌蛋白、HIV-1整合酶等病毒蛋白的AI预测模型，发现FoldScript可揭示模型间的差异和共性，帮助确定关键结构特征。例如在研究Tax蛋白时，能发现不同模型对锌离子结合位点的预测收敛性。总之，FoldScript为研究人员提供了便利的工具，有助于更好地利用AI预测的蛋白质结构。

5. DeepMolecules: a web server for predicting enzyme and transporter–small molecule interactions

期刊: Nucleic Acids Research 链接: https://doi.org/10.1093/nar/gkaf343 平台: https://www.deepmolecules.org/

简介: DeepMolecules是一个预测酶和转运蛋白与小分子相互作用的网络服务器，创新之处在于整合四个先进模型，提供全面的蛋白质-小分子关系预测和分析功能。它将蛋白质序列和小分子标识符转化为数值表示，输入梯度提升决策树模型进行预测。以人类半胱氨酸双加氧酶1型（CDO1）为例，研究人员用其蛋白序列与约1400个小分子配对预测，结果显示能筛选出高置信度的潜在底物，如实验证实L-半胱氨酸是CDO1的天然底物。该服务器可助力代谢工程、药物发现等领域，通过精准预测缩小底物筛选范围，加速酶功能研究。

6. EBI Search: providing discovery tools for biological metadata in 2025

期刊: Nucleic Acids Research 链接: https://doi.org/10.1093/nar/gkaf359 平台: https://www.ebi.ac.uk/ebisearch

简介: EBI Search是欧洲生物信息学研究所提供的统一元数据搜索引擎，通过扩展功能、优化体验和开发相关工具，提升生物数据搜索效率和用户体验。它基于Lucene Core构建，提供网站和API搜索服务，并改进索引管道、扩大批量查询功能。在用户体验方面，更新可视化方式、优化数据覆盖展示等。以病原体门户为例，其借助EBI Search API整合外部数据。此外，EBI Search还支持ORCID认领，方便用户关联研究成果。总体而言，EBI Search不断发展，为生物数据的检索和整合提供了有力支持。

7. Quantum QSAR for Drug Discovery

期刊: arxiv 链接: https://arxiv.org/abs/2505.04648v1

简介: 该研究提出将量子支持向量机（QSVMs）应用于定量构效关系（QSAR）技术，以克服传统方法在处理高维数据和复杂分子相互作用时的局限性，从而开发更准确高效的预测模型。研究整合传统QSAR方法与量子机器学习技术，对分子描述符进行预处理和归一化，将数据投影到量子态，并用经典和量子核的支持向量机进行分类。研究以M2毒蕈碱型乙酰胆碱受体相关数据集为例开展实验，对比了不同回归和分类模型的性能。结果表明，基于量子算法的模型在部分情况下表现更优。该研究为药物发现领域的QSAR建模提供了新的思路和方法。

8. FRAME: Feedback-Refined Agent Methodology for Enhancing Medical Research Insights

期刊: arxiv 链接: https://arxiv.org/abs/2505.04649v1

简介: 论文提出反馈优化代理方法（FRAME），通过迭代优化和结构化反馈提升医学论文生成质量，解决大语言模型在知识合成和质量保证方面的挑战。该方法构建了包含4287篇医学论文的结构化数据集，采用由生成器、评估器和反思器组成的三方架构，并引入结合统计指标和人工基准的综合评估框架。实验在A800计算机上进行，使用DeepSeek V3、GPT-4o Mini等模型，结果显示FRAME能显著提升文本生成质量，在多维度评估中表现优异，生成论文质量与人类撰写的相当，尤其在综合未来研究方向上表现出色。该研究为自动化医学研究论文生成奠定了坚实基础。

9. Guide your favorite protein sequence generative model

期刊: arxiv 链接: https://arxiv.org/abs/2505.04823v1

简介: 论文提出ProteinGuide框架，统一多种蛋白质生成模型，实现对预训练蛋白质生成模型的统计条件控制，无需重新训练模型就能引导其生成具有特定属性的序列。研究通过揭示不同模型训练目标的等价性，将已训练的模型视为离散状态空间的扩散模型，进而应用指导方法。实验以ProteinMPNN和ESM3模型为例，分别引导它们生成稳定性增强的氨基酸序列和特定CATH折叠类别的结构令牌序列。结果表明，该框架能有效引导模型生成符合预期属性的序列。ProteinGuide为蛋白质工程中生成模型的应用提供了更强大的工具。

10. ChemRxivQuest: A Curated Chemistry Question-Answer Database Extracted from ChemRxiv Preprints

期刊: arxiv 链接: https://arxiv.org/abs/2505.05232v1

简介: 论文构建了ChemRxivQuest数据集，包含970个高质量化学问答对，源自155篇ChemRxiv预印本，涵盖17个化学子领域，旨在推动化学领域自然语言处理的发展。数据集构建过程包括选择数据源、文本提取与预处理、问答对生成和答案验证索引，采用光学字符识别、GPT-4o生成问答对和模糊匹配验证答案等技术。分析显示数据集在各子领域分布较均匀，问题类型多样。该数据集可应用于开发检索式化学搜索引擎、微调化学大语言模型等。尽管存在依赖大语言模型产生幻觉、数据不均衡等问题，但它为化学NLP研究等提供了重要资源。