Buchumschlag

Simultaneous Labeling and Binding affinity prediction for protein-ligand structures

Fuente: Zenodo

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Ranganath, Aditya, Kim, Hyojin
Format:	Recurso digital
Veröffentlicht:	Zenodo 2025
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Mayer-homology learning prediction of protein-ligand binding affinities
von: Feng, Hongsong, et al.
Veröffentlicht: (2024)

Improved prediction of ligand-protein binding affinities by meta-modeling
von: Lee, Ho-Joon, et al.
Veröffentlicht: (2023)

Persistent local Laplacian prediction of protein-ligand binding affinities
von: Liu, Jian, et al.
Veröffentlicht: (2026)

ERL‐ProLiGraph: Enhanced representation learning on protein‐ligand graph structured data for binding affinity prediction
von: Gloria Geine Paendong, et al.
Veröffentlicht: (2024)

Accurate and generalizable protein-ligand binding affinity prediction with geometric deep learning
von: Li, Krinos, et al.
Veröffentlicht: (2025)

Systematic evaluation of computational tools to predict the effects of mutations on protein-ligand binding affinity in the absence of experimental structures
von: Pan, Qisheng
Veröffentlicht: (2025)

Systematic evaluation of computational tools to predict the effects of mutations on protein-ligand binding affinity in the absence of experimental structures
von: Pan, Qisheng
Veröffentlicht: (2025)

SG‐ML‐PLAP: A structure‐guided machine learning–based scoring function for protein–ligand binding affinity prediction
von: Sapna Pal, et al.
Veröffentlicht: (2024)

Navigating LLM Valley: From AdamW to Memory-Efficient and Matrix-Based Optimizers
von: Ranganath, Aditya
Veröffentlicht: (2026)

CAML: Commutative algebra machine learning -- a case study on protein-ligand binding affinity prediction
von: Feng, Hongsong, et al.
Veröffentlicht: (2025)

Enhancing protein‐ligand binding affinity prediction through sequential fusion of graph and convolutional neural networks
von: Yimin Yang, et al.
Veröffentlicht: (2024)

Toward generalizable structure‐based deep learning models for protein–ligand interaction prediction: Challenges and strategies
von: Seokhyun Moon, et al.
Veröffentlicht: (2024)

A hybrid quantum-classical fusion neural network to improve protein-ligand binding affinity predictions for drug discovery
von: Domingo, L., et al.
Veröffentlicht: (2023)

Assessing interaction recovery of predicted protein-ligand poses
von: Errington, David, et al.
Veröffentlicht: (2024)

A Unified Measure-Theoretic View of Diffusion, Score-Based, and Flow Matching Generative Models
von: Ranganath, Aditya, et al.
Veröffentlicht: (2026)

Modern machine‐learning for binding affinity estimation of protein–ligand complexes: Progress, opportunities, and challenges
von: Tobias Harren, et al.
Veröffentlicht: (2024)

On fine-tuning Boltz-2 for protein-protein affinity prediction
von: King, James, et al.
Veröffentlicht: (2025)

Revealing protein structures: crystallization of protein‐ligand complexes – co‐crystallization and crystal soaking
von: Barbora Kaščáková, et al.
Veröffentlicht: (2024)

Symmetric Rank-One Quasi-Newton Methods for Deep Learning Using Cubic Regularization
von: Ranganath, Aditya, et al.
Veröffentlicht: (2025)

FLOWR.root: A flow matching based foundation model for joint multi-purpose structure-aware 3D ligand generation and affinity prediction
von: Cremer, Julian, et al.
Veröffentlicht: (2025)

Simultaneous normalization of period map and affine structures on moduli spaces
von: Liu, Kefeng, et al.
Veröffentlicht: (2019)

ProtAlign: Contrastive learning paradigm for Sequence and structure alignment
von: Ranganath, Aditya, et al.
Veröffentlicht: (2026)

Optimization of affinity chromatography using HABA ligand for avidin purification
von: Pamela A Kikot, et al.
Veröffentlicht: (2025)

State-aware protein-ligand complex prediction using AlphaFold3 with purified sequences
von: Xing, Enming, et al.
Veröffentlicht: (2025)

Improving protein-ligand binding prediction for shallow binding sites by incorporating interfacial water molecules
von: Bayarsaikhan, Bayartsetseg, et al.
Veröffentlicht: (2026)

GenShin:geometry-enhanced structural graph embodies binding pose can better predicting compound-protein interaction affinity
von: Zhu, Pingfei, et al.
Veröffentlicht: (2025)

The pivotal role of mass spectrometry in transition metal‐based photocatalyst research for solar‐driven energy conversion and water purification advancements
von: Haheun Yoo, et al.
Veröffentlicht: (2025)

Artificial intelligence in fusion protein three‐dimensional structure prediction: Review and perspective
von: Himansu Kumar, et al.
Veröffentlicht: (2024)

Assessing the potential of deep learning for protein-ligand docking
von: Morehead, Alex, et al.
Veröffentlicht: (2024)

Unlocking GPCR–ligand interactions: Measuring binding affinities with thermal shift assay
von: Dmitrii Dashevskii, et al.
Veröffentlicht: (2025)

Opportunities and challenges in protein structure prediction
von: Wenkai Wang, et al.
Veröffentlicht: (2026)

Women and the Sikh Diaspora in California
von: Ranganath, Nicole
Veröffentlicht: (2025)

PIPE-RDF: An LLM-Assisted Pipeline for Enterprise RDF Benchmarking
von: Ranganath, Suraj
Veröffentlicht: (2026)

Binding free energy analysis of galectin‐3 natural ligands and synthetic inhibitors
von: Luke Newman, et al.
Veröffentlicht: (2025)

The role of G protein‐coupled receptors and their ligands in animal domestication
von: Gunnar Kleinau, et al.
Veröffentlicht: (2024)

Generation of pharmacophores and classification of drugs using protein-ligand complexes
von: Eliana P. Velásquez
Veröffentlicht: (2012)

MAGPIE: An interactive tool for visualizing and analyzing protein–ligand interactions
von: Daniel C. Pineda Rodriguez, et al.
Veröffentlicht: (2024)

Deep learning methods for protein structure prediction
von: Yiming Qin, et al.
Veröffentlicht: (2024)

Docking guidance with experimental ligand structural density improves docking pose prediction and virtual screening performance
von: Althea T. Hansel‐Harris, et al.
Veröffentlicht: (2025)

Uncertainty quantification of receptor ligand binding sites prediction
von: Chen, Nanjie, et al.
Veröffentlicht: (2024)