在生命的舞台上，蛋白质扮演着不可或缺的角色。它们是生物体中最为活跃的分子，参与细胞的构建、修复、能量转换、信号传递以及无数关键的生物学功能。同时，蛋白质的结构与其功能密切相关，而它们的功能又通过与蛋白质、多肽、核苷酸以及各种小分子的复杂相互作用来实现。这种蛋白质-蛋白质相互作用 (PPI) 是细胞内许多生物过程的核心，从细胞信号传导到免疫反应，再到细胞周期的调控，无不涉及 PPI。 然而，人们目

1 摘要   分子构象生成旨在生成分子中所有原子的三维坐标，是生物信息学和药理学中的一项重要任务。以前的方法通常首先预测分子的原子间距离、原子间距离的梯度或局部结构（如扭转角），然后重建其三维构象。如何在没有上述中间值的情况下直接生成构象还没有得到充分的探索。在这项工作中，我们提出了一种直接预测原子坐标的方法：（1）损失函数对坐标的旋转平移和对称原子的排列是不变的；（2） 新提出的模型自适应地聚

1 摘要   从分子图预测分子构象是化学信息学和药物发现中的一个基本问题。最近，机器学习方法取得了重大进展，尤其是深度生成模型。受经典非平衡热力学中的扩散过程的启发，在这篇论文中，我们提出了一个新的生成模型，名为GEODIFF，用于分子构象预测。GEODIFF将每个原子视为一个粒子，并学习将扩散过程（即从噪声分布转换为稳定构象）直接反转为马尔可夫链。然而，对这样的生成过程进行建模是非常具有挑战性

近日，百度在国际顶级期刊《Nature》旗下子刊《Nature Machine Intelligence》（Impact score 16.65）上发表了AI+生物计算的最新研究成果《Geometry Enhanced Molecular Representation Learning for Property Prediction》，提出“基于空间结构的化合物表征学习方法”，即“几何构象增强A