摘要

分子对接是药物发现中的关键过程。传统的技术依赖于物理原理指导下的广泛采样和模拟，这些方法通常速度较慢且成本高昂。基于深度学习的方法的出现展示了显著的前景，不仅提高了准确性，还提升了效率。在FABind模型的基础上，该模型以速度和准确性为核心设计目标，我们推出了增强版FABind+，大幅提升了其前代产品的性能。我们确定了口袋预测是分子对接中的一个关键瓶颈，并提出了一种新的方法，显著改进了口袋预测，从而简化了对接流程。此外，我们对对接模块进行了修改，增强了其构象生成能力。为了弥合与传统采样/生成方法之间的差距，我们引入了一种简单而有效的采样技术，并结合了一个置信度模型，仅需对FABind的回归框架进行微小调整。实验结果和分析表明，FABind+显著优于原始的FABind，在性能上达到了与现有最先进方法相当的水平，并提供了有价值的建模策略。这证明FABind+在分子对接和药物发现领域迈出了重要的一步。我们的代码已发布在https://github.com/QizhiPei/FABind。