Harnessing Deep Learning and Generative AI for Molecular Docking Simulations: Tools, Challenges, and Future Directions
Notice bibliographique
Résumé
Molecular docking has become a cornerstone in modern drug discovery, helping scientists predict how small molecules, or ligands, interact with target proteins. With the rise of artificial intelligence, particularly deep learning and generative models, traditional docking methods have been transformed. These AI-powered approaches not only boost accuracy but also dramatically reduce the time and cost of early-phase drug screening. This review explores how deep learning and generative AI are being applied to molecular docking simulations. Tools like AtomNet, DeepDock, KDEEP, and AutoDock Vina, when integrated with neural networks, have shown impressive improvements in predicting protein-ligand binding affinities compared to older docking methods. These AI models can rapidly screen massive chemical libraries, accelerating the identification of potential drug candidates. For instance, AtomNet, one of the first deep convolutional networks used in structure-based drug discovery, contributed to early drug leads for diseases like Ebola and cancer. AlphaFold, from DeepMind, has also revolutionized protein structure prediction, setting a new benchmark for accuracy. Beyond raw prediction power, these tools adapt over time. They learn from new data and minimizing human bias in compound selection. Their scalable architecture enables repeated simulations with increasing precision. This synergy of human intuition and AI precision marks a turning point in drug discovery. By using AI-driven molecular docking, researchers can now prioritize compounds more strategically, paving the way for faster, more efficient development of new treatments.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».