综述：在深度学习时代，利用建模技术研究蛋白质-配体相互作用以推动药物发现

《Chemical Society Reviews》：Modeling protein–ligand interactions for drug discovery in the era of deep learning

蛋白质-配体相互作用建模是药物研发的关键，传统物理方法存在计算成本高、扩展性差等问题。深度学习在分子动力学增强、分子对接优化、端到端复合物建模、生成式药物设计及序列预测等方面取得突破，结合物理与数据驱动方法可提升效率和预测能力，推动现代药物发现。

　　

精确模拟蛋白质-配体相互作用是合理药物发现的基础，但由于分子相互作用的复杂性以及传统基于物理的计算方法的局限性，仍然存在诸多挑战。诸如分子动力学模拟、分子对接和自由能计算等方法基于物理原理提供了严谨的理论见解，但其实际应用往往受到高计算成本、大规模系统可扩展性受限以及在现实场景中预测准确性存疑的制约。深度学习（DL）的最新进展引入了强大的数据驱动范式，这些范式在多个维度上补充和扩展了基于物理的策略，包括：（1）基于深度学习的分子动力学增强；（2）基于深度学习的分子对接和虚拟筛选；（3）目标蛋白质及蛋白质-配体复合物的端到端建模；（4）利用深度生成模型进行基于结构的新型药物设计；（5）基于序列的相互作用预测和药物发现方法。在这篇综述中，我们重点介绍了这些进展，探讨了它们整合的新策略，分析了当前面临的挑战，并指出了未来的发展方向。我们认为，结合基于物理的方法和数据驱动的方法不仅能够提高预测能力和效率，还能帮助探索对现代药物发现至关重要的广阔化学和生物学领域。