查看“WikiEdge:ArXiv速递/2025-04-25”的源代码

== 摘要 ==
* '''原文标题'''：Enhanced Sampling, Public Dataset and Generative Model for Drug-Protein Dissociation Dynamics
* '''中文标题'''：药物-蛋白质解离动力学的增强采样、公共数据集与生成模型
* '''发布日期'''：2025-04-25 14:10:06+00:00
* '''作者'''：Maodong Li, Jiying Zhang, Bin Feng, Wenqi Zeng, Dechin Chen, Zhijun Pan, Yu Li, Zijing Liu, Yi Isaac Yang
* '''分类'''：physics.comp-ph, cs.LG, physics.chem-ph, q-bio.BM
*'''原文链接'''：http://arxiv.org/abs/2504.18367v1
'''中文摘要'''：[[药物]]-[[蛋白质]]结合与解离[[动力学]]是理解[[生物系统]]中[[分子相互作用]]的基础。尽管已有许多研究[[药物-蛋白质相互作用]]的工具（尤其是基于[[人工智能]]的[[生成模型]]），但针对结合/解离动力学和[[动态过程]]的预测工具仍显不足。我们提出了一种结合[[分子动力学模拟]]、[[增强采样]]和[[AI生成模型]]的新研究范式。通过设计增强采样策略，我们实现了药物-蛋白质解离过程在分子动力学模拟中的高效运行，并估算[[自由能面]]。基于该策略构建的分子动力学模拟程序流程，生成了包含26,612条药物-蛋白质解离轨迹（约1300万帧）的数据集[[DD-13M]]。利用该数据集训练的深度[[等变生成模型]][[UnbindingFlow]]，可生成无碰撞解离轨迹。DD-13M数据库与UnbindingFlow模型标志着[[计算结构生物学]]的重大进展，预计将在药物-蛋白质相互作用的[[机器学习]]研究中获得广泛应用。当前研究正致力于将该方法拓展至更广泛的药物-蛋白质复合物体系，并探索其在[[路径预测]]中的新应用。