基于深度神经网络的小分子势能预测平台及其在靶向疗法虚拟筛选中的应用

《Scientific Reports》：A machine learning-based platform for predicting the potential energy of small molecules

　　能量最小化后分子势能的准确估计对于靶向疗法的理性设计至关重要。本研究提出了一种机器学习平台，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和基因递送相关分子的计算机表征，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，以及带有和不带多头注意力机制的变体。这些模型是在包含小分子结构的综合数据集上训练的。通过使用保留关键几何和化学信息的原子级序列表示，我们的方法能够有效地估计势能，并超过了传统的基于描述符的机器学习方法。注意力机制的集成通过捕获复杂的结构关系来增强模型的泛化能力，从而简化虚拟筛选过程。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计提供了一种稳健、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，支持靶向疗法的进展。