一个基于机器学习的小分子势能预测平台

发布时间:2026-10-16 | 来源:Nature Scientific Reports | 作者:Alexandra Farcas

在能量最小化后准确估算分子势能对于靶向治疗药物的合理设计至关重要。在本研究中,我们提出了一个机器学习平台,利用复杂的神经网络架构来预测小分子的势能。分子势能的准确预测可以促进药物递送和基因递送相关分子的计算表征,并支持分子建模工作流程。我们的方法包括设计和评估深度学习模型,包括卷积神经网络-双向长短期记忆架构,以及是否

在能量最小化后准确估算分子势能对于靶向治疗药物的合理设计至关重要。在本研究中,我们提出了一个机器学习平台,利用复杂的神经网络架构来预测小分子的势能。分子势能的准确预测可以促进药物递送和基因递送相关分子的计算表征,并支持分子建模工作流程。我们的方法包括设计和评估深度学习模型,包括卷积神经网络-双向长短期记忆架构,以及是否配备多头注意力机制。这些模型在包含小分子结构的综合数据集上进行训练。通过利用保留关键几何和化学信息的逐原子序列表示,我们的方法能够有效估算势能,并超越传统的基于描述符的机器学习方法。注意力机制的整合通过捕获复杂的结构关系增强了模型的泛化能力,从而简化了虚拟筛选流程。与现有基准的比较分析证明了基于序列的神经网络在分子能量预测中的有效性,为更高效的药物发现和聚合物信息学铺平了道路。该平台为候选分子的虚拟筛选和能量估算提供了一个稳健、计算高效的工具,通过基于预测势能的快速分子优先级排序,支持靶向治疗药物的进展。

返回资讯频道