Appearance
本报告由 MaltSci•麦伴科研 基于最新文献和研究成果撰写
蛋白质结构预测在药物设计中的作用是什么？
摘要
随着生物技术和计算能力的迅速发展，蛋白质结构预测在药物设计中的重要性愈发凸显。药物的作用机制通常依赖于其与靶标蛋白质的相互作用，因此，了解靶标蛋白质的三维结构信息对于新药的研发至关重要。传统的蛋白质结构解析方法如X射线晶体学和核磁共振（NMR）光谱法，虽然被认为是金标准，但由于其资源消耗大、时间成本高，限制了其在大规模药物发现中的应用。近年来，基于人工智能的蛋白质结构预测工具如AlphaFold2，已能够以前所未有的精度和速度预测蛋白质结构，这为药物设计提供了强有力的支持。蛋白质结构预测不仅为药物筛选和优化提供了基础，还帮助研究人员识别潜在的结合位点，从而设计出具有高亲和力的小分子药物。随着计算生物学的进步，尤其是深度学习技术的应用，蛋白质结构预测的准确性显著提高，使得药物设计的效率和成功率得以提升。本文旨在系统回顾蛋白质结构预测在药物设计中的应用，探讨其在靶标识别与验证、药物筛选与优化等方面的重要性及未来的发展方向。通过本文的综述，我们希望能够为研究人员提供对蛋白质结构预测在药物设计中应用的全面理解，促进该领域的进一步研究与发展。
大纲
本报告将涉及如下问题的讨论。
- 1 引言
- 2 蛋白质结构预测的基本概念
- 2.1 蛋白质结构的层次
- 2.2 主要的结构预测方法
- 3 蛋白质结构预测在药物设计中的应用
- 3.1 靶标识别与验证
- 3.2 药物筛选与优化
- 4 计算方法的进展
- 4.1 机器学习在结构预测中的应用
- 4.2 结构预测工具与数据库
- 5 蛋白质结构预测的挑战与未来方向
- 5.1 预测精度的提升
- 5.2 结合动态变化的研究
- 6 结论
- 7 总结
1 引言
随着生物技术和计算能力的迅速发展，蛋白质结构预测在药物设计中的重要性愈发凸显。药物的作用机制通常依赖于其与靶标蛋白质的相互作用，因此，了解靶标蛋白质的三维结构信息对于新药的研发至关重要。传统的蛋白质结构解析方法，如X射线晶体学和核磁共振(NMR)光谱法，虽然被认为是金标准，但由于其资源消耗大、时间成本高，限制了其在大规模药物发现中的应用[1]。近年来，基于人工智能的蛋白质结构预测工具，如AlphaFold2，已能够以前所未有的精度和速度预测蛋白质结构，这为药物设计提供了强有力的支持[2][3]。
蛋白质结构预测不仅为药物筛选和优化提供了基础，还帮助研究人员识别潜在的结合位点，从而设计出具有高亲和力的小分子药物[4]。随着计算生物学的进步，尤其是深度学习技术的应用，蛋白质结构预测的准确性显著提高，使得药物设计的效率和成功率得以提升[3][5]。然而，尽管取得了显著进展，蛋白质结构预测仍面临许多挑战，如结合动态变化的研究、预测精度的提升等[6]。
本文旨在系统回顾蛋白质结构预测在药物设计中的应用，探讨其在靶标识别与验证、药物筛选与优化等方面的重要性及未来的发展方向。首先，我们将介绍蛋白质结构预测的基本概念，包括蛋白质结构的层次和主要的结构预测方法。接着，深入探讨蛋白质结构预测在药物设计中的具体应用，分析其在靶标识别与验证、药物筛选与优化中的作用。随后，我们将讨论计算方法的进展，特别是机器学习在结构预测中的应用以及现有的结构预测工具与数据库。最后，我们将探讨蛋白质结构预测面临的挑战及未来的发展方向，强调预测精度的提升和结合动态变化研究的重要性。
通过本文的综述，我们希望能够为研究人员提供对蛋白质结构预测在药物设计中应用的全面理解，促进该领域的进一步研究与发展。
2 蛋白质结构预测的基本概念
2.1 蛋白质结构的层次
蛋白质结构预测在药物设计中扮演着至关重要的角色，主要体现在以下几个方面。
首先，药物发现过程涉及设计能够选择性与其靶标相互作用的化合物。大多数低分子量药物的治疗靶标是蛋白质。近年来，人工智能方法的进步使得蛋白质的三维结构预测变得更加准确，从而使药物设计过程中的蛋白质靶标更加可及[2]。通过准确的蛋白质结构预测，研究人员能够更好地理解蛋白质的功能及其与药物分子的相互作用，这为药物的合理设计提供了基础。
其次，蛋白质结构预测的技术主要分为模板建模（Template-Based Modeling, TBM）和无模板建模（Template-Free, TF）两大类。近年来，随着无模板预测方法的普及，其在序列覆盖范围和模板需求方面表现出更大的优势。预测过程通常可分为接触图、分箱距离和实值距离预测，每种方法各有其独特的优势和局限性[4]。例如，AlphaFold2作为一种基于深度学习的应用，已能以前所未有的准确性预测未知蛋白质的结构，这为药物设计的效率提升提供了可能性[3]。
此外，蛋白质的三维结构直接决定了其生物功能，蛋白质的构象状态影响底物、辅因子及蛋白质结合[4]。因此，了解蛋白质的结构和其所有特定构象对于选择性靶向蛋白质并设计小分子药物至关重要。尽管现有的AI方法在整体结构预测方面表现良好，但在精确预测结合口袋内氨基酸侧链的具体位置等细节方面仍存在挑战[1]。
在药物设计的各个阶段，蛋白质结构预测的准确性和可靠性直接影响到药物的研发进程。例如，在靶标验证、命中化合物的发现及先导化合物的优化过程中，结构信息的获取能够显著加快药物的发现速度，并降低研发成本[7]。此外，结合结构预测与机器学习等先进数据分析方法，能够提高药物设计的准确性和效率，推动个性化医疗的发展[8]。
最后，蛋白质结构预测的层次主要包括二级结构和三级结构的预测。二级结构预测关注于蛋白质中氨基酸链的局部折叠情况，而三级结构预测则关注整个蛋白质的空间构型[9]。这种层次化的结构预测方法为药物设计提供了多层次的视角，使得研究人员能够从更全面的角度理解蛋白质与药物的相互作用，从而更有效地进行药物设计。
综上所述，蛋白质结构预测在药物设计中起着基础性和关键性的作用，推动了新药的研发和个性化医疗的实现。
2.2 主要的结构预测方法
蛋白质结构预测在药物设计中扮演着至关重要的角色。药物发现过程涉及设计能够选择性地与目标蛋白质相互作用的化合物，而大多数低分子药物的治疗目标都是蛋白质。近年来，人工智能方法的进步，尤其是AlphaFold2等深度学习技术，使得蛋白质的三维结构预测变得更加准确，从而使药物设计过程中的蛋白质靶标更易于获取[2]。
蛋白质的三维结构决定了其生物功能，而其构象状态则决定了底物、辅因子和蛋白质的结合。了解蛋白质的结构对于选择性靶向蛋白质和设计小分子药物至关重要。尽管许多与药物发现相关的蛋白质的三维结构尚未通过实验手段解决，因此基于氨基酸序列准确预测其结构成为生物学中的一项重大挑战[3]。在这一领域，结构预测的主要方法可以分为模板建模（Template-Based Modeling, TBM）和无模板建模（Template-Free, TF）策略。近年来，研究趋势已向无模板预测转变，因为这种方法在更少模板的情况下能够覆盖更广泛的序列[4]。
具体而言，蛋白质结构预测方法可以大致分为以下几类：
- 接触图预测：这种方法侧重于预测氨基酸之间的接触关系，帮助构建蛋白质的三维结构。
- 分箱距离预测：该方法通过将氨基酸之间的距离分为不同的区间来进行结构预测。
- 实值距离预测：直接预测氨基酸之间的精确距离，这种方法在准确性上表现优越[4]。
此外，随着深度学习技术的进步，许多革命性的端到端、全原子扩散技术已经被引入到蛋白质结构预测中，极大地提高了预测的准确性。高质量的多序列比对（Multiple Sequence Alignments, MSA）数据的生成对增强预测结果至关重要[4]。这些技术的成功使得蛋白质结构预测的准确性取得了显著进展，但仍需进一步改进以满足结构知识的预期[4]。
在药物设计的各个阶段，准确的蛋白质结构预测不仅能够帮助科学家理解分子间的相互作用，还能够推动新药的发现和开发。通过结合机器学习与结构生物学的方法，研究者们能够更有效地识别和优化药物靶点，从而提高药物发现的效率[2][4]。
3 蛋白质结构预测在药物设计中的应用
3.1 靶标识别与验证
蛋白质结构预测在药物设计中发挥着至关重要的作用，尤其是在靶标识别与验证的过程中。蛋白质是人体内的分子机器，其功能的正常与否往往与疾病的发生密切相关，因此，靶向这些蛋白质进行药物设计是药物开发的核心。蛋白质的三维结构决定了其生物功能，而其构象状态又影响底物、辅因子和蛋白质的结合能力。因此，准确了解蛋白质的结构对于选择性靶向特定蛋白质并设计小分子药物至关重要。
然而，许多与药物发现相关的蛋白质的三维结构尚未通过实验方法解决，这使得基于氨基酸序列的结构预测成为生物学领域面临的重大挑战之一。近年来，AlphaFold2等机器学习应用的出现，使得对未知蛋白质结构的预测达到了前所未有的准确性。这种进展为药物设计提供了更高效的途径，因为它能够使研究人员在缺乏实验数据的情况下，仍能获得结构信息，从而加速药物靶标的识别与验证过程[3]。
在靶标识别阶段，了解蛋白质的结构可以帮助研究人员识别潜在的药物结合位点，从而为药物分子的设计提供基础。在药物设计过程中，结构预测不仅能帮助确定靶标蛋白的特性，还能预测药物分子与靶标之间的相互作用。例如，AlphaFold和RoseTTAFold等创新方法能够快速准确地从氨基酸序列中预测蛋白质结构，这对于药物发现的效率有显著提升[1]。
此外，结构预测还在靶标验证中发挥着重要作用。通过对预测结构的分析，研究人员可以评估特定药物对靶标的结合能力和选择性，这对于优化药物的药效和安全性至关重要。结构基础的药物设计方法使得药物开发过程中的目标验证更加高效和系统[2]。
综上所述，蛋白质结构预测在药物设计中的应用不仅提高了靶标识别的效率，还增强了靶标验证的准确性。随着结构预测技术的不断进步，未来在药物发现中的应用前景将更加广阔，这将为新药的研发提供更为坚实的基础[10]。
3.2 药物筛选与优化
蛋白质结构预测在药物设计中扮演着至关重要的角色，尤其是在结构基础药物发现（structure-based drug discovery, SBDD）中。蛋白质作为药物靶点，其三维结构直接影响其生物功能及与小分子药物的相互作用，因此，准确预测蛋白质的三维结构是设计高效药物的前提。
首先，蛋白质的三维结构决定了其与底物、辅因子及其他蛋白质的结合方式。通过结构预测，研究人员可以了解特定蛋白质的构象状态及其可能的结合位点，这对于设计选择性的小分子药物至关重要[3]。例如，AlphaFold2等深度学习应用程序的出现，使得蛋白质结构的预测精度大幅提升，从而使得药物设计过程更加高效[2]。
其次，蛋白质结构预测还可以帮助研究人员识别和优化药物的结合口袋。药物分子的设计需要考虑与靶蛋白结合的几何形状及化学特性，准确的结构预测可以指导药物分子的优化，包括功能基团的选择、立体化学及分子量等[11]。例如，近年来的研究表明，深度学习技术在提高结构预测准确性方面的进展，为药物筛选和优化提供了新的思路和工具[4]。
在药物筛选过程中，结构预测也有助于提高虚拟筛选的效率。通过对目标蛋白质进行结构建模，研究人员可以使用计算工具（如分子对接和虚拟筛选）来预测小分子药物的结合亲和力，从而在大量化合物中快速识别潜在的药物候选物[11]。这种方法不仅节省了实验资源，还能提高发现新药的成功率。
此外，随着机器学习和人工智能技术的发展，蛋白质结构预测的应用前景更加广阔。这些技术可以处理大规模的生物数据，帮助科学家在药物设计中实现更高的预测准确性和效率[12]。然而，尽管现有的预测工具已经取得了显著进展，仍需进一步改进，以便在药物发现过程中更好地满足临床需求[1]。
综上所述，蛋白质结构预测在药物设计中的应用是多方面的，涵盖了从靶点识别、药物筛选到优化的各个阶段，具有重要的理论和实际意义。通过不断完善预测方法，科学家们可以更有效地设计出具有更高特异性和有效性的药物，以应对复杂的疾病挑战。
4 计算方法的进展
4.1 机器学习在结构预测中的应用
蛋白质结构预测在药物设计中扮演着至关重要的角色，因为蛋白质的三维结构直接决定了其生物功能和与药物分子的相互作用。准确的蛋白质结构信息能够帮助研究人员设计小分子药物，以选择性地与目标蛋白相互作用，从而调节其功能[3]。然而，传统的实验方法如X射线晶体学和核磁共振（NMR）虽然被认为是确定蛋白质结构的金标准，但往往成本高昂且耗时较长，限制了其在大规模药物筛选中的应用[1]。
随着计算生物学和机器学习的快速发展，蛋白质结构预测方法得到了显著提升，特别是深度学习模型如AlphaFold和RoseTTAFold等，已经在预测蛋白质结构的准确性和速度上取得了革命性的进展。这些模型利用庞大的数据集和神经网络，能够从氨基酸序列直接预测蛋白质的三维结构，甚至在某些情况下，其准确性已接近实验方法[13]。这使得在缺乏实验数据的情况下，研究人员仍然能够对许多重要的药物靶点进行结构预测，从而加速药物发现过程[2]。
机器学习在结构预测中的应用不仅限于简单的结构生成，还包括对蛋白质动态行为、构象变化及其与其他分子的相互作用的建模。例如，AlphaFold2等先进的机器学习工具能够有效预测蛋白质的构象状态，并考虑翻译后修饰和配体结合引起的构象变化，这些因素在药物设计中至关重要[14]。此外，机器学习还能够处理大规模数据，帮助研究人员从海量的生物数据中提取有用信息，以改进药物靶点的选择和药物设计策略[4]。
尽管机器学习在蛋白质结构预测中取得了显著进展，但仍面临一些挑战，包括对高质量输入特征的需求、计算资源的消耗以及对蛋白质动态行为的建模困难等[13]。未来的研究方向可能集中在改善这些模型以解决当前的局限性，增强与实验技术的整合，并扩展预测到蛋白质复合物和翻译后修饰的领域[4]。通过持续改进这些方法，计算蛋白质结构预测将进一步推动生物医学研究和治疗设计，重塑结构生物学和计算生物物理学的格局[15]。
4.2 结构预测工具与数据库
蛋白质结构预测在药物设计中扮演着至关重要的角色，主要体现在其对药物靶点的识别、药物分子的设计及其与靶蛋白的相互作用理解等方面。随着不同疾病类型的增加，药物设计的需求也在不断上升，而蛋白质及其结构在药物设计中起着关键作用。为此，来自数学、医学和计算机科学等不同领域的研究者们正在协作，以寻找更好的解决方案来提升蛋白质结构预测的准确性和效率[9]。
蛋白质的三维结构决定了其生物功能，而这一结构的变化则会影响其底物、辅因子和蛋白质结合的特性。因此，在理性药物发现中，设计工程化的小分子以选择性地与蛋白质相互作用以调节其功能是至关重要的。然而，许多与药物发现相关的蛋白质的三维结构尚未通过实验手段解决，这使得基于氨基酸序列准确预测其结构成为生物学中的一项重大挑战。近年来，AlphaFold2等机器学习应用通过深度神经网络以前所未有的准确性预测未知的蛋白质结构，从而使药物设计变得更加高效[3]。
在蛋白质结构预测的过程中，主要有两种方法：基于模板的建模（Template-Based Modeling, TBM）和无模板策略（Template-Free strategies）。近年来，随着无模板预测方法的广泛应用，由于其更广泛的序列覆盖和对模板的较少依赖，逐渐成为主流。预测过程可以广泛分类为接触图、分箱距离和真实值距离预测，每种方法都有其独特的优势和局限性[4]。深度学习技术的进步显著提高了预测的准确性，但其效果依赖于输入特征的质量，这些特征源自自然生物物理化学属性和多序列比对（MSA）[4]。
此外，蛋白质结构预测的工具和数据库也在不断发展。当前可用于预测蛋白质结构的软件和服务器能够根据输入的蛋白质序列找到其结构，并与其他可用方法的性能进行比较。这些工具的可用性使得研究人员能够更好地评估新算法的性能[9]。例如，AlphaFold和RoseTTAFold等新兴的人工智能技术可以快速准确地从氨基酸序列中预测蛋白质结构，尽管它们在计算配体对接时仍存在一些精度问题[1]。
综上所述，蛋白质结构预测不仅为药物设计提供了必要的结构信息，还通过不断发展的计算方法和工具，推动了结构基础药物发现的进程。这些技术的进步使得科学家们能够更有效地识别潜在的药物靶点，并设计出更具针对性的药物分子，从而在治疗各种疾病中发挥重要作用。
5 蛋白质结构预测的挑战与未来方向
5.1 预测精度的提升
蛋白质结构预测在药物设计中扮演着至关重要的角色，尤其是在结构基础药物设计（SBDD）过程中。药物设计的核心在于开发能够选择性地与其靶标相互作用的化合物，而大多数小分子药物的治疗靶标是蛋白质。准确的蛋白质结构预测能够显著提高药物发现的效率和成功率，因为蛋白质的三维结构直接决定了其生物功能和与药物的结合能力[2]。
近年来，人工智能（AI）技术的迅猛发展，尤其是AlphaFold等深度学习模型的应用，使得蛋白质结构预测的准确性得到了前所未有的提升。这些方法能够根据氨基酸序列预测蛋白质的三维结构，极大地简化了药物设计过程，并使得以往难以获得结构的蛋白质靶标变得更加可及[3][4]。例如，AlphaFold2在未知蛋白质结构的预测中展现了卓越的准确性，这为药物设计提供了更为可靠的结构基础。
然而，尽管预测精度已有显著提高，蛋白质结构预测仍面临诸多挑战。首先，虽然AI模型在整体结构预测上表现良好，但在精确预测配体结合位点的氨基酸侧链位置等细节方面仍存在不足，这影响了计算配体对接的准确性[1]。此外，预测的蛋白质结构往往缺乏关于蛋白质的构象状态、翻译后修饰和与结合伙伴的构象变化等重要信息，这些因素在药物设计中同样至关重要[3]。
未来的研究方向包括利用高质量的多序列比对（MSA）数据来生成更具信息量的输入特征，从而进一步提升预测结果的准确性[4]。此外，针对蛋白质复合物结构的预测也将为深入理解分子相互作用和设计更有效的治疗药物开辟新的机会。科学家们还在探索如何将物理模型与数据驱动的机器学习方法相结合，以更好地应对药物设计中的复杂性和不确定性[5]。
综上所述，蛋白质结构预测在药物设计中具有重要的应用价值，其准确性和可靠性直接影响药物开发的效率。尽管目前的技术已取得显著进展，但仍需进一步的研究与创新，以克服现有的挑战并推动药物发现的进程。
5.2 结合动态变化的研究
蛋白质结构预测在药物设计中扮演着至关重要的角色，尤其是在结构基础药物设计（SBDD）中。随着生物医学领域的进步，蛋白质的三维结构被认为是药物开发过程中的核心要素，因为蛋白质的结构直接影响其功能以及与药物分子的相互作用。
首先，准确的蛋白质结构预测能够为药物设计提供必要的结构信息。大多数小分子药物的治疗靶点是蛋白质，了解其三维结构有助于设计能够选择性结合并调节其功能的小分子药物。近年来，人工智能技术的进步，尤其是AlphaFold2的出现，显著提高了蛋白质结构预测的准确性，使得药物设计过程中的蛋白质靶点变得更加可及[2][4]。这些进展使得研究人员能够在缺乏实验数据的情况下，依然能够预测蛋白质的结构，从而推动药物的开发。
然而，蛋白质结构预测面临着诸多挑战。尽管现有的深度学习技术已显著提高了预测的准确性，但在处理复杂的蛋白质-配体相互作用时，仍存在不足。例如，AlphaFold2等算法在整体结构预测方面表现出色，但在某些细节上，例如氨基酸侧链在结合口袋中的确切位置，仍然无法达到所需的准确度[1]。此外，预测动态变化的结构也很具挑战性，许多蛋白质在结合配体时会经历显著的构象变化，这对药物设计的影响深远。
未来的研究方向应当聚焦于提升蛋白质结构预测的准确性和效率。特别是，结合多序列比对（MSA）和蛋白质语言模型的技术被认为是增强预测准确性的重要途径[4]。此外，针对蛋白质复合体结构的预测也为深入理解分子相互作用和设计更有效的治疗药物提供了新的机遇[4]。研究者们正在探索新的预测方法，如基于扩散的全原子模型，期望这些方法能够在药物设计中提供更为可靠的结构信息。
综上所述，蛋白质结构预测在药物设计中起着基础性作用，尽管面临挑战，但通过不断的技术创新和方法改进，未来有望实现更高的预测精度，从而推动新药的发现与开发。
6 结论
7 总结
蛋白质结构预测在药物设计中发挥着关键作用，促进了新药的发现和开发。随着人工智能技术的迅猛发展，特别是深度学习模型如AlphaFold2的应用，蛋白质结构预测的准确性和效率得到了显著提升。尽管如此，预测的精确度和对动态变化的处理仍然面临挑战，尤其是在配体结合口袋的氨基酸侧链位置的预测上。未来的研究应着重于结合动态变化的研究和高质量的多序列比对数据，以进一步提升预测结果的准确性。此外，探索新的预测方法和技术将为药物设计提供更为可靠的结构信息，推动个性化医疗和新药开发的进程。通过不断的技术创新，蛋白质结构预测有望在生物医学领域实现更广泛的应用，满足日益增长的药物开发需求。
参考文献
- [1] Jason Chung;Hyunggu Hahn;Emmanuel Flores-Espinoza;Alex R B Thomsen. Artificial Intelligence: A New Tool for Structure-Based G Protein-Coupled Receptor Drug Discovery.. Biomolecules(IF=4.8). 2025. PMID:40149959. DOI: 10.3390/biom15030423.
- [2] Neera Borkakoti;Janet M Thornton. AlphaFold2 protein structure prediction: Implications for drug discovery.. Current opinion in structural biology(IF=7.0). 2023. PMID:36621153. DOI: 10.1016/j.sbi.2022.102526.
- [3] Michael Schauperl;Rajiah Aldrin Denny. AI-Based Protein Structure Prediction in Drug Discovery: Impacts and Challenges.. Journal of chemical information and modeling(IF=5.3). 2022. PMID:35727311. DOI: 10.1021/acs.jcim.2c00026.
- [4] Faezeh Rahimzadeh;Leyli Mohammad Khanli;Pedram Salehpoor;Faegheh Golabi;Shahin PourBahrami. Unveiling the evolution of policies for enhancing protein structure predictions: A comprehensive analysis.. Computers in biology and medicine(IF=6.3). 2024. PMID:38986287. DOI: 10.1016/j.compbiomed.2024.108815.
- [5] Pablo Andrés Vargas-Rosales;Amedeo Caflisch. The physics-AI dialogue in drug design.. RSC medicinal chemistry(IF=3.6). 2025. PMID:39906313. DOI: 10.1039/d4md00869c.
- [6] Rebecca Buller;Jiri Damborsky;Donald Hilvert;Uwe T Bornscheuer. Structure Prediction and Computational Protein Design for Efficient Biocatalysts and Bioactive Proteins.. Angewandte Chemie (International ed. in English)(IF=16.9). 2025. PMID:39584560. DOI: 10.1002/anie.202421686.
- [7] Xin Wang;Ke Song;Li Li;Lijiang Chen. Structure-Based Drug Design Strategies and Challenges.. Current topics in medicinal chemistry(IF=3.3). 2018. PMID:30101712. DOI: 10.2174/1568026618666180813152921.
- [8] Yu-Feng Lin;Jia-Jun Liu;Yu-Jen Chang;Chin-Sheng Yu;Wei Yi;Hsien-Yuan Lane;Chih-Hao Lu. Predicting Anticancer Drug Resistance Mediated by Mutations.. Pharmaceuticals (Basel, Switzerland)(IF=4.8). 2022. PMID:35215249. DOI: 10.3390/ph15020136.
- [9] Vrushali Bongirwar;A S Mokhade. Different methods, techniques and their limitations in protein structure prediction: A review.. Progress in biophysics and molecular biology(IF=4.5). 2022. PMID:35588858. DOI: 10.1016/j.pbiomolbio.2022.05.002.
- [10] Sarah Naomi Bolz;Michael Schroeder. Promiscuity in drug discovery on the verge of the structural revolution: recent advances and future chances.. Expert opinion on drug discovery(IF=4.9). 2023. PMID:37489516. DOI: 10.1080/17460441.2023.2239700.
- [11] Ke Wu;Eduard Karapetyan;John Schloss;Jaydutt Vadgama;Yong Wu. Advancements in small molecule drug design: A structural perspective.. Drug discovery today(IF=7.5). 2023. PMID:37536390. DOI: 10.1016/j.drudis.2023.103730.
- [12] Anqi Lin;Chang Che;Aimin Jiang;Chang Qi;Antonino Glaviano;Zhijie Zhao;Zhirou Zhang;Zaoqu Liu;Ziyao Zhou;Quan Cheng;Shuofeng Yuan;Peng Luo. Protein Spatial Structure Meets Artificial Intelligence: Revolutionizing Drug Synergy-Antagonism in Precision Medicine.. Advanced science (Weinheim, Baden-Wurttemberg, Germany)(IF=14.1). 2025. PMID:40775740. DOI: 10.1002/advs.202507764.
- [13] Nida Fatima Ali;Shumaila Khan;Saadia Zahid. A critical address to advancements and challenges in computational strategies for structural prediction of protein in recent past.. Computational biology and chemistry(IF=3.1). 2025. PMID:40121710. DOI: 10.1016/j.compbiolchem.2025.108430.
- [14] Hamed Khakzad;Ilia Igashov;Arne Schneuing;Casper Goverde;Michael Bronstein;Bruno Correia. A new age in protein design empowered by deep learning.. Cell systems(IF=7.7). 2023. PMID:37972559. DOI: 10.1016/j.cels.2023.10.006.
- [15] Haijian Li;Xiaolin Sun;Wenqiang Cui;Marc Xu;Junlin Dong;Babatunde Edukpe Ekundayo;Dongchun Ni;Zhili Rao;Liwei Guo;Henning Stahlberg;Shuguang Yuan;Horst Vogel. Computational drug development for membrane protein targets.. Nature biotechnology(IF=41.7). 2024. PMID:38361054. DOI: 10.1038/s41587-023-01987-2.
麦伴智能科研服务
在麦伴科研 (maltsci.com) 搜索更多文献
蛋白质结构预测 · 药物设计 · 人工智能 · 靶标识别 · 深度学习
© 2025 MaltSci 麦伴科研